Forskare från Erasmus University publicerade en ny uppsats i Journal of Marketing som utforskar rekommendationer online och deras effektivitet, ge marknadsförare verktyg för att maximera detta viktiga engagemangsverktyg.

Studien, som kommer i novembernumret av Journal of Marketing , har titeln "Att göra rekommendationer mer effektiva genom ramar:påverkan av användare-mot objektbaserade ramar på rekommendationsklick"-och är författad av Phyliss Jia Gai och Anne-Kathrin Klesse.

Algoritmbaserade rekommendationer finns överallt. Tänk dig att du bläddrar i nyhetsartiklar på The New York Times webbplats. Du ser en bit i avsnittet "Vetenskap", tycker det är intressant, klicka på rubriken, och börja läsa. När du är klar med artikeln, webbsidan genererar automatiskt andra artikelrekommendationer för dig så att du utökar ditt engagemang med plattformens innehåll. Rekommendationerna är märkta med tagline:"More in Science, "avsnittet du redan har läst.

Medan de flesta företag ger förklaringar till varför kunder får rekommendationer, de skiljer sig åt i de specifika strategier de antar. Vissa företag, som ovannämnda The New York Times, betona att rekommendationerna är objektbaserade:Det vill säga, de är baserade på vanliga attribut för produkter (t.ex. "More in Science" av The New York Times, och "Liknar [vad du har lyssnat på]" av Spotify). I kontrast, andra företag lyfter fram att deras rekommendationer är användarbaserade genom att fokusera på överlappningen i kundernas preferenser (t.ex. "Kunder som tittade på detta objekt tittade också på ..." av Amazon och "Kunder tittade också ..." av Netflix). Viktigt, företag kan förklara samma rekommendation som antingen objektbaserat eller användarbaserat, eftersom dagens rekommendatorsystem ofta använder en hybridmetod som tar hänsyn till både vanliga attribut mellan produkter och gemensamma preferenser hos kunder.

Studien undersöker vilken av de två förklaringarna (nedan kallade artikelbaserade och användarbaserade ramar) som är mer effektiva för att utlösa klick på en rekommendation. Forskargruppen föreslår att objektbaserade och användarbaserade ramar skiljer sig åt när det gäller den information de ger kunderna om hur en rekommendation görs. Båda inramningarna berättar för kunderna att rekommendationen är baserad på en produktmatchning av brännpunkten som kunder har visat intresse för den rekommenderade artikeln:Artikelbaserad inramning matchar produkter efter deras attribut, Användarbaserad inramning matchar produkter från deras konsumenter. Kritiskt, användarbaserad inramning föreslår också för kunderna att rekommendationen är baserad på smakmatchning bland användare som delade intresse för brännpunkten. Genom att tillhandahålla information om smakmatchning utöver produktmatchning, användarbaserad inramning fungerar som en slags "dubbelgaranti" för kunder som gillar den rekommenderade produkten.

För att testa om användarbaserad inramning överträffar objektbaserad inramning när det gäller rekommendationsklickningar, forskarna genomförde två fältstudier inom WeChat, den bästa appen för sociala medier i Kina. De samarbetade med ett medieföretag som publicerar populärvetenskapliga artiklar och sammanfattningar av akademisk forskning om WeChat och inbäddade ett par rekommendationer i slutet av varje dags fokusartikel. En artikel rekommenderades med användarbaserad inramning och den andra med objektbaserad inramning. Gai förklarar att "I båda studierna har användarbaserad inramning ökade klickfrekvensen för rekommenderade artiklar jämfört med artikelbaserad inramning. På frågan om deras förståelse av de två ramarna, prenumeranter svarade att de ser att båda föreslår produktmatchning som grund för rekommendationer, men den användarbaserade inramningen signalerar också smakmatchning. Detta bekräftar att användarbaserad inramning ger ytterligare information. "

"Dock, kunder ser inte alltid smakmatchning som framgångsrik "tillägger Klesse." När smakmatchning upplevs som felaktig, användarbaserad inramning är inte längre mer fördelaktig än artikelbaserad inramning eller blir till och med ofördelaktig. "En kritisk faktor som bidrar till den upplevda framgången med smakmatchning är hur mycket erfarenhet kunder redan samlat inom en konsumtionsdomän. Mer erfarna individer tenderar att se deras egen smak som egenartad. Som ett resultat, det är svårare för dem att tro att deras smak kan matchas exakt med andras smak baserat på ett enda fokusobjekt. En annan kritisk faktor är förekomsten av andra användares profiler. Företag visar ibland informationen från andra användare som är intresserade av rekommendationen, men denna information slår tillbaka när den indikerar för kunderna att de skiljer sig från andra användare. Olikheter, som ålder och kön, få folk att dra slutsatsen att deras smak skiljer sig från andra användare och leder till att kunder undviker de användarbaserade rekommendationerna.

Dessa nya fynd har relevans för företag som använder produktrekommendationer. Forskningen tyder på att förklaringen har betydelse för varför kunder ser en rekommendation. Viktigt, att anpassa förklaringen till en rekommendation kommer med nästan noll kostnad och, Således, utgör ett effektivt verktyg som kan hjälpa företag att maximera avkastningen på rekommendatorsystem. Viktigt, studien belyser situationer där användarbaserad inramning är mer effektiv än objektbaserad inramning och i vilka situationer det blir ofördelaktigt. Genom att utnyttja dessa fynd, chefer kan skräddarsy utformningen av sina rekommendationer för olika kunder och produkter och därigenom öka klickfrekvensen.