De kracht van gerelateerde en aanbevolen content

Gerelateerde en aanbevolen content zijn de manier om bezoekers vast te houden op je website en nieuwe bezoekers te veranderen in terugkomende fans. In dit artikel lees je hoe dit komt, wat het nut ervan is en hoe je dit het meest effectief kunt toepassen in je contentstrategie.

Jongtalent button‘You might also like…’. ‘Customers who bought this also bought …’. Het zijn kreten die we allemaal wel eens hebben gezien op sites en webwinkels. Er bestaan handige tools die de lezer hier automatisch aanbevolen en/of gerelateerde content kan aanbieden. Daarnaast spelen sociale netwerken een steeds grotere rol en zien we hier veel van terug op websites. Zo kom je bijvoorbeeld regelmatig de profielfoto’s van je Facebookvrienden tegen tijdens het surfen. Weer een website die een aantal vrienden van je ook leuk vinden. Een slimme tool, want aanbevelingen van vrienden zijn misschien wel krachtiger dan aanbevelingen van een website. Hoe werken deze tools en waarom zouden we hier allemaal, het liefst gecombineerd, gebruik van moeten maken?

Aanbevelingen: automatisch of van vrienden?

Rashmi Sinha en Kristen Swearingen onderzochten het verschil tussen geautomatiseerde aanbevelingen en aanbevelingen van vrienden. Recommendation engines bootsen immers een sociaal proces na (Sinha & Swearingen, 2001, 1), maar is dit wel succesvol? Uit hun onderzoek kwam naar voren dat gebruikers tevreden zijn met de geautomatiseerde aanbevelingen. De tools geven inderdaad relevante gerelateerde aanbevelingen. Toch hebben de gebruikers voorkeur voor aanbevelingen die van hun vrienden afkomstig zijn (5).

Sinds dit onderzoek uit 2001 zijn de algoritmes van dergelijke aanbevelingssystemen verder ontwikkeld. Eerder werden aanbevelingen gebaseerd op historische data (klassiek); tegenwoordig wordt het realtime geanalyseerd en passen aanbevelingen zich aan naar het browse-gedrag van de gebruiker (adaptief) (Paprotny, 2013, 2). De voordelen van deze systemen somt Alexander Paprotny, IT consultant, als volgt op: “higher quality, fewer statistical conditions required, immediate adaption to a changed environment and no storage of historical data necessary.” (27). Aanbevelingssystemen krijgen dus op meerdere gebieden meer waarde: zowel praktisch als technisch. De klassieke methode wordt echter niet volledig verworpen: klassiek en adaptief vullen elkaar aan. Zonder historische data moet het systeem immers telkens opnieuw beginnen met analyses en berekeningen (30).

Wat we uit dit alles leren is dat aanbevelingen een zeer interessant effect hebben op lezers. Daarnaast zijn de kwaliteit en de algoritmes van de tools de laatste jaren steeds verder ontwikkeld. Hierdoor zijn websites nu steeds beter in staat zijn om te voorspellen waar de lezer in geïnteresseerd is en wat voor de lezer relevante content is. In combinatie met het sociale element van social media widgets die we steeds meer tegenkomen, zijn deze tools een must geworden voor iedere website.

Gerelateerd of aanbevolen: wat is het verschil?

1 Customers who viewed this itemHet lijkt misschien erg veel op elkaar, maar er bestaat wel een verschil tussen gerelateerde content en aanbevolen content. Heb je zojuist online een artikel gelezen over protestacties van Greenpeace? En is die website uitgerust met een recommendation engine? De website herkent dat jij een artikel over Greenpeace hebt gelezen en begrijpt daardoor dat jij geïnteresseerd bent in dit onderwerp (Lerner, 2012, 5). De tool doet vervolgens op een vooraf geprogrammeerde plek (meestal onderaan het artikel of in de zijbalk) een aantal aanbevelingen van andere artikelen die dezelfde onderwerpstag hebben. Een lijst met gerelateerde content wordt op een soortgelijke wijze gegenereerd. Een related content tool kan artikelen tonen van hetzelfde onderwerp, maar kijkt ook naar eventuele afbeeldingen of videocontent die uitgerust zijn met eenzelfde onderwerpstag (idem).

