Personalisatie is een van de interessantste manieren om data direct te vertalen naar commerciële waarde. Verschillende gerandomiseerde veldexperimenten laten zien dat gepersonaliseerde aanbevelingen, productrangschikkingen en informatie conversie en koopgedrag kunnen verbeteren.
Dat maakt personalisatie voor veel organisaties een serieuze groeikans. Niet omdat iedere gepersonaliseerde ervaring automatisch beter werkt, maar omdat je klanten relevantere producten, informatie en vervolgstappen kunt aanbieden op het moment dat die ertoe doen.
De vraag is daarom wat ons betreft niet alleen óf personalisatie kan werken. Daar is inmiddels overtuigend bewijs voor in verschillende digitale klantreizen.
De interessantere vraag is:
Waar in onze klantreis kan personalisatie de meeste waarde toevoegen, en hoeveel levert dat bij onze klanten daadwerkelijk op?
Wat bedoelen we met personalisatie?
Personalisatie betekent dat je de ervaring van een klant of gebruiker aanpast op basis van informatie over die persoon, diens gedrag of de context waarin de interactie plaatsvindt.
Dat hoeft helemaal niet te beginnen met een ingewikkeld AI-model.
- Een webshop toont producten die aansluiten op eerdere aankopen of bekeken categorieën.
- Een bezoeker ziet content die past bij zijn branche of interesse.
- Producten worden voor verschillende bezoekers in een andere volgorde weergegeven.
- Een klant krijgt een relevante aanvulling aangeboden op iets wat hij al heeft gekocht.
- Een e-mail of aanbieding wordt verstuurd op een moment waarop de kans op relevantie groter is.
- Een verkoopteam krijgt een signaal wanneer gedrag van een prospect erop wijst dat contact interessant kan zijn.
Bij geavanceerdere toepassingen kan een algoritme voor iedere gebruiker afzonderlijk bepalen welke boodschap, aanbieding, content of volgende stap waarschijnlijk het meest relevant is.
De achterliggende gedachte blijft hetzelfde: niet iedere klant hoeft automatisch dezelfde ervaring te krijgen.
Waarom personalisatie zo’n interessante groeikans is
Een digitale klant krijgt vaak veel meer mogelijkheden aangeboden dan hij op dat moment nodig heeft.
Een webshop kan duizenden producten bevatten. Een zakelijke website tientallen diensten en kennisartikelen. Een softwareplatform tientallen mogelijke functies en vervolgstappen.
De klant moet daar zelf de voor hem relevante optie uit zien te vinden.
Personalisatie kan die zoektocht kleiner maken.
Je probeert niet méér te laten zien, maar juist sneller datgene zichtbaar te maken waarvan je verwacht dat het in deze situatie relevant is.
Daarmee kan personalisatie bijvoorbeeld:
- keuzestress verminderen;
- relevante producten sneller vindbaar maken;
- onzekerheid bij een aankoop verkleinen;
- de volgende logische stap duidelijker maken;
- cross-sell en herhaalaankopen ondersteunen;
- irrelevante communicatie verminderen;
- en commerciële capaciteit richten op klanten waarbij de kans op resultaat groter is.
Dat maakt personalisatie interessant omdat dezelfde data die organisaties vaak al verzamelen direct gebruikt kan worden om de ervaring én het commerciële resultaat te verbeteren. Het is daarmee een concreet voorbeeld van datagedreven werken: data niet alleen verzamelen of rapporteren, maar gebruiken om betere beslissingen te nemen en daar vervolgens van te leren.
Wat zegt onderzoek over conversie?
Een van de sterkste redenen om personalisatie serieus te nemen is dat positieve effecten niet alleen in enquêtes of businesscases worden gevonden, maar ook in gecontroleerde experimenten waarin daadwerkelijk koopgedrag wordt gemeten.
Onderzoekers Li, Grahl en Hinz voerden bijvoorbeeld een gerandomiseerd veldexperiment op de website van een online boekverkoper uit.
Bezoekers werden willekeurig blootgesteld aan een situatie mét of zonder gepersonaliseerde productaanbevelingen.
De aanwezigheid van gepersonaliseerde aanbevelingen verhoogde in dit experiment de kans op een aankoop met 12,4%. De waarde van het winkelmandje steeg met 1,7%.
