De har 90 sekunder: De vil så gerne have, at du bliver lidt længere

Mellem 60 og 90 sekunder. Så længe har Netflix til at nå det, tjenesten kalder moment of truth: Sandhedens øjeblik, hvor du finder en serie eller en film, du gider at se.

Skal du bruge længere tid på at klikke rundt mellem »House of Cards«, »Rita« og streamingtjenestens tusindvis af titler, opgiver du statistisk set, skriver Netflix' algoritmikere i en aktuel rapport. Og den slags er dyrt, fordi det får folk til at droppe deres abonnement.

Derfor forsøger Netflix konstant at regne ud, hvad de 65 mio. abonnenter hver især gerne vil se. Og det system af algoritmer, der trækker på de massive mængder data om brugerne og indholdet for at generere lister med »Fordi du så...« og »Populært lige nu«, er ifølge tjenesten selv ca. 1 mia. dollar værd om året.

Netflix er sammen med Amazon blandt pionererne inden for de såkaldte anbefalings-algoritmer som »Fordi du har købt x, vil du måske også købe Y« eller »Kunder, der har købt x, har også købt y«. Men personaliserede forslag og websider er nu et uundværligt og afgørende element hos de fleste webshops, streaming-tjenester og medier, der står på tæer for at få dig til at blive lidt længere, købe lidt mere, læse lidt mere.

»Det handler om at gøre som den gode købmand i Matador, der kender sine kunder,« siger Lars Hedal, adm. direktør i Hesehus, der rådgiver en række store virksomheder om e-handel, »Når man kommer ind i Skjerns butik, står de klar og præsenterer varer, som de ved, at kunderne kunne være interesserede i.«

Forskellen er, at denne digitale, algoritmestyrede kundeservice skal bladre mellem titusindvis - hvis ikke hundredtusindvis - af varer og millioner af kunder. Og at det ikke må tage mange splitsekunder at omdanne de mange informationer til anbefalinger.

Gode algoritmer kan øge salget, og en vækst på 10 - 15 pct. er ikke unormalt, siger Lars Hedal, hvis firma bl.a. har Matas, Wupti og Inspiration på kundelisten.

Lidt forsimplet kan algoritmerne bruge to typer data. Når du bestiller en bog i en webshop, kan man se på de kunder, der har købt samme bog: Hvad har de ellers købt? Hvornår? Hvad har de klikket på uden at købe? Det kaldes collaborative filtering, altså en kollektivt-genereret filter. Men man kan også forsøge at matche selve bogen med andre bøger: Hvilke har samme plot? Samme udgiver? Samme forfatter?

De fleste anbefalingsalgoritmer er stykket sammen af begge dele - og mange flere bidder. Netflix skeler også til tid på døgnet, dag i ugen, om du ser på mobil eller computer, hvad andre ser lige akkurat nu, for bare at nævne et par. Elementer, som Netflix' omfattende tests har vist bærer betydning. Andre virksomheder vil typisk tilføje andre faktorer som prisklasser, geografi og så videre.

»De fleste anbefalingssystemer er baseret på en standardalgoritme, en hyldevare, der kan håndtere sammenlignelige kunders adfærdsmønstre. Typisk skal den masseres og justeres lidt, så den passer til den bestemte sektor eller kundegruppe,« siger Anders Kofod-Petersen, vicedirektør hos Alexandra Instituttet, hvor han også leder instituttets data science and engineering lab.

»Det er en eksperimentel videnskab: Man bruger sin kundedata til at bygge en model, men så vil man konstant teste den og se, om alternative algoritmer er bedre. Den vil blive styrket, jo mere den bruges - jo større datagrundlag den har,« siger han.

De fleste algoritmer er nemlig bygget, så de bliver bedre med tiden efterhånden som de får mere og mere data at læne sig op ad.

Hos Coop.dk, der er blandt Danmarks største webshops, gør man sig også anstrengelser for at udvælge de helt rigtige af butikkens omtrent 20.000 varenumre.

»Det handler om ikke at spilde sine kunders tid. Så vi prøver at sikre, at de varer, vi stiller frem i et lillebitte udstillingsvindue, er de mest relevante,« siger Signe Trock Hilstrøm, chef for Coop.dk.

Coop har derfor det seneste par år samarbejdet amerikanske Richrelevance, der er grundlagt af David Selinger, som i sin tid stod for at opbygge Amazons anbefalingssystemer.

Hvad det samarbejde har kastet af sig i øget salg, har Coop endnu ikke nok data til at udtale sig om, siger hun. Men hun lægger ikke skjul på, at Coop investerer penge i systemet.

»Vi bruger et relativt pænt beløb på at arbejde med et af de bedste systemer, der findes. Vi har valgt at arbejde med Richrelevance, og på toppen af det arbejder vi med at forfine algoritmerne til vores kunder,« siger hun.

Coop.dk har den fordel, at man ikke blot kan trække på viden om kundernes onlinehandel, men også på de data, der samles op, når medlemmerne køber ind i de fysiske butikker.

I fremtiden vil e-handlerne blive skarpere til at bruge data, gennemskue deres kunder og personalisere deres sites. Ikke mindst fordi forbrugerne med tiden vil forvente en mere relevant tjeneste og blive tilsvarende mere utålmodige over for tilbud om stavblendere, når de er på udkig efter kaffemaskiner, siger Lars Hedal.