Productaanbevelingen zijn de productsuggesties die een webshop toont op basis van wat een klant bekijkt, wat in de winkelwagen zit, wat die klant eerder kocht of wat andere klanten kochten. De bekendste soorten zijn vergelijkbare producten, vaak samen gekocht, upsells, gepersonaliseerde aanbevelingen, bestsellers en recent bekeken. Je vindt ze op productpagina's, in de winkelwagen, op categorie- en zoekpagina's en in e-mails.
Elke aanbeveling wordt op één van drie manieren gekozen: je stelt hem handmatig in, een regel koppelt producten op hun data (zelfde categorie, zelfde merk, passend model), of een algoritme leert van gedrag (bekeken producten en bestellingen). Alle drie hangen af van goede productdata. Een regel kan niet matchen op een categorie waar het product niet in staat, en een algoritme kan een nieuw product dat nog niemand kocht alleen aanbevelen als er attributen zijn om te vergelijken. In dit artikel lees je welke soorten er zijn, waar je ze plaatst, wat je webshopplatform al doet en hoe je je catalogus voorbereidt.
De zes soorten productaanbevelingen
Elke soort beantwoordt een andere vraag van de klant. Zet je de verkeerde soort op een plek, dan scrollen klanten eroverheen.
Zes soorten aanbevelingen en waar elke soort hoort
| Vergelijkbare producten (alternatieven) | Laat me andere opties zien. | Klanten die nog vergelijken | Productpagina's, pagina's van uitverkochte producten |
|---|---|---|---|
| Vaak samen gekocht (aanvullende producten) | Wat heb ik er nog bij nodig? | Een tent met haringen en een grondzeil, een camera met een geheugenkaart | Productpagina's, winkelwagen |
| Upsells | Is er een betere versie? | De 4-persoonstent in plaats van de 2-persoonstent, het model met 256 GB in plaats van 128 GB | Productpagina, voordat de klant beslist |
| Gepersonaliseerde aanbevelingen | Wat past bij mij? | Op basis van het eigen surf- en aankoopgedrag | Homepage, klantaccount, e-mail |
| Bestsellers en trending | Wat kopen anderen? | Nieuwe bezoekers zonder historie | Homepage, categoriepagina's |
| Recent bekeken | Waar was dat product ook alweer? | Meer navigatiehulp dan verkooptool, maar klanten gebruiken het wel | Overal waar klanten een product terugzoeken |
Een goede productpagina heeft er meestal twee nodig, geen vijf. Aanvullende producten en alternatieven beantwoorden andere vragen, dus geef ze een duidelijk label (Maak je outfit compleet, Vergelijkbare modellen) in plaats van vier carrousels met de titel Misschien vind je dit ook leuk.
Handmatig, regels, content of gedrag: de vijf methodes
Achter elke widget zit één van deze methodes, of een combinatie:
Vijf manieren waarop een widget producten kiest
| Handmatig | Je kiest per product de gerelateerde producten | Precies | Schaalt niet voorbij een paar honderd producten en veroudert zodra de voorraad wisselt |
|---|---|---|---|
| Regelgebaseerd | Producten matchen op gedeelde data: categorie, merk, kleur of een compatibiliteitsattribuut | Voorspelbaar en werkt vanaf dag één | Zo goed als de velden die het leest |
| Content-based filtering | Een algoritme vergelijkt attributen en omschrijvingen | Kan gloednieuwe producten aanbevelen, want het heeft geen verkoophistorie nodig | Heeft attributen en omschrijvingen nodig om te vergelijken |
| Collaborative filtering | Een algoritme zoekt patronen in gedrag: wie A kocht, kocht ook B | Sterk voor aanvullende producten | Blind voor nieuwe artikelen en langzame lopers (het cold-start-probleem) |
| Hybride | Combineert gedragsdata met productdata | Gebruikt door de meeste commerciële systemen | Valt terug op regels als er te weinig gedrag is |
Drie van de vijf methodes lezen productdata direct, en de vierde heeft die nodig als terugval. Meer in ons woordenboek bij product recommendation engine.
