Innholdsanbefalingsmotor

Hva er en innholdsanbefalingsmotor?

En innholdsanbefalingsmotor er et verktøy som bruker data og algoritmer til å foreslå innhold til brukere basert på deres preferanser, atferd og interesser. Det er et system som lærer av målgruppens interaksjoner og tilpasser innhold til deres behov. Det jobber i bakgrunnen, lærer hva besøkende liker og serverer dem skreddersydd innhold. Du har sannsynligvis sett innholdsanbefalingsmotorer i bruk uten å legge merke til det – fra «Du vil kanskje også like»-seksjonen på en blogg til produktanbefalinger ved netthandel. 

Et annet eksempel er Netflixs anbefalingssystem. Etter at du har sett en serie eller film, foreslår Netflix lignende innhold basert på det du allerede har sett. På samme måte bruker nettbutikker som Amazon anbefalingsmotorer til å foreslå produkter basert på din nettleser- og kjøpshistorikk.

For markedsførere kan innholdsanbefalingsmotorer hjelpe deg med å levere riktig innhold til riktige personer til rett tid, og dermed øke engasjement og konverteringer.

Viktige punkter

• En innholdsanbefalingsmotor gir nettstedsbesøkende personalisert innhold og forslag for å optimalisere deres opplevelse

• Det er fire trinn i innholdsanbefaling: datainnsamling, datalagring, dataanalyse og datafiltrering

• Kollaborativ filtrering gir anbefalinger basert på hvor lik en bruker er andre brukere

• Innholdsbasert filtrering gir anbefalinger basert på en brukers preferanser og aversjon

• Den hybride anbefalingsmodellen bruker en kombinasjon av kollaborativ og innholdsbasert filtrering for å gi de mest nøyaktige anbefalingene

Hva gjør en innholdsanbefalingsmotor?

En innholdsanbefalingsmotor er en programvareløsning som skaper personaliserte brukeropplevelser ved å analysere bruker- og produktdata. Motoren ser på en brukers tidligere nettadferd, hva de liker og misliker, og annen nøkkelinformasjon, og bruker disse dataene til å levere personalisert innhold eller gi kjøps- eller visningsanbefalinger spesifikke for den brukeren.

Det er gjennom bruk av innholdsanbefalingsmotorer at Amazon kan anbefale produkter til deg mens du handler på nett, eller at Netflix kan foreslå nye serier og filmer du kanskje vil like å se. Hvis du er helt ny på nettstedet, finner du kanskje ikke mange anbefalinger – eller de anbefalingene du får er kanskje ikke nyttige. Men etter hvert som du bruker nettstedet mer og nettstedet lærer hva du liker og misliker, vil du finne stadig mer treffsikre forslag.

Noen innholdsanbefalingsmotorer mater dynamisk innhold til nettsidene du besøker. Basert på din tidligere nettleseradferd – og nettleseratferden til andre brukere som ligner deg – kan innholdsanbefalingsmotoren automatisk generere personalisert innhold mens du scroller nedover siden.

Brukere liker innholdsanbefalinger fordi det gir dem en mer personlig opplevelse. Bedrifter liker anbefalingsmotorer fordi en mer personalisert brukeropplevelse fører til økt seertall og kjøp. Det er en vinn-vinn for alle involverte.

Hvorfor innholdsanbefalinger er viktige

Innholdsanbefalinger hjelper brukere til å oppdage mer innhold de vil elske. I stedet for å forlate nettstedet ditt etter å ha lest ett blogginnlegg eller sett én video, kan velplasserte anbefalinger holde publikumet ditt engasjert lenger. Ved å foreslå relatert innhold viser du besøkende at du «forstår» dem, noe som gjør det mer sannsynlig at de blir og utforsker mer av innholdet ditt. 

Når du konsekvent tilbyr relevant innhold til brukerne dine, bygger det tillit, styrker forbindelsene og øker til slutt konverteringene. Se for deg for eksempel en bruker som leser et blogginnlegg om Instagram-markedsføring. Hvis du da anbefaler en artikkel om å bygge en slagkraftig Instagram-bio eller optimalisere annonser, vil de sannsynligvis klikke seg videre og tilbringe mer tid på nettstedet ditt. Mer tid betyr flere muligheter til å gjøre besøkende til lojale kunder.