Dat percentage van 12,4% is het resultaat van deze specifieke toepassing bij deze specifieke retailer en mag dus niet één-op-één worden vertaald naar andere organisaties.
Maar het experiment laat wel iets belangrijks zien: personalisatie kan aantoonbaar causaal effect hebben op daadwerkelijk koopgedrag.
Personalisatie helpt klanten relevante mogelijkheden ontdekken
Misschien nog interessanter dan het conversiepercentage is wat de onderzoekers ontdekten over het mechanisme erachter.
De aanbevelingen zorgden ervoor dat consumenten meer relevante alternatieven in overweging namen en intensiever naar die mogelijkheden keken.
De personalisatie werkte dus niet omdat er simpelweg een persoonlijk label op de pagina stond.
Het systeem hielp bezoekers om producten te ontdekken die anders mogelijk buiten beeld waren gebleven.
Dat geeft een belangrijke aanwijzing voor het zoeken naar interessante use cases:
Personalisatie is vooral interessant op plekken waar klanten moeite hebben om uit veel mogelijkheden de voor hen relevante keuze te vinden.
Ook gepersonaliseerde rangschikking kan tot meer aankopen leiden
Een ander grootschalig gerandomiseerd experiment onderzocht wat er gebeurde wanneer een grote online retailer producten persoonlijk rangschikte in plaats van voor iedereen dezelfde bestseller-volgorde te gebruiken.
De gepersonaliseerde rangschikking zorgde ervoor dat consumenten meer zochten en uiteindelijk meer aankopen deden.
De onderzoekers vonden bovendien dat consumenten onder de persoonlijke ranking producten ontdekten die beter aansloten op hun voorkeuren.
Ook hier zit de waarde dus niet alleen in “meer verkopen”. De personalisatie hielp klant en retailer tegelijkertijd om vraag en aanbod beter op elkaar af te stemmen.
Personalisatie kan ook onzekerheid uit de klantreis halen
Personalisatie hoeft niet altijd te betekenen dat je bepaalt welk product iemand moet zien.
Een andere interessante toepassing is het geven van informatie die specifiek relevant is voor de situatie van een individuele klant.
Onderzoek naar online fashionretailers keek bijvoorbeeld naar persoonlijke informatie over de verwachte pasvorm van kleding.
In een reeks gerandomiseerde veldexperimenten zorgde deze gepersonaliseerde fit-informatie voor een hogere conversie en hogere orderwaarde. Tegelijkertijd namen kosten door retouren en het bestellen van meerdere maten af.
Dat is een interessante vorm van personalisatie omdat de waarde heel concreet is:
de klant krijgt informatie die een specifieke onzekerheid in zijn aankoopbeslissing verkleint.
Hoe groot kan de commerciële kans zijn?
Naast experimenteel onderzoek zijn er ook benchmarks die aangeven dat de economische waarde aanzienlijk kan zijn.
McKinsey rapporteert dat personalisatie in zijn onderzoek vaak samenhangt met een omzetverbetering van ongeveer 10 tot 15%, waarbij de gerapporteerde resultaten per sector en organisatie uiteenlopen van ongeveer 5 tot 25%.
Dat is geen garantie dat een organisatie die vandaag start met personalisatie morgen 10% extra omzet realiseert.
Deze cijfers komen uit benchmark- en bedrijfsdata en zijn dus iets anders dan een gerandomiseerd experiment waarin één interventie wordt geïsoleerd.
Maar samen met de gecontroleerde veldexperimenten geven zulke cijfers wel goede reden om personalisatie als een materiële groeikans te behandelen in plaats van als een leuke optimalisatie aan de rand van de klantreis.
Consumenten zien de waarde van personalisatie ook zelf
Ongeveer vier op de vijf ondervraagde consumenten gaf aan comfortabel te zijn met gepersonaliseerde ervaringen. Veel consumenten verwachten inmiddels ook een bepaalde mate van personalisatie.
De redenen waarom consumenten personalisatie waarderen zijn opvallend praktisch: waarde, gemak en een prettigere ervaring.
Dat past goed bij de resultaten uit de veldexperimenten.