Ingebouwde aanbevelingen in Shopify, WooCommerce en Magento
Kijk voordat je een aanbevelingsapp koopt wat je platform standaard doet. De ingebouwde logica laat precies zien welke productvelden ertoe doen.
Shopify
Shopify kent twee soorten aanbevelingen: gerelateerde producten (vergelijkbare artikelen, zoals een blok You might also like) en aanvullende producten (zoals een blok Pair it with), zo staat in de ontwikkelaarsdocumentatie. Volgens het Shopify Help Center zijn automatische gerelateerde aanbevelingen gebaseerd op aankoophistorie (producten die vaak samen gekocht worden, waarvoor eerdere verkopen nodig zijn), op vergelijkbare productomschrijvingen (alleen voor webshops met een Engelstalige storefront) en als terugval op gerelateerde collecties. Aanvullende producten worden niet automatisch gegenereerd: je stelt ze in via de app Search & Discovery, maximaal 10 per product, en je kunt ook tot 10 eigen gerelateerde producten instellen.
Voor een Nederlandstalige Shopify-winkel valt de matching op omschrijvingen dus weg. Een nieuw product dat in geen enkele collectie staat, krijgt zwakke aanbevelingen totdat het verkocht wordt.
WooCommerce
WooCommerce kent drie soorten, uitgelegd in de documentatie over related products, up-sells en cross-sells. Up-sells staan op de productpagina en cross-sells in de winkelwagen; beide voeg je handmatig toe in het tabblad Gerelateerde producten van elk product (Linked Products in de Engelse admin). Verwarrend genoeg stel je daar niet de gerelateerde producten in die WooCommerce op de productpagina toont: die kiest WooCommerce zelf op basis van gedeelde categorieën en tags. Je stuurt ze alleen door je producten goed te categoriseren en te taggen.
Magento en Adobe Commerce
Magento heeft gerelateerde producten (onderaan de productpagina), up-sells (op de productpagina, onder een kop als You may also be interested in the following products) en cross-sells (in de winkelwagen), per product in te stellen in de admin, zo legt de documentatie van Adobe Commerce uit. Adobe Commerce voegt daar regels voor gerelateerde producten en een AI-extensie Product Recommendations aan toe.
Waar plaats je productaanbevelingen?
Stem de soort af op het moment in de klantreis:
- Productpagina, bij de bestelknop: upsells, terwijl de klant nog twijfelt.
- Productpagina, onder de omschrijving: vaak samen gekocht en vergelijkbare producten, met een duidelijk label.
- Bevestiging na toevoegen en winkelwagen: accessoires die bij het net toegevoegde product horen (batterijen, kabels, navullingen, onderhoudsmiddelen).
- Pagina van een uitverkocht product: vergelijkbare producten in dezelfde maat en prijsklasse, zodat het bezoek niet doodloopt.
- Zoekpagina zonder resultaten: bestsellers uit de dichtstbijzijnde categorie in plaats van een lege pagina.
- Homepage en klantaccount: gepersonaliseerde aanbevelingen voor terugkerende bezoekers, bestsellers voor nieuwe.
- E-mail na aankoop: aanvullende producten en verbruiksartikelen die bij de aankoop horen, verstuurd als ze echt nodig zijn.
De winkelwagen verdient extra aandacht. Het Baymard Institute zag dat 52% van de onderzochte desktopsites cross-sells in de winkelwagen toont die ofwel irrelevant zijn, ofwel alleen gebaseerd op wat andere klanten kochten. Baymard adviseert onder meer om de context duidelijk te labelen, producten voor hetzelfde gebruik of thema voorrang te geven, en artikelen die van compatibiliteit afhangen bovenaan te zetten, zoals de juiste lader voor een specifieke camera.
De productdata achter goede aanbevelingen
Aanbevelingslogica kan nooit specifieker zijn dan je velden. Dit zijn de attributen die het meeste werk doen:
- Categorie, op het juiste niveau: Trailrunschoenen, niet Schoenen. Regels en terugvalopties groeperen erop.