Fordelene med innholdsanbefalingsmotorer

Innholdsanbefalingsmotorer gir markedsførere som ønsker å forbedre sine strategier for kundeengasjement og -bevaring, flere fordeler: 

• Økt engasjement: Når brukere ser innhold som resonerer med dem, er de mer tilbøyelige til å bli. Ta Youtubes autoplay-funksjon som eksempel. Du er ferdig med én video og en annen spilles av som er like relevant.
• Bedre konverteringsrater: Ved å personalisere innholdsanbefalinger for målgruppen din er de langt mer tilbøyelige til å konvertere. Hvis du prøver å få nettstedsbesøkende til å abonnere eller gjøre et kjøp, er skreddersydde innholdsforslag svært effektive. Netthandelsnettsteder som Amazon bruker denne strategien effektivt for å foreslå produkter og drive mer salg. 
• Forbedret brukeropplevelse: Innholdsanbefalingsmotorer gir en mer sømløs brukerreise. Ingen mer leting i et hav av innhold betyr mindre friksjon og en mer behagelig brukeropplevelse.
• Forbedret personalisering: Innholdsanbefalingsmotorer bruker individuelle brukerdata til å levere skreddersydde innholdsforslag, noe som gjør det å personalisere innhold til en mindre manuell oppgave for markedsføringsteamet ditt.
• Økt lojalitet: Ved konsekvent å levere relevant innhold til målgruppen din gjør du det langt mer sannsynlig at de kommer tilbake og, på et tidspunkt, konverterer til betalende kunder.

Hvordan fungerer en innholdsanbefalingsmotor?

Innholdsanbefaling er vanligvis en firetrinns prosess. Det handler om å samle inn data, lagre disse dataene, analysere dataene og deretter filtrere dataene for å generere anbefalinger. 

1. Datainnsamling

   Alle innholdsanbefalingsmotorer trenger data for å basere anbefalingene sine på. Disse parameterne kan handle om brukeren (demografisk informasjon, kjøps-/nettleservaner osv.) eller om produktene (nøkkelord, beskrivelse osv.). Noen data er eksplisitte (samlet inn fra kundeinput); noen er implisitte (hentet fra kundeatferd, som ordrehistorikk). 

2. Datalagring

   Datasettet som samles inn, må lagres i en form for database, for eksempel en SQL-database, slik at den kan kjøre anbefalingsalgoritmen.

3. Dataanalyse

   Innholdsanbefalingssystemet analyserer deretter de lagrede dataene og ser etter relasjoner mellom datapunkter. Dette kan skje i sanntid eller via en ikke-dynamisk batchanalyse.

4. Datafiltrering

   Det siste trinnet i innholdsanbefalingsprosessen filtrerer dataene for å hente ut den relevante informasjonen som er nødvendig for å gi en nøyaktig anbefaling til brukeren. Dette gjøres vanligvis via en slags algoritme – kollaborativ, innholdsbasert eller en hybrid av de to tilnærmingene.

Typer filtreringsmotorer

Det er tre primære typer filtrering som brukes for innholdsanbefaling. Noen modeller bruker kollaborativ filtrering, noen bruker innholdsbasert filtrering, og noen bruker en hybrid av disse to metodene. 

1. Kollaborativ filtrering

   Kollaborativ filtrering samler og analyserer ulike data for å forutsi hva brukere vil like, basert på hvor lik en bruker er andre brukere. En kollaborativ filtreringsmotor bruker informasjon om brukernes aktiviteter, adferd og preferanser, for eksempel om de liker visse matvarer, filmer eller klær. Prognoser lages ved hjelp av ulike maskinlæringsteknikker.
   
   Fordelen med kollaborativ filtrering er at den faktisk ikke analyserer eller forstår det underliggende innholdet. Den velger rett og slett innhold basert på det som er kjent om brukeren. Det er også en ulempe, siden anbefalingene ofte bare har overfladiske likheter med det brukeren faktisk liker.
   
   Hvis for eksempel bruker A liker de samme TV-seriene som bruker B, og bruker A også liker poloskjorter, kan en kollaborativ filtreringsmotor slutte at bruker B også ville like poloskjorter og anbefale poloskjorterelatert innhold til den personen. Hvis anbefalingene er basert på nok datapunkter, kan de være overraskende nøyaktige. Anbefalinger basert på færre datapunkter kan imidlertid resultere i kun overfladiske anbefalinger.
   
   Amazon bruker kollaborativ filtrering for sin anbefalingsmotor. Amazon benytter sofistikerte algoritmer for å anbefale lignende produkter basert på hva kunder nylig har kjøpt for å opprettholde lojalitet. Nettstedet viser deretter disse anbefalingene i seksjonen «Varer du kanskje liker» på hver produktside. 

2. Innholdsbasert filtrering

   Innholdsbasert filtrering tar en annen tilnærming. Denne typen motor utnytter kunstig intelligens til å anbefale varer som ligner på dem brukeren tidligere har sett eller kjøpt, for å forbedre kundeopplevelsen.
   
