Kiezen tussen producten is niet altijd even makkelijk. Dit kiezen
is dikwijls nog moeilijker bij het uitgebreide productaanbod van
ondermeer internetwinkels en reisbureaus. Daarbij wijst onderzoek uit
dat een uitgebreid assortiment de verkoop doet dalen. Wat zijn manieren
om deze en andere negatieve effecten van een uitgebreid assortiment te
reduceren?

Zoek en misschien zul je vinden
Enkele jaren geleden was ik
lid van mijn plaatselijke bibliotheek. Tijdens mijn lidmaatschap heb ik
mogen genieten van enkele uitstekende leesboeken. Maar hoe vind je bij
ieder bibliotheekbezoek dat ene boek dat bij jou de juiste snaar raakt.
Hoe maak je de juiste keuze uit dat enorme aanbod van duizenden boeken?
Helaas zijn mij langdurige en frustrerende zoektochten bijgebleven. Om
tot een keuze te komen liep ik soms minutenlang heen en weer langs de
vele boekruggen. Wellicht zou een titel eruit springen die mijn aandacht
trok. Tevergeefs want vaak stond ik weer met lege handen buiten op de
stoep.
Op literatuursites op het internet ging het mij ook vaak niet
beter af. Vaak moesten heel wat muisclicks mijn oren passeren voordat ik
op een review stuitte waarbij ik dacht “dat boek wil ik lezen”. Maar
ook vaak moest ik mijn computer afsluiten zonder het gewenste
keuze-advies op zak. Dan maar weer mijn volgende bibliotheekbezoek
uitstellen…

Ben ik nu de enige?
Een belangrijk ingrediënt voor mijn
keuzeprobleem bij de bibliotheek was het enorme aanbod. Maar ben ik nu
de enige die problemen ervaart bij veel keuze-opties? Blijft dit
probleem beperkt tot het kiezen tussen boeken in een bibliotheek?
Onderzoekers
Iyengar (Columbia University) en Lepper (Stanford University)
demonstreerden in een wetenschappelijk artikel in 2000 dat een teveel
aan keuze-opties nadelige gevolgen kan hebben. In één van hun
onderzoeken mochten twee groepen supermarktbezoekers kiezen tussen
meerdere soorten uitgestalde jam. Eén groep van 242 bezoekers kon kiezen
tussen 8 soorten jam (beperkte keuze). De andere groep van 260 bezoekers kon kiezen tussen 24
soorten (uitgebreide keuze). De onderzoekers keken bij iedere groep
naar hoeveel bezoekers stopten bij de uitgestalde jam en zodoende
interesse toonden. Vervolgens registreerden ze wie van deze
geïnteresseerde bezoekers daadwerkelijk jam kocht. Het volgende figuur
vat hun onderzoeksresultaten samen.
Wat opvalt is dat bij een uitgebreid assortiment meer bezoekers
interesse toonden in de uitgestalde jam. Maar het nadelige effect van
het uitgebreide keuze-assortiment bleek uit het daaropvolgende
koopgedrag. Bij een uitgebreid assortiment kocht slechts 3% van de
geïnteresseerden jam tegenover 30% bij de beperkte keuze. Conclusie:
meer keuze-opties = minder verkopen.

Maken we het ons nu zelf moeilijk?
Opmerkelijk bij het
bovenstaande onderzoek is de grotere interesse bij een uitgebreid
keuze-assortiment. Kennelijk oefenen uitgebreide keuzesets een grotere
aantrekkingskracht uit op beslissers/klanten dan beperkte keuzesets.
Maar eenmaal aangetrokken tot de grotere keuzeset ervaren deze
beslissers de negatieve gevolgen van overvloed. Zo laten resultaten van
Iyengar en Lepper verder zien dat beslissers bij uitgebreide keuzesets
(1) achteraf minder tevreden zijn met hun keuze en (2) het nemen van de
uiteindelijke beslissing als moeilijker ervaren.
Beslissers lijken
het dus zichzelf moeilijk te maken met hun aantrekking tot grotere
keuzesets. Nemen we eens als voorbeeld een sollicitatieprocedure. Na het
lezen en selecteren op basis van het curriculum vitae voelen selecteurs
vaak de noodzaak om daaropvolgend een aanzienlijk aantal kandidaten uit
te nodigen voor een gesprek. De vraag is of door het uitnodigen van een
groot aantal kandidaten het uiteindelijke beslisproces niet onnodig
moeilijk gemaakt wordt. Wellicht is het beter slechts die twee
kandidaten met het beste cv uit te nodigen. Een dergelijke kleine
keuzeset vergemakkelijkt de finale beslissing en zal wellicht resulteren
in meer tevredenheid met de uiteindelijke keuze.

