Customer experience

Met cross-sellaanbevelingen de online omzet verhogen [case]

0

Hoe haal je 20% meer online omzet zonder extra acquisitiekosten? Met goede cross-sellaanbevelingen realiseer je extra omzet en zorg je ervoor dat klanten niets vergeten zijn. Warmteservice (leverancier van installatiematerialen en sanitair) is net begonnen met datagedreven cross-sellaanbevelingen. Ik werkte namens SPARQUE aan het model. In deze case vertel ik over de stappen die we hebben genomen en leerervaringen.

Hogere orderwaarde is essentieel voor meer omzet

Hoe haal je 20% meer online omzet zonder extra acquisitiekosten? Je hebt dan eigenlijk maar twee knoppen om aan te draaien: conversie en orderwaarde. Het conversiepercentage verhogen is mogelijk. Artikelen kunnen beter vindbaar gemaakt worden. Of je trekt de bezoeker over de streep met het tonen van producten en promoties op de juiste plaatsen en momenten.

Met name in B2C wordt veel aandacht aan conversie gegeven. Maar in een B2B-omgeving blijven conversiepercentages erg constant. Als de verhouding informatie/transactie al verschuift, gaat conversie vaak zelfs omlaag. Er komen namelijk functies bij die tot veel meer sessies, maar niet veel meer nieuwe orders leiden. Denk aan het raadplegen van de bestelgeschiedenis, online documentatie of werken met calculatie en configuratoren.

De sleutel tot een hogere omzet is om tot een hogere orderwaarde te komen tijdens de momenten waarop klanten bestellen. Dat is de functie van een goede cross-sellaanbeveling.

De basis van cross-sell: frequently bought together

Ok, maar hoe zorg je voor een goede cross-sell? Hoe werkt dat? Een voorbeeld: Amazon toont artikelen die passen bij een artikel onder de titel “vaak samen verkocht”. Deze aanbevelingen komen tot stand op basis van eerdere bestellingen van alle klanten.

Amazon - frequently bought together cross-sell

Als klanten bij een type koptelefoon vaak een bepaalde beschermhoes kopen, dan wordt de beschermhoes aangeboden als “vaak samen verkocht”. Het mooie van deze methode is dat vrijwel alle webshops al beschikken over deze data. Ook bij Warmteservice ligt “vaak samen verkocht” aan de basis van de aanbevelingen. De benodigde statistieken worden verkregen door combinaties van verkochte producten te turven. Hoe vaker combinaties verkocht zijn, hoe hoger de score.

Denk aan de volgende tips om snel aan de slag te gaan met data:

  • Baseer het op data die je al registreert van klanten en gebruikers. Je kunt hiermee snel beginnen met het genereren van aanbevelingen. Bijkomend voordeel van bestaande data is dat je al hebt nagedacht over de AVG.
  • Gooi data niet weg. Veel webshops bewaren de klikstroom-data niet van gebruikers, terwijl die data juist veel informatie bevatten. Bewaar tenminste de meest recente zes maanden.

Poging 1: Frequently bought together

Het resultaat met een eerste basale aanpak op basis van verkoopdata was bemoedigend, maar nog niet bevredigend. Installateurs (en veel andere B2B-klanten) kopen geregeld in één keer de benodigde materialen voor een gehele klus. Dat kan zelfs voor een gehele week zijn of als aanvulling van een klein magazijn. Geregeld zitten hier generieke hulpstukken tussen als koppelstukken of algemene verbruiksmaterialen, zoals schuurpapier en bouwemmers. Deze artikelen zullen daardoor vaak voorkomen als “samen verkocht”, maar zijn niet per se een goede cross-sellaanbeveling.

Daarom hebben we een correctie toegepast. Analoog aan het bepalen van relevantie bij zoekresultaten op tekst. Veel voorkomende woorden krijgen een lagere weging. Weinig voorkomende woorden krijgen een hogere weging (IDF – inverted document frequency). Ook voor B2C kan een dergelijke correctie voor algemene artikelen nuttig zijn, afhankelijk van het type webshop en het aankoopgedrag van klanten.

Na deze eerste verfijning is te zien dat de Warmteservice-aanbevelingen bij de lichtkoepel eveneens te maken hebben met werkzaamheden op een dak.

Warmteservice - cross-sell

Cross-sell op basis van “frequently bought together”

Poging 2 – Verfijningen in het model

Andere verfijningen zijn verder geïntroduceerd om de herkenbaarheid en gebruiksvriendelijkheid te vergroten. Aanbevelingen worden mede gewogen op persoonlijke voorkeuren van de klant. Verder winnen aanbevelingen die goed passen bij de producten in de winkelwagen aan gewicht. Producten en eventueel productgroepen die al voorkomen in de winkelwagen worden juist uitgesloten. Aanbevelingen waarvan het merk of model overeenkomt met het product krijgen weer wat meer gewicht. En tot slot is het belangrijk dat de verkoopprijs van de aanbeveling niet te veel boven de prijs van het product ligt.

Bij Warmteservice worden al deze verfijningen over “vaak samen verkocht” heen gelegd en de beste aanbevelingen worden realtime getoond. Met behulp van de verfijningen komen bij de lichtkoepel nu deze aanbevelingen boven. Voor een consument zijn deze aanbevelingen direct herkenbaar:

Warmteservice - cross-sell na verfijningen

Cross sell na verfijningen

Ook hier hebben we wat tips, zodat verfijningen geïdentificeerd en worden:

  • Mobiliseer creativiteit: houd brainstorm sessies of gebruik andere manieren om ideeën en inzichten aangereikt te krijgen die je nog niet had.
  • Achterhaal de logica achter klantgedrag door naar medewerkers (en klanten) te luisteren en door te vragen.

