Slimme AR-apps in de retail: 8 ontwerplessen

Sta je in een winkel voor een vol schap verpakte producten die op elkaar lijken, dan is een bewuste keuze maken vaak lastiger dan het lijkt. Welk product heeft nou welke specificaties, eigenschappen of ingrediënten? En welke variant past het beste bij jouw voorkeuren?

In theorie staat de benodigde informatie op de verpakking, op het etiket of in de productspecificatie. In de praktijk is het vaak te lastig om producten snel te vergelijken, terwijl veel klanten juist wél bewuster willen kiezen. Daarom onderzocht het Centre for Marketing Innovation hoe een slimme augmented reality (AR) winkelassistent hierbij kan helpen.

Wat hebben we getest?

Ons prototype is een smartphone-toepassing die web-AR en computer vision combineert. De klant hoeft geen aparte app te downloaden en opent de toepassing in de browser van de telefoon. Eerst kiest de gebruiker een productcategorie en enkele productvoorkeuren.

Dan scant de camera in één keer een compleet schap. Met computer vision worden producten in het schap automatisch herkend. Vervolgens markeert de toepassing met AR de producten die passen bij de ingestelde voorkeuren. Selecteert de klant een product, dan verschijnt extra informatie, zoals prijs en productspecificaties.

Volgens wetenschappelijke studies kunnen zulke toepassingen productinformatie toegankelijker maken en klanten helpen bij bewustere aankoopbeslissingen. Maar werkt de toepassing ook in de echte winkelpraktijk? En vinden klanten haar handig genoeg om te gebruiken tijdens hun normale winkelroutine?

Om dat te onderzoeken testten we het prototype (zie figuur 1) onder 170 klanten in de supermarkt Jumbo Bas Bobeldijk in Amsterdam. Een supermarkt is een relatief veeleisende, maar daardoor juist nuttige testomgeving voor slimme AR-winkelassistenten: de schappen zijn druk, producten lijken op elkaar, artikelen staan soms gedraaid of half verscholen, en klanten hebben meestal weinig tijd.

Die test van het prototype leverde acht lessen op voor iedereen die werkt aan slimme winkelapps, AR-toepassingen of digitale keuzehulpen in de retail.

Deze ontwerplessen zijn niet alleen relevant voor supermarkten, maar ook voor andere winkels waarin klanten moeten kiezen uit veel verpakte producten met eigenschappen die lastig snel te vergelijken zijn. Denk aan drogisterijen, bouwmarkten, speelgoedwinkels, elektronicawinkels en dierenwinkels.

Figuur 1: Schermafbeeldingen van het prototype

De 8 lessen

1. Potentie is nog geen gebruik

Gebruikers reageerden positief op het idee achter de AR-winkelassistent. Ze zagen dat zo’n toepassing productinformatie toegankelijker kan maken en kan helpen bij aankoopbeslissingen.

Maar die positieve eerste indruk vertaalde zich niet automatisch naar sterke gebruiksintentie en aanbevelingsbereidheid. Dat is een belangrijke waarschuwing: een positieve indruk leidt niet automatisch tot gebruik.

Ontwerples: benadruk de praktische meerwaarde van de toepassing. Maak de opbrengst concreet voordat de klant het gevoel krijgt dat hij of zij alleen maar een extra tool moet gebruiken. Laat in de eerste seconden al zien wat de klant eraan heeft. Bijvoorbeeld: “Deze drie producten passen het best bij jouw voorkeur.”

2. Maak informatie bruikbaar

Gebruikers beoordeelden de getoonde informatie overwegend positief. Ze vonden die informatie objectief en begrijpelijk. Dat is een belangrijk startpunt: klanten herkennen de waarde van productinformatie die hen helpt bewuster te kiezen.

Maar goede informatie is op zichzelf niet genoeg. Klanten hebben niet altijd de tijd om informatie uitgebreid te bestuderen. De toepassing moet die informatie daarom niet alleen beschikbaar maken, maar direct vertalen naar bruikbare keuzehulp. De klant heeft behoefte aan vergelijkingsresultaten en aanbevelingen die in één oogopslag duidelijk zijn: wat betekent deze informatie voor mijn keuze op dit moment?