Personalisatie wordt waardevol wanneer zij iets voor de klant makkelijker, relevanter of beter maakt.
De grootste kans zit waarschijnlijk niet overal
De interessante vervolgvraag is daarom niet hoe je zo veel mogelijk onderdelen van de klantreis kunt personaliseren.
De kans zit waarschijnlijk op specifieke plekken waar een andere ervaring aantoonbaar verschil kan maken.
Denk bijvoorbeeld aan situaties waarin:
- het assortiment groot is en klanten moeite hebben om te kiezen;
- verschillende klantgroepen duidelijk andere behoeften hebben;
- de juiste volgende stap sterk afhangt van eerder gedrag;
- klanten veel onzekerheid ervaren bij een beslissing;
- een groot deel van het aanbod voor een individuele klant niet relevant is;
- timing veel invloed heeft op de relevantie van een aanbieding;
- of commerciële teams veel capaciteit besteden aan kansen die uiteindelijk weinig opleveren.
Daar liggen use cases waarbij personalisatie niet alleen technisch interessant is, maar daadwerkelijk een bedrijfsprobleem kan oplossen. Als nog niet duidelijk is welke use case de meeste waarde kan opleveren, is dat precies het soort vraagstuk dat we binnen een Data Discovery onderzoeken.
Personalisatie is geen garantie op groei
Dat personalisatie een grote kans is, betekent niet dat iedere toepassing positief uitpakt.
Ook daar is inmiddels voldoende bewijs voor.
In hetzelfde wereldwijde BCG-onderzoek gaf twee derde van de respondenten aan recent een gepersonaliseerde ervaring te hebben gehad die onnauwkeurig of opdringerig voelde. Zulke ervaringen konden leiden tot afhaken, uitschrijven of niet meer terugkomen.
Een recent gerandomiseerd veldexperiment met gepersonaliseerde AI-communicatie in retail laat dezelfde dubbelheid zien.
De gepersonaliseerde communicatie verhoogde de kans op aankoop ten opzichte van een alternatieve communicatiestijl, maar werd tegelijkertijd vaker als opdringerig ervaren.
De positieve kant kwam voort uit het gevoel dat de communicatie behulpzaam was. Het negatieve effect ontstond doordat een deel van de klanten de persoonlijke boodschap als indringender ervoer.
De nuance is daarmee niet dat personalisatie misschien geen kans is.
De nuance is dat de waarde ontstaat uit goede personalisatie, niet uit personalisatie op zichzelf.
Relevantie moet groter zijn dan het gevoel van bemoeienis
Daar zit een interessant spanningsveld.
Hoe meer informatie je over een klant gebruikt, hoe relevanter je de ervaring in theorie kunt maken.
Maar dezelfde informatie kan ook het gevoel oproepen dat een organisatie meer weet dan de klant verwachtte.
Een succesvolle toepassing moet daarom aan beide kanten werken:
- de klant moet duidelijk voordeel ervaren;
- de manier waarop data wordt gebruikt moet passen bij de relatie en context.
Het doel is dus niet om te laten zien hoeveel je over een klant weet.
Het doel is om die kennis zo te gebruiken dat de klant denkt: dit helpt mij.
Daarom moet je de kans datagedreven benaderen
Het beschikbare onderzoek geeft naar onze mening voldoende aanleiding om personalisatie als groeikans serieus te onderzoeken.
Maar vervolgens moet je nog bepalen waar binnen jouw organisatie die kans daadwerkelijk zit.
Wij zouden daarom niet beginnen met de vraag:
Hoe kunnen we onze website personaliseren?
Maar met:
Waar verwachten we dat een relevantere ervaring aantoonbaar meer waarde kan creëren?
Dat verandert personalisatie van een technologieproject in een gericht groeiprogramma.
Van kans naar bewezen groei
Een praktische aanpak kan er zo uitzien:
Kans → use case → hypothese → experiment → bewijs → opschalen
1. Zoek de kans.
Waar in de klantreis zit veel volume, waarde of frictie? Waar zijn verschillen tussen klanten waarschijnlijk relevant?
2. Kies een concrete use case.
Bijvoorbeeld persoonlijke productaanbevelingen, andere content, een relevante vervolgstap of persoonlijke timing.
