Wat is Collaborative Filtering?

Hoe werkt het eigenlijk?

Stel je voor dat je in een boekwinkel staat en niet weet welk boek je moet kiezen. De verkoper zegt: "Mensen die dezelfde boeken kochten als jij, vonden dit ook geweldig." Dat is collaborative filtering in een notendop.

Het systeem verzamelt geen informatie over de inhoud van producten — het kijkt puur naar patronen in gedrag. Als jij en ik allebei van dezelfde tien films houden, en ik heb ook film nummer elf leuk gevonden, dan is de kans groot dat jij die ook leuk vindt. Het algoritme hoeft niets te weten over genres, acteurs of verhaallijnen.

Er zijn twee hoofdvarianten:

• User-based: het systeem zoekt gebruikers die op jou lijken en kijkt wat zij nog meer leuk vonden

• Item-based: het systeem zoekt items die vaak samen worden gekozen ("mensen die dit kochten, kochten ook dat")

Bij beide varianten draait alles om correlaties — patronen die zich herhalen. Het systeem leert niet waarom je iets leuk vindt, alleen dat er een statistisch verband bestaat tussen jouw keuzes en die van anderen.

Waarom zou jij hier iets aan hebben?

Collaborative filtering is overal waar gepersonaliseerde aanbevelingen worden gedaan. Het is de techniek achter "Klanten kochten ook" op webshops, afspeellijsten op muziekdiensten, en vriendschapssuggesties op sociale media.

Het voordeel: je hoeft als bedrijf niet handmatig alle eigenschappen van je producten te coderen. Het systeem ontdekt zelf patronen in gebruikersgedrag. Dat maakt het schaalbaar — ook voor nieuwe producten waar nog weinig over bekend is, zolang er maar gebruikers zijn die ermee interacteren.

Het nadeel: het zogenaamde "koude start-probleem". Nieuwe gebruikers die nog niets hebben aangeklikt of gekocht, krijgen geen goede aanbevelingen omdat er nog geen vergelijkingsmateriaal is. Hetzelfde geldt voor nieuwe producten waar nog niemand mee heeft geïnterageerd.

Een voorbeeld uit de praktijk

Netflix gebruikt collaborative filtering al sinds het begin. Wanneer duizenden kijkers die Stranger Things keken ook Dark gingen kijken, registreert het systeem die overlap. Als jij Stranger Things kijkt, krijg jij Dark voorgeschoteld — niet omdat het systeem weet dat beide series science fiction zijn, maar omdat de kijkpatronen dat verband laten zien.

Hetzelfde mechanisme zie je bij Spotify: als luisteraars van een bepaalde artiest massaal naar een andere artiest skipperen, ontstaat er een onzichtbaar verband. Jouw "Discover Weekly" bestaat grotendeels uit nummers die mensen met jouw luistergeschiedenis ook ontdekten.

Waar kom je het tegen?

Je komt collaborative filtering tegen bij vrijwel elk platform met aanbevelingen:

• Streamingdiensten zoals Netflix, Spotify, YouTube, Disney+

• Webshops zoals Amazon, Bol.com, Coolblue ("anderen kochten ook")

• Sociale media als Facebook, LinkedIn, Instagram (vrienden- en contentaanbevelingen)

• Nieuwsplatforms die artikelen voorstellen op basis van wat vergelijkbare lezers lazen

Veel systemen combineren collaborative filtering met andere technieken (zoals content-based filtering, waarbij wél naar eigenschappen van producten wordt gekeken) om het beste resultaat te krijgen.

Wat kun je er nu mee?

Als je een platform runt met gebruikers die keuzes maken — of dat nu producten, content of connecties zijn — kun je collaborative filtering inzetten om relevante aanbevelingen te doen zonder dat je elk item handmatig moet labelen. Let wel op privacy: het systeem heeft gedragsdata nodig, dus transparantie over wat je verzamelt en hoe je het gebruikt is essentieel.

Voor gebruikers is het goed om te weten: die "voor jou geselecteerd"-lijsten zijn geen magie, maar patronen uit gedrag van anderen. Dat verklaart ook waarom je soms vreemde aanbevelingen krijgt — het systeem ziet correlaties die voor mensen niet logisch aanvoelen.