Ontwerples: toon eerst op een overzichtelijke en visueel aantrekkelijke manier de belangrijkste resultaten of aanbevelingen. Zet details, zoals producteigenschappen of extra uitleg, pas een laag dieper. Wie voor het schap staat, wil eerst duidelijke conclusies en daarna pas verdieping.

3. Zorg voor meer voordeel dan traditioneel scannen

In het onderzoek werd het prototype ook vergeleken met een traditionele scanapp. Zo’n scanapp is minder slim: de klant moet de barcode van elk product apart en handmatig scannen. Toch kreeg het prototype niet automatisch de voorkeur.

Dat laat zien dat een rijkere interface pas overtuigt als de meerwaarde direct voelbaar is. AR en automatische beeldherkenning mogen niet alleen geavanceerder ogen; ze moeten de klant merkbaar minder werk bezorgen.

Ontwerples: benut het voordeel van een schapscan boven een losse productscan. Laat in één keer zien welke producten voldoen aan de voorkeuren, welke afvallen en waarom. Anders wint de simpele barcode-oplossing het alsnog op vertrouwdheid en duidelijkheid.

4. Gebruiksgemak bepaalt ook het ervaren nut

Een van de duidelijkste patronen in de resultaten: hoe gemakkelijker gebruikers het prototype ervoeren, hoe nuttiger ze het vonden. Gebruiksgemak bepaalt dus mede of klanten de toepassing überhaupt als waardevol zien.

Dat is relevant voor teams die vooral vanuit de technologie ontwikkelen. Een toepassing kan inhoudelijk sterk zijn, maar als de klant te veel stappen moet doorlopen of niet goed begrijpt wat er gebeurt, verdwijnt het ervaren nut. Zorgen voor gebruiksgemak moet daarom geen laatste afwerkingsstap aan het einde van het ontwikkelproces zijn.

Ontwerples: beperk het aantal keuzes vooraf, gebruik korte, duidelijke instructies, en geef direct visuele feedback. Laat de toepassing bijvoorbeeld duidelijk aangeven: “Schap herkend”, “5 producten gevonden” en “2 producten passen bij jouw filter”.

5. Voor vertrouwen telt vooral de output

Algemene zorgen over de werking van de toepassing en aantasting van privacy waren aanwezig, maar niet dominant. Wat sterker naar voren kwam, was de rol van de concrete informatie die de toepassing laat zien. Die informatie moet objectief en geloofwaardig overkomen.

Voor dit soort toepassingen is vertrouwen dus vooral afhankelijk van wat klanten precies zien op het beslismoment. Ze hoeven niet eerst een technische uitleg over computer vision of AR te krijgen. Ze willen vooral betrouwbare output en willen dus ook begrijpen waarom een product wordt gemarkeerd of aanbevolen.

Ontwerples: leg kort uit waarop een advies is gebaseerd. Bijvoorbeeld: “Past bij je filter vezelrijk” of “Bevat minder suiker dan de andere herkende opties”. Vermijd vage scores zonder context. Een korte uitleg kan meer vertrouwen geven dan een grote claim zonder onderbouwing.

6. Tijd is de echte concurrent

De factor die het sterkst negatief samenhing met gebruiksintentie was de verwachting dat de toepassing extra tijd kost. Dat is misschien wel de belangrijkste les uit het onderzoek.

Niet elke winkelbezoeker heeft hetzelfde doel. Soms komen klanten naar een winkel om inspiratie op te doen of om nieuwe producten te ontdekken. Maar vaak winkelen klanten ook heel taakgericht: ze willen efficiënt een product vinden, vergelijken, kiezen en verder. Juist dan is snelheid belangrijk.

Een slimme AR-winkelassistent concurreert daarom niet alleen met andere apps, maar vooral met de snelheid van direct kopen zonder gebruik van een app. Zodra een toepassing voelt als een extra stap in die routine en dus als tijdsverlies, neemt de kans op gebruik af.

Ontwerples: ontwerp op minimale tijd tot resultaat. Denk aan voorkeuren onthouden, geen accountdrempel, zo kort mogelijke startuitleg en snelle herkenning van het schap. Elke seconde tussen openen en advies telt.