Lerend model – vanuit data en vanuit organisatie

Bij een kennisintensief bedrijf als Warmteservice zijn verkopers en productspecialisten de aangevers van verbeteringen. Zij hebben de ervaring en het inzicht in klantgedrag en kunnen aangeven welke aanbevelingen goed zijn en welke andere aanbevelingen ze juist hadden verwacht. Deze kennis draagt weer bij aan het verbeteren van het rekenmodel voor cross-sellaanbevelingen. Net als bij andere vormen van optimalisatie verwachten we dat het model voortdurend wordt verbeterd.

Daarnaast worden de aanbevelingen gedreven door wat gebruikers doen. Data vanuit Google Analytics is toegevoegd aan het aanbevelingsmodel. Hiermee wordt het model, dat al datagedreven is, ook nog eens zelflerend. In onderstaand schema zie je dat bedrijven vrijwel altijd al beschikken over de belangrijke databronnen voor cross-sell: orders en productinformatie. Met het pseudonimiseren van klantgegevens – door het terug te brengen naar alleen een (versleutelde) klantnummer – laat je bovendien zien dat je zorgvuldig omgaat met de bepalingen van de AVG.

Warmteservice - zelflerend dataschema cross-sell

Zelflerend dataschema

Warmteservice heeft ook echt de tijd geïnvesteerd die nodig is om goed te testen. Testen is niet alleen een objectief proces, het vaststellen van wat goed werkt en wat niet. Het is ook een manier om vertrouwen te laten groeien in de organisatie. Het betrekken van collega’s met veel vakkennis, laten zien dat hun advies vertaald wordt in een model dat betere aanbevelingen geeft, zijn manieren om het delen van kennis op gang te brengen en te houden.

Waar begin je en wanneer stap je over naar een geavanceerde engine?

Er zijn vele tools en technieken voorhanden om aanbevelingen te tonen aan bezoekers. Heb je een klein assortiment en hoeft er niet realtime gerekend te worden (bijvoorbeeld voor personalisatie), dan kunnen met eenvoudige middelen (frontend call op een kleine database) al aanbevelingen getoond worden. Je kunt prima handmatig aanbevelingen onderhouden voor de 100 best verkochte producten, zeker als er weinig aanpassingen zijn in het assortiment.

Wil je datagedreven gaan werken, dan kun je niet om een engine heen. Met enkele duizenden producten of klanten (als je wil personaliseren), is het handmatig definiëren van alle relaties tussen producten of klantacties en producten niet meer haalbaar. Je hebt dan iets nodig dat vooraf combinaties doorrekent en klaar zet (indexeert), waarna het snel uitgeserveerd kan worden op het moment dat de frontend daarom vraagt.

Open source of closed source?

Er bestaan open source technologieën zoals Solr, die hiervoor goed geschikt zijn. Het nadeel van een Solr of Elastic is dat het maken van aanpassingen in het model (je cross-sell-logica), technisch werk is waarvoor je technische specialisten moet inzetten. Dat beperkt je flexibiliteit, je reactiesnelheid en draagt een kostenplaatje met zich mee.

Veel aanbieders van closed-sourcetechnologie hebben daarom een bedieningslaag gebouwd op Solr of Elastic waarmee je zelf meer aan de knoppen kunt zitten, bijvoorbeeld met het instellen van hoe zwaar bepaalde criteria moeten meewegen. Daar staat vaak tegenover dat het model voor de logica vastligt bij de aanbieder en niet gemakkelijk kan worden aangepast. Het makkelijk kunnen aanpassen en onderhouden van het model is wel iets om over na te denken. Collega’s en klanten zullen namelijk – als je het goed organiseert – voortdurend je gedachten voeden over hoe de cross-sell beter kan.

Performance

Tot slot blijft een goede performance (hoe snel de aanbevelingen getoond worden) heel belangrijk. Gebruikers willen niet wachten. Het halen van een goede performance wordt steeds moeilijker naarmate het aanbevelingsmodel toeneemt in complexiteit of meer realtime moet worden gerekend. Je wil bijvoorbeeld meenemen wie de bezoeker is, wat hij al in de winkelwagen heeft of welke pagina’s hij net heeft bekeken (contextgevoeligheid).

Ook hier loop je met opensource-technologieën snel tegen benodigde technische expertise aan. Opensource-technologieën kunnen het doen van aanbevelingen goed mogelijk maken, maar zijn niet gericht op het vinden van performancewinst in een berekeningsmodel of tijdens de technische executie.

Uit de case van Warmteservice blijkt dat wanneer datagedrevenheid, onderhoudbaarheid van jouw bedrijfslogica en performance belangrijk zijn, het de moeite is om een specifieke engine in te zetten.

Tips

Tot slot, om voortdurend te verbeteren, de volgende tips:

  • Stel iemand of een klein team aan als Product Owner. Feedback en ideeën krijgen daarmee een plek
  • Onderschat niet hoeveel tijd je moet inruimen om te testen. Houd er rekening mee dat voor ieder uur dat je besteedt aan het bedenken en aanpassen van een model, je een half uur nodig hebt om testen te herhalen en nieuwe uit te voeren.
  • Werk datagedreven en laat je dan niet beperken door de techniek. Neem geen genoegen met “dit kan niet” of “dat is heel moeilijk”. Daag de techniek uit om met de aanwezige data en een heldere logica tot een oplossing te komen. Dit kan liggen in het werken met een engine die je de flexibiliteit geeft qua model en/of de benodigde performance.

Werk je al met cross-sellaanbevelingen? Hoe heb jij het aangepakt en wat zijn je ervaringen? Ik hoor graag je feedback.