- Producttype: onderscheidt een tent van een tentgrondzeil binnen dezelfde categorie.
- Merk en productlijn: voor upsells binnen een serie en voor merktrouwe klanten.
- Compatibiliteit: past op model, aansluiting, filtermaat, type navulling. Onmisbaar voor accessoires.
- Kleur, materiaal, maat en pasvorm: voor vergelijkbare producten en complete sets.
- Doelgroep, leeftijd en gebruik: voorkomt dat een trailschoen voor heren kindersandalen aanbeveelt.
- Prijs: voor upsells in een logische prijsklasse (één stap hoger, niet vijf).
- Voorraadstatus: beveel nooit iets aan dat niet te koop is.
- Een echte omschrijving: content-based systemen vergelijken tekst.
De meeste catalogi zijn daar nog niet als ze in een PIM binnenkomen: producten in een verzamelcategorie, attributen die maar op een fractie van het assortiment zijn ingevuld, omschrijvingen van een of twee regels. Elk van die gaten verzwakt regelgebaseerde en content-based aanbevelingen, en dwingt een systeem terug naar bestsellers. In onze gids over datacompleetheid lees je hoe je die gaten per veld meet voordat je ze oplost.
Een trailrunschoen voor heren met magere en complete data
Neem een trailrunschoen voor heren, maat 42, 129 euro. Met alleen een titel, een prijs en de categorie Schoenen kan een regel of een systeem op basis van omschrijvingen hem aan alles in Schoenen koppelen. Dan krijg je een kindersandaal of een leren laars als suggestie. Met complete data doet hetzelfde systeem het veel beter:
- Categorie: Sport > Hardlopen > Trailrunschoenen
- Doelgroep: Heren
- Gebruik: Trail, technisch terrein
- Drop: 6 mm
- Waterdicht: Ja (membraan)
- Prijsklasse: 100 tot 150 euro
- Aanvullend (op producttype): trailrunsokken, gaiters, een hardloopvest, impregneerspray
- Alternatieven: andere trailschoenen voor heren in maat 42, 100 tot 150 euro, op voorraad
- Upsell: het model uit dezelfde lijn met carbonplaat, 169 euro
Hier is geen AI voor nodig. Wel moeten de velden bestaan en overal dezelfde waarden gebruiken. Op de pagina over attributen beheren zie je hoe WISEPIM dat aanpakt: ontbrekende categorieën en attributen vullen met AI-verrijking en gaten zichtbaar maken met kwaliteitsscores.
Vind echte combinaties in je orderdata met market basket analysis
Suggesties voor vaak samen gekocht horen uit je bestellingen te komen, niet uit je onderbuik. Market basket analysis gebruikt drie getallen per productpaar:
- Support: het aandeel van alle bestellingen waarin beide producten zitten.
- Confidence: van de bestellingen met product A, het aandeel waarin ook product B zit.
- Lift: confidence gedeeld door hoe vaak B sowieso gekocht wordt. Een lift boven 1 betekent dat het paar vaker samen gekocht wordt dan toeval verklaart.
Een rekenvoorbeeld met verzonnen cijfers laat zien waarom lift ertoe doet. Neem een webshop met 10.000 bestellingen. In 800 bestellingen zit de trailschoen. In 120 daarvan zitten ook gaiters, die in totaal in 400 bestellingen voorkomen. In 200 schoenbestellingen zitten ook sokken, die in totaal in 2.000 bestellingen voorkomen.
Confidence tegenover hoe vaak elk product sowieso verkoopt
Voorbeeld ter illustratie| Categorie | Confidence met de trailschoen | Aandeel in alle bestellingen |
|---|---|---|
| Gaiters | 15% | 4% |
| Sokken | 25% | 20% |
Op confidence lijken sokken het sterkste paar, omdat veel klanten bij alles sokken kopen. Gaiters zijn de echte aanvulling: kopers van de schoen kopen ze bijna vier keer zo vaak als een gemiddelde klant. Een widget op basis van lift toont gaiters bij de schoen, en bewaart sokken voor de winkelwagen, waar ze bij bijna elke bestelling passen.