3. Formuleer de hypothese.
Waarom verwachten we dat deze personalisatie het gewenste gedrag of resultaat verbetert?
4. Test tegen de huidige situatie.
Laat een deel van de doelgroep de bestaande ervaring zien en een ander deel de gepersonaliseerde variant.
5. Meet de incrementele waarde.
Wat verandert daadwerkelijk door de personalisatie?
6. Schaal wat werkt.
Een bewezen use case kan worden uitgebreid naar meer klanten, kanalen of beslismomenten.
Een voorbeeld: persoonlijke productvolgorde
Stel dat een webshop duizenden producten verkoopt en ziet dat veel bezoekers een categoriepagina bekijken zonder door te klikken naar een product.
Een mogelijke verklaring is dat de meest relevante producten voor een individuele bezoeker niet snel genoeg zichtbaar zijn.
De hypothese wordt dan:
Als we producten rangschikken op basis van signalen over de interesse van een bezoeker, vindt die bezoeker sneller een relevant product en neemt de kans op aankoop toe.
Daarna kun je de gepersonaliseerde variant vergelijken met de bestaande productvolgorde.
En vervolgens meet je niet alleen of bezoekers vaker op een product klikken, maar vooral of dat uiteindelijk leidt tot een beter bedrijfsresultaat.
Meet verder dan alleen conversie
Conversie ligt bij personalisatie voor de hand als KPI, maar is lang niet altijd voldoende.
Een aanbeveling kan bijvoorbeeld de conversie verhogen en tegelijkertijd vooral producten met een lagere marge verkopen.
Een gepersonaliseerde korting kan meer aankopen opleveren, maar ook korting geven aan klanten die zonder die korting sowieso hadden gekocht.
En een productaanbeveling kan de orderwaarde verhogen, maar misschien ook zorgen voor meer retouren.
Afhankelijk van de use case wil je daarom bijvoorbeeld kijken naar:
- conversie;
- omzet;
- gemiddelde orderwaarde;
- marge;
- retourpercentage;
- herhaalaankopen;
- customer lifetime value;
- afhaakgedrag;
- en klanttevredenheid.
De beste KPI is de KPI die laat zien of de oorspronkelijke groeikans daadwerkelijk wordt gerealiseerd.
Meet het verschil dat door personalisatie ontstaat
Dat klinkt vanzelfsprekend, maar hier gaat het in de praktijk makkelijk mis.
Stel dat klanten die persoonlijke aanbevelingen zien gemiddeld vaker kopen.
Dat betekent nog niet automatisch dat de aanbevelingen daarvoor verantwoordelijk zijn. Misschien worden ze juist getoond aan klanten die sowieso al vaker kopen.
Daarom is een controlegroep zo belangrijk.
Door vergelijkbare klanten willekeurig verschillende ervaringen te geven, kun je veel beter bepalen welk verschil daadwerkelijk door de personalisatie is veroorzaakt.
Je meet dan niet alleen resultaat, maar incrementeel resultaat: wat gebeurde er dankzij de personalisatie dat anders niet was gebeurd?
Begin klein, maar kies wel een kans die ertoe doet
Een eerste personalisatie-experiment hoeft technologisch niet ingewikkeld te zijn.
Je kunt bijvoorbeeld beginnen met twee of drie herkenbare klantgroepen, verschillende content voor nieuwe en bestaande klanten of één specifieke aanbeveling op een belangrijk moment in de klantreis.
Het voordeel daarvan is dat je snel kunt leren zonder direct een compleet personalisatieplatform te bouwen. Als een use case zich bewijst en technische realisatie nodig is, kan die vervolgens gericht worden uitgewerkt als Data Solution.
Maar klein beginnen betekent niet dat je een onbelangrijk probleem moet kiezen.
Juist wanneer je test op een plek met veel bezoekers, omzet of klantfrictie kan zelfs een relatief kleine verbetering commercieel interessant worden.
Wanneer is personalisatie nog niet de eerste stap?
De kans kan groot zijn en toch kan het verstandig zijn om eerst iets anders op te lossen.
Bijvoorbeeld wanneer de basiservaring voor vrijwel iedere klant nog duidelijk verbeterd kan worden.
