Personaliseren of niet – gebruikersonderzoek bij Funda

Hoe kunnen we de user experience van een gebruiker verrijken door personalisatie? Hiervoor wordt gebruikt gemaakt van aanbevelingen op websites, maar dat gaat niet altijd even gemakkelijk. Het verschilt of een websitebezoeker een boek of een huis online wil aanschaffen. Moeten aanbevelingen dan uniek zijn voor elke bezoeker? Of kunnen we bepaalde lifestyles gebruiken om aanbevelingen te geven? Voor dit gebruikersonderzoek namen we een kijkje in de keuken van Funda.

Aanbevelingen geven

Het basisdoel bij het bouwen van websites is het tonen van producten of diensten van het bedrijf. Veel websites zijn hierin al geslaagd. Nu de populariteit van veel websites toeneemt en mensen met hogere verwachtingspatronen sites bezoeken, wordt het tijd voor een geavanceerdere dienstverlening. Zo zien we dat websites steeds meer (persoonlijke) producten/diensten aan de gebruikers willen aanbieden. In plaats van passief klikgedrag totdat gebruikers het gewenste product/dienst gevonden hebben, worden er steeds meer manieren gezocht om gebruikers te accommoderen in het zoekgedrag. Hiermee hopen ze de user experience te verbeteren om daarmee extra inkomsten te genereren door bijvoorbeeld bezoekers, die reeds met de intentie om iets te kopen op de website zijn gekomen, ook nog andere aanbevelingen te doen.

Bij grotere websites zoals Bol.com, Amazon en IMDB, wordt het aanbod gepersonaliseerd door het geven van aanbevelingen. Personalisatie door middel van aanbevelingen lijkt een succesvol middel voor deze websites. Zo succesvol dat bijvoorbeeld Netflix (online videodienst in de VS) een prijs van $1.000.000 beschikbaar stelde voor het beste algoritme voor aanbevelingen. We zien dat verschillende soorten mensen die andere levensstijlen hebben, wel bijvoorbeeld hetzelfde boek leuk kunnen vinden.

Geredeneerd vanuit 1 individu zijn de prijzen van de producten op deze sites vaak relatief laag ten opzichte van bijvoorbeeld de aankoop van een huis. De impact van de consequenties bij het opvolgen van een aanbeveling is dan ook minimaal. Aanbevelingen die geen 100% match vormen met de gebruiker zijn derhalve minder een probleem. Hier is het dus ook acceptabel om de marge voor fouten wat groter te laten zijn. In dit geval gaat het om het kopen van een huis. Hierdoor is de precisie van de aanbeveling van cruciaal belang voor gebruikers. De vraag die in dit onderzoek naar voren wordt gebracht, is:  hoe kunnen we een recommendation module weergeven op websites als het om een grotere investering gaat – zoals het kopen van een huis? Dat is de vraag als het gaat om het geven van aanbevelingen op huizenwebsites, zoals Funda.

Welk huis past bij jou?

Aanbevelingen geven is nog geen bestaande dienst op huizenwebsites zoals Jaap, Zuka en zelfs huizenwebsites in andere landen zoals Trulia bevatten een dergelijke module nog niet. Dit komt omdat de implementatie hiervan vrij complex is.

Zo kan je je voorstellen dat het wel mogelijk is dat 2 dezelfde gebruikers hetzelfde huis leuk vinden, maar vaak is smaak nogal uniek. Nu is het bij het kopen van een huis wel belangrijk dat de aanbeveling die gegeven wordt goed en correct is, omdat de impact ook groter is bij gebruikers. Men zal bij grote aankopen niet blij zijn met slechte aanbevelingen en naar alle waarschijnlijkheid sneller geïrriteerd zijn als aanbevelingen niet aansluiten bij hun wensen. Vanuit de literatuur kunnen 4 verschillende methoden voor aanbevelingen gehaald worden:

• content-based – het matchen van producten is gebaseerd op inhoudelijke gelijkenis (bijvoorbeeld, ranking, categorie, etc.);
• collaborative – het matchen van producten is gebaseerd op gelijkenissen tussen gebruikers (zoals de gebruikte query of de gebruikers interactiegeschiedenis);
• rule-based – het matchen van producten is gebaseerd op externe kennis waarmee een gebruikersprofiel opgesteld kan worden (bijvoorbeeld een romantisch film aanbevelen als de gebruiker een vrouw is tussen de 18 en 35 jaar);
• hybrid – het matchen van producten is gebaseerd op een combinatie van content-based en collaborative recommendations (bijvoorbeeld door de gebruiker zijn eigen interactiegeschiedenis te laten aanpassen naar zijn voorkeuren).

Bij dit onderzoek werd gekeken naar het geven van een toepasselijk aanbeveling die uniek was voor elke woningzoekende die op Funda kwam. Voor het experiment waren er 2 condities gemaakt:

1. aanbevelingen op basis van de gegevens van geregistreerde gebruikers (”Mijn funda” profielen);
2. aanbevelingen op basis van leefstijlen.