Om dit verder te verduidelijken vul ik de uitleg van Lerner aan. De recommendation engine baseert de aanbevelingen op jouw totale bezoek aan de website. Met behulp van cookies kan de tool zelfs onthouden wat je tijdens eerdere bezoeken interessant vond om te lezen. Heb jij naast het Greenpeace-artikel ook iets gelezen over psychische stoornissen, dan zullen artikelen over beide onderwerpen verschijnen in de aanbevolen artikelen. Immers liggen je interesses blijkbaar bij allebei deze onderwerpen. De aanbevelingen zijn dus sterk gepersonaliseerd en worden gegenereerd vanuit de lezer. Gerelateerde content daarentegen kijkt niet naar het gedrag van de lezer, maar naar de metadata die de schrijver aan het artikel heeft gegeven. De getoonde artikelen gaan in het voorbeeld van Greenpeace alleen over artikelen die dezelfde tags, categorieën en eventueel overeenkomsten in titel bevatten. De gerelateerde content is geautomatiseerd en is blind voor de andere artikelen en tags die de lezer eerder heeft geraadpleegd.

Omdat beide tools in principe aanbevelingen doen om verder te lezen op de website, zal ik voor het gemak in het vervolg spreken van aanbevelingen of aanbevolen content, en niet van gerelateerde content.

Het nut van aanbevelen

Het trekken van (nieuwe) bezoekers is één. Nu moeten die bezoekers nog terugkomen en gemotiveerd worden om een tijdje op de website te blijven. In de taal van de webstatistieken: de bounce-rate moet worden verlaagd en de gemiddelde bezoekduur en paginaweergaven moeten worden verhoogd. Shareaholic, een van de bekendste social media plugins, weet het in duidelijkere taal te zeggen: “turn casual readers into raving fans” (Shareaholic, 2014).

Shareaholic staat bekend om de mogelijkheid om artikelen en pagina’s te delen via alle denkbare sociale media. Daarnaast heeft deze plugin een recommendations optie. Shareaholic heeft een groot aantal gebruikers en vraagt hen bij installatie of zij statistieken van hun website mogen gebruiken om de kracht van de plugin te kunnen onderzoeken. Hierdoor hebben de makers van de plugin een kennisbank aan artikelen en datarapporten kunnen opbouwen, die zij op hun eigen blog publiceren. Een citaat van hen dat aangeeft waarom je je bezoekers meer van je content wilt laten lezen is de volgende:

The more pages readers view and time they spend on your blog, the more likely they are to become dedicated fans of your content. (Shareaholic, 2014)

Een nuttige stap dus, om aanbevelingen te tonen op je website om je bezoekers te sturen naar andere content die voor hen relevant is. Het is een manier om bezoekers vast te houden op je website en nieuwe bezoekers te veranderen in terugkerende klanten. Een lezer klikt immers niet voor niets op een artikel. Het kan de titel, de samenvatting, misschien wel de afbeelding zijn geweest die de lezer heeft overgehaald om de content te lezen. Wat het ook was, het artikel heeft de lezer geboeid. Door aanbevelingen te tonen, het liefst ook weer met afbeelding, titel en eventueel korte introductie, leid je je lezers naar soortgelijke content die de lezer waarschijnlijk ook interesseert. Volgens Shareaholic leidt dit er dus toe dat de lezer ‘fan’ wordt van je content en daarom terug zal komen naar je website voor nog meer content.