Of wanneer niet betrouwbaar wordt gemeten welke producten, content of acties klanten bekijken en gebruiken. Zonder voldoende datakwaliteit wordt het niet alleen moeilijker om goed te personaliseren, maar ook om betrouwbaar vast te stellen wat een experiment daadwerkelijk oplevert.
Ook bij zeer weinig bezoekers of transacties kan het lastig zijn om verschillen betrouwbaar aan te tonen.
En als er nauwelijks betekenisvolle verschillen tussen klanten bestaan, kan één goede generieke ervaring simpelweg effectiever zijn dan tientallen persoonlijke varianten.
Dat doet niets af aan het potentieel van personalisatie. Het helpt vooral om de investering op de juiste plek en het juiste moment te doen.
Waar zit voor jouw organisatie de grootste kans?
Waar in onze klantreis zit veel commerciële waarde of volume?
Een klein effect kan interessant worden wanneer het plaatsvindt op een moment waar veel klanten langskomen of veel omzet wordt gerealiseerd.
Waar hebben klanten moeite om de relevante keuze te vinden?
Personalisatie is vooral interessant wanneer klanten uit veel mogelijkheden moeten kiezen en beschikbare data kan helpen om de meest relevante opties eerder zichtbaar te maken.
Verschillen behoeften of gedrag voldoende tussen klanten?
Wanneer verschillende klanten aantoonbaar andere behoeften hebben, is de kans groter dat verschillende ervaringen meer waarde bieden dan één generieke ervaring.
Hebben we data waarmee we relevant verschil kunnen maken?
Meer data is niet automatisch beter. De beschikbare signalen moeten daadwerkelijk iets zeggen over welke ervaring, informatie of aanbieding waarschijnlijk relevanter is.
Kunnen we het effect met een controlegroep meten?
Door een gepersonaliseerde ervaring te vergelijken met de huidige situatie kun je bepalen welke extra waarde daadwerkelijk door de personalisatie ontstaat.
Kunnen we een succesvolle toepassing vervolgens opschalen?
De interessantste experimenten leveren niet alleen een eenmalige verbetering op. Ze geven bewijs voor een aanpak die vervolgens voor meer klanten, momenten of kanalen kan worden ingezet.
Van grote kans naar bewezen groei
Het beschikbare onderzoek geeft organisaties goede reden om personalisatie als serieuze groeikans te zien.
Gepersonaliseerde aanbevelingen, productrangschikkingen en informatie hebben in verschillende gecontroleerde veldexperimenten geleid tot meer aankopen, hogere conversie of meer orderwaarde.
De kans zit alleen niet in personalisatie als abstract concept.
De waarde ontstaat wanneer je precies de juiste frictie, behoefte of beslissing van een klant beter weet te ondersteunen.
Daarom is wat ons betreft de logische route:
Kans identificeren → personalisatie ontwerpen → effect testen → leren → opschalen
Wie dat goed doet, hoeft niet te gokken of personalisatie waarde oplevert.
Je bouwt stap voor stap bewijs op voor waar het binnen je eigen organisatie daadwerkelijk groei creëert. Wil je dit niet als eenmalig experiment behandelen, maar structureel onderdeel maken van hoe je organisatie met data verbetert, dan past dat binnen de manier waarop we als Data Partner samenwerken.
Onderzoeken en bronnen
- Li, X., Grahl, J. & Hinz, O. — How Do Recommender Systems Lead to Consumer Purchases? A Causal Mediation Analysis of a Field Experiment, Information Systems Research.
- Donnelly, R., Kanodia, A. & Morozov, I. — Welfare Effects of Personalized Rankings, Marketing Science.
- Gallino, S. & Moreno, A. — The Value of Fit Information in Online Retail: Evidence from a Randomized Field Experiment, Manufacturing & Service Operations Management.
- Boston Consulting Group — What Consumers Want from Personalization, onderzoek onder ruim 23.000 consumenten wereldwijd.
- McKinsey & Company — The value of getting personalization right—or wrong—is multiplying.
- When AI advice backfires: Field experimental evidence on personalization, intrusiveness, and purchase behavior, Journal of Retailing and Consumer Services.