7. Gebruik AR als middel, niet als doel

De AR-beleving werd op zichzelf positief ontvangen. Een redelijk deel van de gebruikers ervoer de objecten op het scherm als echt. Toch bleek die AR-beleving niet doorslaggevend voor houding, aanbevelingsintentie of verwacht toekomstig gebruik.

Dat is een nuttige correctie op het idee dat AR vooral bedoeld is om de wow-factor van een app te vergroten. De klant gebruikt een slimme AR-winkelassistent niet vanwege indrukwekkend mooie visualisaties, maar voor hulp bij een productkeuze. Voor zo’n toepassing is AR dus geen doel, maar een middel.

Ontwerples: gebruik AR sober en functioneel. Markeer wat relevant is, vermijd visuele drukte en voeg animaties alleen toe als ze resultaten en aanbevelingen sneller duidelijk maken. De beste AR valt niet op door spektakel, maar door duidelijkheid en nut.

8. Verbeter eerst de basis

De resultaten gaven geen sterke aanwijzingen dat leeftijd, opleiding of geslacht bepalend waren voor de manier waarop klanten op het prototype reageerden. Daaruit volgt een praktische ontwikkelvolgorde.

Begin niet te vroeg met maatwerk voor allerlei doelgroepen. Zolang snelheid, structuur, uitleg en visuele feedback nog verbeterd kunnen worden, profiteert vrijwel iedereen van generieke verbeteringen.

Ontwerples: optimaliseer eerst de basiservaring voor brede groepen gebruikers. Pas daarna wordt het interessant om te testen of specifieke doelgroepen extra functies nodig hebben, zoals duurzaamheidsscores en filters voor keurmerken.

Een korte checklist voor ontwikkelteams

Wie een slimme AR-winkelassistent ontwikkelt, kan de volgende vijf vragen als leidraad gebruiken:

• Hoeveel seconden zitten er tussen het openen van de toepassing en een bruikbaar advies?
• Kan de klant in één oogopslag zien welk product past bij zijn of haar voorkeur?
• Is het duidelijk waarom een product wordt gemarkeerd of aanbevolen?
• Voelt de toepassing als een passend onderdeel van de snelle winkelroutine, of als tijdsverlies?
• Voegt AR echt duidelijkheid toe, of vooral visuele afleiding?

Van belofte naar winkelpraktijk

Het onderzoek laat zien dat klanten openstaan voor slimme hulp bij aankoopbeslissingen. Ze herkennen de potentie van een AR-winkelassistent en waarderen begrijpelijke, relevante en geloofwaardige productinformatie.

Tegelijkertijd ligt de lat hoog. In winkels zoals supermarkten telt niet wat technologisch indrukwekkend is, maar wat direct helpt. De toepassing moet sneller, duidelijker of gemakkelijker zijn dan de manier waarop klanten nu al beslissen over producten. Anders blijft de technologie interessant, maar wordt ze geen onderdeel van het winkelen.

Voor ontwikkelaars en innovatieprofessionals ligt de prioriteit daarom bij praktische bruikbaarheid: herkenningssnelheid, korte interacties, duidelijke feedback en geloofwaardige uitleg. Pas als die basis staat, kan de combinatie van computer vision en AR haar echte waarde laten zien.

Dit onderzoek is uitgevoerd met één prototype in één winkel. Vervolgonderzoek met andere winkels, productcategorieën en gebruikssituaties blijft nodig. In een meerjarig project onderzoeken de collega’s van het Centre for Marketing Innovation verder wat nodig is om dit soort toepassingen breder inzetbaar te maken.

Woord van dank

Dit artikel werd geschreven samen met Brendan Thesingh, Daphne Hagen, Tibert Verhagen & Jacqueline Arnoldy (allen werkzaam bij het Centre for Marketing Innovation van de Hogeschool van Amsterdam). Het onderzoek is uitgevoerd binnen het door NWO-SIA gefinancierde project “Computer vision voor duurzaam en gezond aankoopadvies: Ontwikkeling van een situated analytics shopping assistent” (HT.KIEM.01.057). We bedanken 360Fabriek voor de ontwikkeling van het prototype en de technische samenwerking. Ook bedanken we Jumbo Bas Bobeldijk in Amsterdam voor de mogelijkheid om het prototype in de winkelpraktijk te testen.