Kiezen bij (te) veel keuze-opties
Maar waarvandaan komt nu
dat magnetisme van de uitgebreide keuzeset? Misschien wekken grotere
keuzesets de indruk dat de kans toeneemt dat het juiste/beste product
gevonden zal worden? Maar daartegenover staan de negatieve gevolgen van
een grotere keuzeset zoals (1) minder verkoop, (2) achteraf minder
tevreden met het gekozen product en (3) moeilijker beslisproces.
Kunnen
deze negatieve gevolgen van aanlokkelijke uitgebreide keuzesets niet
zoveel mogelijk worden gereduceerd? Een oplossing lijkt te liggen in het
presenteren van een beperkte preselectie uit de totale collectie aan
keuze-items. Optimaal zou zijn dat als deze preselectie juist die
aanbevelingen bevat die aansluiten bij de persoonlijke behoeften van de
klant. Dit is het pad dat internetwinkels als Amazon.com bewandelen.
Dergelijke internetwinkels presenteren een beperkt aantal aanbevelingen
(bijv. boektitels) die zo goed mogelijk aansluiten bij de specifieke
behoeften van een klant. Door de uitgebreide keuzeset in te krimpen tot
deze preselectie worden de negatieve gevolgen van een te grote keuzeset
verminderd. Tegelijkertijd kan door deze preselectie vastgehouden worden
aan het verleidelijke uitgebreide assortiment waardoor klanten zich in
eerste instantie door voelen aangetrokken.

Aanbevelingssystemen
Hoe komt een preselectie uit het
assortiment met daarin een advies op maat tot stand? Hiervoor zijn
verschillende aanbevelingssystemen ontwikkeld (voor een overzicht zie
Blattberg, Kim & Neslin, 2008). Deze systemen zijn gebaseerd op
wiskundige modellen.
De aanbevelingssystemen (recommender systems in
het Engels) voorspellen voor iedere klant de voorkeur voor de producten
uit het assortiment. Op basis van deze voorspellingen komt vervolgens
een selectie van de meest geprefereerde producten tot stand
(bijvoorbeeld de top 5).
Een van de meest eenvoudige
aanbevelingssysteem sorteert items simpelweg op basis van hun
verkoopcijfers. De “best-sellers” vertegenwoordigen dan de meest
populaire items. De top van de meest populaire items (“best-sellers”)
wordt aanbevolen bij de klant. De achterliggende gedachte bij deze
aanbevelingen is “als veel andere klanten ook dit product kochten, dan
zal het nog niet zo slecht zijn” (Anderson, 2006).
Maar er zijn
aanbevelingssystemen die een stap verder gaan dan het eenvoudigweg
sorteren op populariteit. De achterliggende gedachte bij deze systemen
is dat klanten met eenzelfde koopprofiel dezelfde behoeften en smaak
hebben. Een voorbeeld van zo’n systeem is User Based Collaborative
Filtering (UBCF). UBCF selecteert eerst een groep klanten die qua
koopgedrag in de buurt van elkaar komen. Het reeds geobserveerde
koopgedrag binnen deze groep wordt gebruikt voor het voorspellen van
voorkeuren. Het volgende voorbeeld geeft op vereenvoudigde wijze de
werking van UBCF weer. Uit een breed aanbod aan boeken kiest een
bepaalde klant twee titels, namelijk “p” en “q”. Welk boek uit het
assortiment kan vervolgens aan deze klant worden aanbevolen? Qua
koopgedrag komt deze klant overeen met klanten die eerder ook ondermeer
deze twee titels kochten. Echter, die klanten kochten vrijwel ook
allemaal het boek met de titel “s”. Dus titel “s” zou ook wel eens in de
smaak kunnen vallen bij deze klant en behoort daarom tot de
aanbevelingen. Naar aanleiding van dit voorbeeld zal het niet verbazen
dat een variant van Collaborative Filtering wordt toegepast door
Amazon.com (Hashler, 2011).

In de praktijk zal een keuze gemaakt moeten worden tussen
verschillende aanbevelingssystemen. Om tot de juiste keuze te komen is
het van cruciaal belang de systemen met elkaar te vergelijken.
Belangrijk daarbij is te kijken naar welk systeem het nauwkeurigst de
productvoorkeuren van een klant kan voorspellen. Als een systeem
namelijk aanbevelingen doet die niet geheel in de smaak vallen bij de
klant dan zal deze vervolgens zelf het uitgebreide assortiment moeten
gaan doorzoeken. Helaas liggen dan de hierboven genoemde negatieve
gevolgen van de uitgebreide keuzeset weer op de loer.

Ten slotte, aanbevelingssystemen vinden hun toepassing ook buiten
internetwinkels. Zo worden ze ondermeer gebruikt in de reis- en
toerismebranche (Blattberg, Kim & Neslin, 2008). Daar kunnen ze
aanbevelingen genereren voor toekomstige reizen naar specifieke
bestemmingen of attracties.
En had mijn plaatselijke bibliotheek
destijds een aanbevelingssysteem gebruikt dan waren mij heel wat
langdurige zoektochten bespaard gebleven…

Meer informatie?
Wilt u meer informatie over
aanbevelingssystemen? Neem dan contact op met Datall (tel: 06 413 00
472; email: info at datall-analyse.nl) of raadpleeg www.datall-analyse.nl.

dr.ing. Stefan Gelissen
data-analist en analyse-ontwikkelaar bij Datall

Gebruikte literatuur

  • Anderson, C. (2006). The long tail. Hyperion, New York.
  • Blattberg, R.C., Kim, B., & Neslin S.A. (2008). Database marketing. Springer, NewYork.
  • Hahsler, M. (2011). Recommenderlab: A framework for developing and testing recommendation algorithms. Vignette R-package “recommenderlab” version 0.1-3.
  • Iyengar, S.S., & Lepper, M.R. (2000). When choice is demotivating: Can one desire too much of a good thing? Journal of personality and social psychology, 79, 995-1006.