De cross-sell-analyse van WISEPIM doet die berekening op de ordergeschiedenis die het importeert uit Shopify, WooCommerce, Magento 2, CCV Shop en Lightspeed, en rangschikt productparen op confidence en lift. WISEPIM is geen aanbevelingssysteem en toont geen widgets in je webshop: je gebruikt de paren om aanvullende producten in te stellen in je platform of aanbevelingsapp, en controleert of de producten in je beste paren goed beschreven zijn voordat je ze promoot. Het verschil met upselling lees je bij cross-selling in ons woordenboek.
Gepersonaliseerde productaanbevelingen: wanneer loont het?
Gepersonaliseerde aanbevelingen gebruiken de historie van de individuele klant: bekeken producten, bezochte categorieën, eerdere bestellingen en het gedrag van vergelijkbare klanten. Krachtig als je die input hebt, teleurstellend als je die niet hebt.
- Loont: een grote catalogus waar klanten niet alles kunnen doorbladeren, veel terugkerende klanten, herhaalaankopen en genoeg verkeer om het model te laten leren.
- Loont nog niet: een paar honderd producten, vooral nieuwe bezoekers of weinig bestellingen. Dan werken goed gelabelde regels (aanvullend, alternatief, bestsellers per categorie) meestal beter dan een black box.
- Altijd nodig: een terugvaloptie voor bezoekers zonder historie, en daar komen productdata en bestsellerlijsten weer terug.
Personalisatie is ook maar zo goed als de catalogus waaruit het put. Een systeem dat weet dat een klant van waterdichte trailschoenen houdt, kan daar alleen iets mee als waterdicht een ingevuld en consistent attribuut is. Bij gepersonaliseerde aanbevelingen in ons woordenboek vind je de termen die leveranciers gebruiken.
Cijfers per widget: doorklik, attach rate en orderwaarde
Meet elke widget apart, niet aanbevelingen als geheel:
- Doorklikratio per widget en plek.
- Add-to-cart-ratio van aanbevolen producten.
- Attach rate: het aandeel bestellingen met product A waarin ook het aanbevolen product B zit.
- Gemiddelde orderwaarde van bestellingen met en zonder aanbevolen product. Met onze gemiddelde orderwaarde calculator bepaal je je uitgangspunt.
- Retourpercentage van aanbevolen producten, om suggesties te vangen die wel verkopen maar niet passen.
Shopify toont de prestaties van aanbevelingen in de analytics als de URL's van aanbevolen producten het formaat volgen dat de API voorschrijft. Voor een eerlijke vergelijking test je met en zonder widget in je aanbevelingsapp of testtool, in plaats van voor en na te vergelijken over verschillende seizoenen.
Presteert een widget slecht, dan zit de oorzaak meestal hier:
- Uitverkochte producten aanbevelen of varianten die in de maat van de klant op zijn.
- Alternatieven in de winkelwagen. Een vergelijkbaar product na toevoegen opent de beslissing opnieuw.
- Eén algemeen label (Misschien vind je dit ook leuk) voor elke widget.
- Te veel carrousels op één pagina, met overlappende producten.
- Compatibiliteit negeren, zoals een telefoonhoesje voor het verkeerde model.
- Upsells te hoog op de prijsladder, een artikel van 600 euro naast een van 120 euro.
- Nieuwe producten zonder data live zetten, zodat ze pas in aanbevelingen verschijnen als ze toevallig verkopen.
- Handmatige koppelingen nooit nalopen, die nog naar producten van twee seizoenen geleden wijzen.
Aanbevelingen verkopen wat je catalogus beschrijft. Zijn categorieën, attributen en omschrijvingen mager, begin dan daar: WISEPIM vult en standaardiseert die data met AI en zet ze door naar je webshop, en de cross-sell-analyse laat zien welke combinaties je klanten nu al samen kopen.