Het effect van de tools

Emily Thorson onderzocht hoe recommendation engines in staat zijn om patronen in nieuwsconsumptie te veranderen (Thorson, 2008, 473). Achtergrond hiervoor zijn opgemerkte verschillen tussen online en offline consumptie van nieuws van de New York Times: lezers van de papieren krant lezen voornamelijk nationaal en internationaal nieuws, maar online lezers gaan meer af op eigen interesses (474). Thorson concludeert dat dit verschil ligt bij het aanbieden van de content in een bepaald format. Nieuws dat door redacties als belangrijk wordt gezien, wordt op de voorpagina van de krant geplaatst. Online bevat de homepage van de New Yorkse krant recommendation engines in de vorm van widgets zoals ‘most e-mailed’ en ‘most viewed’. Gevolg is dat de lezers en niet een journalistenredactie bepalen welke content het meest prominent in beeld is.

Gerelateerde en aanbevolen content komt dus niet alleen voor op artikelpagina’s, maar kunnen ook ingezet worden op andere plaatsen op een website. Het hoeft niet alleen te worden gepresenteerd als ‘interessant voor jou’, maar bijvoorbeeld ook ‘dit vonden anderen interessant’ en ‘hier wordt veel op gereageerd’. Dit soort aanbevelingen kun je zelf instellen, maar kunnen ook gepersonaliseerd worden ingezet. Meer voorbeelden zijn meest gelezen artikelen met een bepaalde tag, willekeurige artikelen, artikelen binnen een bepaalde categorie. Op basis van je zelf bepaalde doelgroep of op geanalyseerde statistieken kun je aanbevelingstools inzetten en samen met je lezers bepalen welke artikelen het meest waardevol zijn.

Mensen blijken voorkeur te hebben voor aanbevelingen van vrienden. Widgets die een selectie aan veel gelezen artikelen tonen zijn dus een slimme zet. Een website waarbij goed nagedacht is over doelgroepen en categorisering van content, heeft idealiter bezoekers met bepaalde interesses en wensen die bevredigd worden met de content van de website. De artikelen die zij kiezen om verder te lezen, komen terecht in de widgets aangestuurd door de recommendation engine en bevelen die artikelen zo automatisch andere bezoekers aan. Hoewel je hier niet direct spreekt van vrienden, zijn het wel mensen met soortgelijke interesses. Maar wees niet teleurgesteld, want er zijn ook tools beschikbaar die dit gat kunnen opvullen. Combineer simpelweg je aanbevelingstools met sociale media.

Combineren van aanbevelingstools met sociale media

2 you might also likeMensen hebben voorkeur voor aanbevelingen die komen van vrienden en bekenden. Widgets en tools die verwijzen naar je sociale netwerk kunnen dus een goede aanvulling zijn op je aanbevolen content. Een voorbeeld van een tool die hierop inspeelt is de Facebook Recommendations Bar. Het is een recommendation engine die je bij een artikel kan laten verschijnen. De artikelen die in dit venster worden getoond zijn dus gebaseerd op het leesgedrag van de lezer en noemen daarbij de Facebookvrienden die het aanbevolen artikel ook leuk vinden. Op deze manier koppel je de gepersonaliseerde aanbevelingstools met het sociale proces dat volgens onderzoek de voorkeur heeft.

Aanbevolen/gerelateerde content en contentstrategie

Aanbevelingen leiden natuurlijk pas tot enthousiaste lezers als de aanbevelingen inderdaad waardevol en relevant zijn voor de lezer. Hoe zorg je dat aanbevolen content goed aansluit op die interesses en doelgroepen? Het antwoord ligt grotendeels bij twee elementen in je contentstrategie: metadata en de taxonomie.

Erin Kissane schreef in 2011 een boek over de belangrijke (basis)elementen van een contentstrategie. Het eerste basisprincipe van contentstrategie is volgens Kissane het schrijven van geschikte content. Alleen geschikte content is volgens haar goede content (Kissane, 2011, 4), en dat betekent dat de content die wordt geplaatst moet aansluiten bij de gebruiker, het bedrijf en de context. Oftewel: de content moet relevant zijn.

