Sådan får du online anbefalinger til at fungere bedre

Forskere fra Erasmus University offentliggjorde et nyt papir i Journal of Marketing der udforsker online anbefalinger og deres effektivitet, give marketingfolk værktøjer til at maksimere dette vigtige engagementværktøj.

Studiet, kommende i november -udgaven af Journal of Marketing , har titlen "Gør anbefalinger mere effektive gennem indramninger:Virkninger af bruger- versus genstandsbaserede rammer på anbefalingsklik" og er forfattet af Phyliss Jia Gai og Anne-Kathrin Klesse.

Algoritme-baserede anbefalinger er overalt. Forestil dig, at du gennemser nyhedsartikler på webstedet for The New York Times. Du ser et stykke i sektionen "Videnskab", synes det er interessant, klik på titlen, og begynde at læse. Når du er færdig med artiklen, websiden genererer automatisk andre artikelanbefalinger til dig, så du forlænger dit engagement med platformens indhold. Anbefalingerne er mærket med tagline:"More in Science, "afsnittet, du allerede har læst.

Mens de fleste virksomheder giver forklaringer på, hvorfor kunder modtager anbefalinger, de adskiller sig i de specifikke strategier, de anvender. Nogle virksomheder, ligesom den førnævnte The New York Times, understrege, at anbefalinger er elementbaserede:Det vil sige, de er baseret på fælles attributter på tværs af produkter (f.eks. "More in Science" af The New York Times, og "Ligner [hvad du har lyttet til]" af Spotify). I modsætning, andre virksomheder fremhæver, at deres anbefalinger er brugerbaserede ved at fokusere på overlapningen i kundens præferencer (f.eks. "Kunder, der så dette element, så også ..." af Amazon og "Kunder så også ..." af Netflix). Vigtigere, virksomheder kan forklare den samme anbefaling som enten varebaseret eller brugerbaseret, fordi nutidens anbefalingssystemer ofte anvender en hybrid tilgang, der tegner sig for både fælles attributter på tværs af produkter og fælles præferencer på tværs af kunder.

Undersøgelsen undersøger, hvilken af ​​de to forklaringer (i det følgende kaldet elementbaserede og brugerbaserede indramninger), der er mere effektiv til at udløse klik på en anbefaling. Forskergruppen foreslår, at varebaserede og brugerbaserede rammer er forskellige med hensyn til de oplysninger, de giver kunderne om, hvordan en anbefaling foretages. Begge indramninger fortæller kunderne, at anbefalingen er baseret på en produktmatchning af det brændende element, som kunderne har vist interesse for det anbefalede element:Varebaseret indramning matcher produkter efter deres attributter, der henviser til, at brugerbaseret indramning matcher produkter fra deres forbrugere. Kritisk, brugerbaseret indramning foreslår også kunderne, at anbefalingen er baseret på smagstilpasning blandt brugere, der delte interesse for det centrale element. Ved at give oplysninger om smagstilpasning ud over produktmatchning, brugerbaseret indramning fungerer som en slags "dobbeltgaranti" for kunder, der kan lide det anbefalede produkt.

For at teste, om brugerbaseret indramning udkonkurrerer elementbaseret indramning i form af anbefalingsklik, forskerne gennemførte to feltundersøgelser inden for WeChat, den bedste social media -app i Kina. De samarbejdede med et mediefirma, der udgiver populærvidenskabelige artikler og resuméer af akademisk forskning om WeChat og indlejrede et par anbefalinger i slutningen af ​​hver dags fokusartikel. Den ene artikel blev anbefalet ved hjælp af brugerbaseret indramning og den anden ved hjælp af elementbaseret indramning. Gai forklarer, at "I begge undersøgelser, brugerbaseret indramning øgede klikfrekvensen for anbefalede artikler i forhold til elementbaseret indramning. På spørgsmålet om deres forståelse af de to rammer, abonnenter svarede, at de ser, at begge foreslår produktmatchning som grundlag for anbefalinger, men den brugerbaserede indramning signalerer også smagstilpasning. Dette bekræfter, at brugerbaseret indramning giver yderligere oplysninger. "

"Imidlertid, kunder ser ikke altid, at smagstilpasning er vellykket "tilføjer Klesse." Når smagstilpasning opfattes som unøjagtig, brugerbaseret indramning er ikke længere mere fordelagtig end varebaseret indramning eller bliver endda ufordelagtig. "En kritisk faktor, der bidrager til den oplevede succes med smagstilpasning, er, hvor meget erfaring kunder allerede har samlet inden for et forbrugsdomæne. Mere erfarne personer har en tendens til at se deres egen smag som særegen. Som et resultat heraf det er vanskeligere for dem at tro, at deres smag nøjagtigt kan matches med andres smag baseret på et enkelt fokuspunkt. En anden kritisk faktor er tilstedeværelsen af ​​andre brugeres profiler. Virksomheder viser undertiden oplysninger fra andre brugere, der er interesseret i anbefalingen, men disse oplysninger giver bagslag, når det angiver for kunderne, at de er forskellige fra andre brugere. Forskelle, såsom alder og køn, få folk til at antage, at deres smag afviger fra andre brugere og føre til, at kunderne undgår de brugerbaserede anbefalinger.

Disse nye fund har relevans for virksomheder, der bruger produktanbefalinger. Forskningen tyder på, at forklaringen har betydning for, hvorfor kunderne ser en anbefaling. Vigtigere, at tilpasse forklaringen til en anbefaling kommer med næsten nul omkostninger og, dermed, udgør et effektivt værktøj, der kan hjælpe virksomheder med at maksimere afkastet af anbefalingssystemer. Vigtigere, undersøgelsen fremhæver situationer, hvor brugerbaseret indramning er mere effektiv end elementbaseret indramning, og i hvilke situationer det bliver ugunstigt. Ved at udnytte disse fund, ledere kan skræddersy udformningen af ​​deres anbefalinger til forskellige kunder og produkter og derved øge klikfrekvensen.