Den som ansvarar för relevans i en e-handelsmiljö känner igen mönstret. Rekommendationer faller ofta tillbaka på två välkända utgångspunkter: vad en enskild besökare tidigare har gjort, eller vad som säljer bra generellt.
Båda angreppssätten är logiska, men också begränsade. Individuellt beteende är ofta sparsamt eller fortfarande under utveckling. Popularitet säger lite om personliga preferenser. I praktiken leder det till rekommendationer som antingen är för smala eller för generella.
Resultatet är att många rekommendationsblock inte når sin fulla potential. De bekräftar det någon redan vet, men hjälper i för liten utsträckning till att upptäcka det som fortfarande är okänt.
Personalisering baserad på individuellt beteende är värdefull, men inte fullständig. Särskilt i den tidiga fasen av en session finns det helt enkelt för lite kontext. En besökare tittar på några produkter, jämför alternativ och håller fortfarande på att utforska.
I den fasen säger beteendet främst något om riktning, men ännu inte om preferens. Någon som tittar på flera sportskor kan fortfarande ha olika intentioner: löpning, vardagsanvändning eller träning.
Dessutom är beteende inte alltid linjärt. Besökare orienterar sig brett, klickar tillbaka och jämför kategorier. Om rekommendationer enbart följer det individuella spåret missar de en viktig del av helheten.
Nästa steg inom personalisering ligger inte i fler regler eller finare segmentering. Den typen av lösningar fastnar snabbt i komplexitet och underhåll.
Förskjutningen ligger i att använda mönster i stor skala. Inte att titta på en enskild besökare, utan på grupper av besökare med liknande beteende.
Köp- och surfbeteende är nämligen sällan helt unikt. I större datamängder uppstår mönster: kombinationer av produkter som ofta visas tillsammans, vägar som oftare leder till köp och preferenser som återkommer inom grupper med liknande intentioner.
Detta är kärnan i kollektiv intelligens. Inte att lära av enskilda signaler, utan av beteendemässig överlappning. Därmed går personalisering från reaktiv till mer prediktiv: inte bara reagera på vad någon gör, utan också förutse vad som sannolikt blir relevant.
Ur detta synsätt växer ett annat sätt att rekommendera fram.
Det skapar en tredje typ av rekommendation vid sidan av de välkända formerna:
Skillnaden ligger inte bara i datakällan, utan i typen av insikt. Där de två första formerna främst reagerar på det som redan händer, tillför kollektivt beteende ett bredare, lärande lager.
Anta att en besökare tittar på flera sportskor inom en viss prisklass och stil. Baserat på individuellt beteende håller sig systemet nära det urvalet. Baserat på popularitet visas främst de mest sålda modellerna.
Men när man tittar på vad liknande besökare gör uppstår en annan bild. Det kan visa sig att många av dessa besökare till slut väljer en specifik modell som ligger strax utanför det ursprungliga urvalet. Eller att de ofta lägger till en viss typ av strumpor eller tillbehör i sitt köp.
Det är samband som inte kan utläsas från en enda session, men väl från beteendet hos en större grupp.
Genom att använda dessa mönster blir rekommendationer mindre beroende av vad någon redan uttryckligen har visat, och mer baserade på vad som visar sig relevant i liknande situationer.
Värdet av detta angreppssätt ligger först och främst i relevans. Rekommendationer passar bättre med besökarens fas och riktning.
Men effekten går längre än så. Eftersom systemet känner igen samband utanför det direkta beteendet hjälper det också till med discovery. Besökare hittar snabbare produkter som de ännu inte själva aktivt har hittat.
Detta kan leda till en mer naturlig form av cross-sell och en smidigare beslutsprocess. Inte för att mer visas, utan för att det som visas bättre matchar det underliggande behovet.
Det är viktigt att se detta som en möjlig effekt, inte ett garanterat resultat. Effekten beror alltid på sortiment, trafik och implementation. Men riktningen är tydlig: bättre signaler leder till mer relevanta val.
Kollektivt beteende ersätter inte andra former av personalisering. Det tillför ett extra lager.
Individuellt beteende förblir avgörande för förfining. Kontextuella rekommendationer fortsätter att vara värdefulla på en specifik sida eller inom en kategori.
People Like You kompletterar detta med insikter som annars skulle förbli osynliga. Det lyfter fram mönster som inte direkt kan utläsas från en användare eller en kontext.
Det är just i kombinationen som en mer robust form av personalisering uppstår. Ett system som inte lutar sig mot en enda typ av signal, utan sammanför flera perspektiv.
People Like You minskar beroendet av manuell personalisering. I stället för att sätta upp och underhålla regler lär sig systemet av beteendemönster. Det gör det möjligt att förbättra relevans utan ökad komplexitet.
Dessutom blir personalisering mer skalbar. Mer data leder till starkare mönster, vilket gör att rekommendationer bättre matchar olika intentioner och faser i processen.
Samtidigt uppstår en gemensam och mer konkret bild av vad besökare faktiskt gör. Team arbetar mindre utifrån antaganden och mer utifrån bevisade mönster. Det leder till skarpare beslut, kortare diskussioner och mer träffsäker optimering.