   Tankegangen er at hvis en person liker vare A, og vare B ligner på vare A, vil personen også like vare B. Hvis for eksempel en bruker har sett eller kjøpt én eller flere Marvel-filmer, kan den innholdsbaserte filtreringsmotoren anbefale en Marvel-TV-serie til den brukeren, fordi de åpenbart er innholdsmessig like.
   
   Effektiviteten av innholdsbasert filtrering er begrenset til å anbefale lignende typer innhold eller varer til lignende brukere. For eksempel ville kunnskap om en brukers filmpreferanser være til liten hjelp for å bestemme hvilke typer mat den personen ville like.
   
   For et godt eksempel på innholdsbasert filtrering, se ikke lenger enn til Facebook. Når Facebook anbefaler potensielle venner for deg, gjøres det basert på ditt personlige innhold – hvor du bor, hvor du har jobbet, hvor du gikk på skole. Det er nesten ren innholdsbasert filtrering. 

3. Hybrid anbefaling

   Den hybride anbefalingsmodellen blander kollaborative og innholdsbaserte filtreringsmodeller. Den ser på både kundeatferdsdata og innholdsbeskrivelser, og produserer dermed mer nøyaktige anbefalinger enn hver av de individuelle metodene.
   
   Netflix representerer et virkelig eksempel på bruk av den hybride anbefalingsmodellen. For å gi anbefalinger til seerne ser Netflix på serier lignende seere har sett, samt innholdet i serier du har sett. De resulterende anbefalingene er mer personaliserte enn det som ellers ville vært mulig – og utgjør 75 % av det seerne ser på tjenesten.

Eksempler på innholdsanbefalinger

Innholdsanbefalingsmotorer har mange ulike praktiske anvendelsesområder, inkludert:

• Blogganbefalinger: Etter at en bruker er ferdig med å lese et blogginnlegg, kan du anbefale tematisk relaterte artikler. Si at de har lest et blogginnlegg om populære e-postmarkedsføringsstrategier. Du kan foreslå et innlegg om A/B-testing av emnelinjer eller emojier som genererer flest klikk – og lede folk dypere inn i innholdsøkosystemet ditt.
• Produktanbefalinger: Dette ser man mye av på netthandelsnettsteder. Etter at du har sett på et par treningssko, kan nettstedet anbefale matchende tilbehør eller lignende stiler, og oppmuntre deg til å legge flere produkter i handlekurven. 
• Videoanbefalinger: YouTube gjør dette utmerket ved å foreslå relevante videoer basert på hva du allerede har sett. For markedsførere kan dette være en kraftfull måte å holde folk på å se videoene dine og fordype engasjementet med merkevaren din.
• Innholdsforslag for e-post: Personaliserte e-postkampanjer bruker anbefalingsmotorer til å foreslå blogginnlegg, produkter eller tilbud basert på abonnentens aktivitet.

Brukstilfeller for innholdsanbefalingsplattformer

Markedsførere på tvers av bransjer kan dra nytte av innholdsanbefalingsplattformer på flere måter. Noen viktige brukstilfeller inkluderer:

• Netthandel-personalisering: Innholdsanbefalingsmotorer kan brukes til å kryss-selge nært beslektede produkter eller mersalg til besøkende på en mer premium versjon av produktet. Shopify anbefaler for eksempel ofte komplementære produkter for å øke gjennomsnittlig ordrev erdi.
• Innholdsmarkedsføring: For blogger hjelper innholdsanbefalingsmotorer med å holde leserne engasjerte ved å foreslå mer innhold som samsvarer med interessene deres, noe som resulterer i lengre sesjonstider og (ideelt sett) flere konverteringer.
• Videomarkedsføring: Hvis du bruker videoinnhold for å engasjere målgruppen din, kan en anbefalingsmotor hjelpe med å vise frem relaterte videoer for å holde seerne på nettstedet ditt lenger og fordype engasjementet med merkevaren din. Tenk på hvordan Netflix holder deg til å se lenger enn planlagt med sine «fordi du så…»-forslag. 
• E-postmarkedsføring: Personaliserte tilbud eller innholdsanbefalinger i e-postkampanjer kan øke klikkratene og drive mer trafikk til nettstedet ditt.  
• Abonnementstjenester: Abonnementsbaserte apper som Spotify, eller strømmingstjenester som Netflix, gjør en veldig god jobb med å bruke innholdsanbefalinger for å holde kundene engasjerte og hindre at de sier opp. Det er også en gevinst for kunden – ikke mer endeløs scrolling for å finne noe de liker.

Fremtiden for innholdsanbefalingsmotorer

Med tiden vil innholdsanbefalingsmotorer bare bli smartere – og kraftigere. Jo mer du kan levere hyperpersonalisert innhold, desto mer vil målgruppen din engasjere seg med merkevaren din, og hjelpe deg med å bygge dypere kundeforbindelser og øke konverteringene.