Conditie 1: Huizen matchen

Als eerste is er een wiskundige berekening gemaakt voor het geven van de aanbevelingen. Dit is uitgevoerd met behulp van de ”Mijn funda” profielen, waarbij gebruikers al van tevoren hun voorkeuren voor huizen hebben bewaard samen met huizen die ze interessant vinden. Op basis van de karakteristieken van deze huizen, is uit de bestaande huizendatabase gezocht naar soortgelijke huizen. De karakteristieken die gebruikt zijn om de gelijkenissen te testen zijn voortgekomen uit expert knowledge. Daarbij zijn er interviews gehouden met experts, waaronder makelaars, woningzoekenden en verkopers.

Zo is gebleken dat karakteristieken zoals prijs en locatie heel erg belangrijk zijn bij het kiezen van een huis. Aan de hand van bepaalde karakteristieken is een algoritme gebruikt om de huizen met elkaar te vergelijken en dit is gebaseerd op Pearson’s correlatie en het nearest neighbour algoritme. De proefpersonen (”Mijn funda” gebruikers) moesten uit een lijst van huizen de top 3 huizen aanwijzen en rangschikken. Hierna werd hun keuze getoond naast onze aanbevelingen en moesten ze beoordelen of daar verschillen in zaten en zo ja, waar.

Conditie 2: Lifestyle bepalen

De 2e variant van het experiment richtte zich op de gebruikers van Funda die geen ”Mijn funda” profiel hadden. Deze gebruikers hebben geen bewaarde huizen of zoekopdracht. Er is verder geen andere informatie van deze gebruikers waarmee hun voorkeur voor huizen vastgesteld kan worden. Aan de hand van de ACORN classificatie en andere theorieën werd daarom voor deze groep gebruikers een 5-tal lifestyles gemaakt.

Bij het classificeren van de lifestyles werd naast algemene karakteristieken van een persoon ook rekening gehouden met het soort huizen die binnen een bepaalde lifestyle pasten. De participanten van de lifestyle variant, kreeg 5 beschrijvingen van de 5 lifestyles en moest daarbij de lifestyle kiezen die het beste bij ze paste. Aan de hand van de gekozen lifestyle kregen deze participanten een lijst van huizen te zien, behorend bij de door hun gekozen lifestyle. Net als ”Mijn funda” proefpersonen moesten zij ook hun top 3 huizen aanwijzen en rangschikken, waarna ze de overeenkomsten/verschillen met onze aanbevelingen moesten aangeven.

De juiste aanbeveling?

Alle participanten kregen aan het eind van het experiment nog een vragenlijst om in te vullen. Over het algemeen wordt het geven van aanbevelingen gewaardeerd door de gebruikers. De proefpersonen die aangaven liever geen aanbevelingen te ontvangen, gaven als reden op zelf de gewenste huizen te willen zoeken zodat ze niets over het hoofd zouden zien. Sommige participanten waren ook sceptisch over automatisch gegenereerde aanbevelingen, vooral omdat ze vonden dat deze mogelijk incorrect of bevoordeeld konden zijn.

Naast deze algemene conclusie, kunnen we ten aanzien van de verschillen tussen de aanbevelingen van de 2 condities het volgende zeggen: met name de ”Mijn funda” proefpersonen (conditie 1) vonden deze aanbevelingen goed aansluiten bij hun wensen. Dit in tegenstelling tot de lifestyle participanten (conditie 2). Vooral de aanbevelingen op basis van de ”Mijn funda” profielen bleken dus te leiden tot een verbetering van de personalisatie van de website en daarmee een verrijking te zijn voor de user experience.

Tips/trucks en de toekomst

De volgende tips zouden we willen meegeven:

• Het is belangrijk bij het geven van aanbevelingen, dat je weet wie je doelgroep is. Het viel op bij de lifestyle variant dat sommige proefpersonen het moeilijk vonden om 1 van de lifestyles te kiezen. Natuurlijk werden de lifestyles ingedeeld zodat iedereen wel ergens binnen een lifestyle zou passen, maar als de eindgebruiker dat gevoel niet heeft, dan zal hij/zij de aanbevelingen ook minder waarderen.
• Let ook op dat als je met profielen werkt, zoals de ”Mijn funda” profielen, dat deze ook goed up-to-date gehouden moeten worden door de gebruikers. Anders ontvangen ze ook aanbevelingen die helemaal niet meer passen bij hun wensen.
• Voor dit onderzoek is rekening gehouden met vooral kwantificeerbare karakteristieken van huizen (prijs, locatie, etc.). De toekomst van aanbevelingen zou nog een stap verder moeten gaan en daarbij rekening moeten houden met karakteristieken zoals ambiance, uitstraling, etc.