Goede content voor de gebruiker, het bedrijf en de context gaat echter niet enkel om doel(groep)gericht schrijven. Het moet ook rekening houden met de structuur van een website en met metadata voor SEO. Binnen welke categorieën gaat de website content aanbieden? En meer specifiek voor artikelen: welke (deel)onderwerpen komen er aan bod? Welke tags moet de post dan krijgen? Laura Lerner, senior manager voor contentstrategie bij SapientNitro, legt in een document de samenhang en het belang uit van metadata, contentmodellen en taxonomie op een website. Een korte samenvatting hiervan: Metadata is informatie over je data. Het gaat om gestructureerde informatie die het gemakkelijker maakt om content goed te kunnen beheren en vinden (Lerner, 2012, 1). Een contentmodel zorgt ervoor dat die metadata op een goede manier wordt gespecificeerd en gebruikt (Lerner, 2012, 2). Een taxonomie is een lijst met termen die de content beschrijven op een hiërarchische wijze (Lerner, 2012, 4). Deze drie elementen samengenomen zorgen, mits juist ingezet, voor een goede vindbaarheid, zowel buiten als binnen een website. De website doet het niet alleen goed in zoekmachines zoals Google, maar geeft de lezer ook de mogelijkheid om optimaal gebruik te maken van de interne zoekfunctie.

Op dezelfde manier krijg je pas relevante aanbevelingen als je artikelen en de bijbehorende informatie goed vindbaar zijn voor related content en recommendation tools. Bedenk het maar eens: je plaatst een artikel zonder het te positioneren binnen een categorie en onderwerp. Hoe kan de tool dan weten welke artikelen van soortgelijke waarde zijn en welke gebruiker erin geïnteresseerd kan zijn?

Het is erg belangrijk om rekening te houden met metadata en taxonomie in je contentstrategie. Maak categorieën en subcategorieën aan en denk goed na welke content onder welke categorie(ën) valt. Wijs tags toe aan de post om de bezoeker (en je aanbevelingstools!) onderwerpsgericht te laten zoeken. Schrijf titels die goed weergeven waar de content om gaat. De boodschap is duidelijk: zorg voor een goed georganiseerde hiërarchie en verdeling van je artikelen. Zowel je lezer als je aanbevelingstools hebben hier baat bij. En vergeet ook niet jezelf, want wie wil zijn bezoekers nu niet op een meer permanente basis aan zijn website en bedrijf binden?

Literatuur

  • Kissane, E. (2011). The elements of content strategy. New York: A Book Apart.
  • Lerner, L. (2012). Metadata, content models, and taxonomies: Strategies for smart content management. [van Sapient Global Markets]
  • Paprotny, A. (2013). Realtime data mining: Self-learning techniques for recommendation engines. Switzerland: Springer International Publishing.
  • Shareaholic. (2014). The definitive guide to related content: How to turn casual readers into raving fans. [e-book]
  • Sinha, R. and Swearingen, K. (2001). Comparing recommendations made by online systems and friends. Unpublished manuscript, University of California, USA.
  • Thorson, E. (2008). Changing patterns of news consumption and participation: News recommendation engines. Information, Communication & Society, 11(4), 473-489.

Jong talent

Dit artikel is geschreven door Indira Gerards, studente communicatie- en informatiewetenschappen aan de Universiteit Utrecht

Over de auteur: Jong talent

Studenten van het Practicum Nieuwe Media van de Universiteit Utrecht werkten voor Presenter aan een praktijkopdracht. Een onderdeel was het schrijven van een uitgebreid artikel over ontwikkelingen in online communicatie. Wij geven ze graag de ruimte om hun ‘longreads’ te publiceren onder de naam 'Jong talent'.

Tags: recommendation engine, metadata, taxonomie, gerelateerde content, aanbevolen content