Kan AI een oplossing bieden voor de keuzestress op platforms met veel inhoud?

Inleiding

Aanbevelingssystemen verminderen het aantal keuzes dat iemand moet maken, en de gegevens wijzen erop dat dit voor een platform meer waard is dan de meeste mensen denken. Of dit ten koste gaat van het toevallig ontdekken van iets nieuws, is een aparte vraag, die ook niet zo eenvoudig te beantwoorden is.

Streamingapps vragen veel van een dinsdagavond. Open er een, en je moet rijen met thumbnails doorklikken voordat je iets tegenkomt dat de moeite waard is om te bekijken – ervan uitgaande dat je überhaupt iets tegenkomt. Veel mensen vinden niets. Banners wisselen elkaar af, steeds weer duiken dezelfde paar titels op, en op een gegeven moment kan het sluiten van de app aanvoelen als de weg van de minste weerstand. Casinosites zoals Vegas Stars casino nz lopen vanuit een andere invalshoek tegen een soortgelijk probleem aan: een nieuwe gebruiker logt in en ziet honderden onbekende speltegels zonder dat er een voor de hand liggende plek is om te beginnen. Onderzoekers hebben hier een tijdje geleden een naam voor bedacht, ‘keuzestress’, en platforms beschouwen het als een soort omzetprobleem.

De werkelijke waarde van een aanbevelingsengine

Vervang de aanbevelingsengine van Netflix door een eenvoudige populariteitsranglijst, en de betrokkenheid daalt met 12%, volgens een SSRN-werkdocument uit november 2025 van een groep economen die aan het bedrijf verbonden zijn (drie van de auteurs van het document werken rechtstreeks bij Netflix). Probeer in plaats daarvan een matrixfactorisatiemodel, een stapje terug ten opzichte van volledige personalisatie, en de daling is kleiner: 4%. Vermenigvuldigd met een abonneebestand van honderden miljoenen, komt dat verschil neer op miljarden kijkuren, en geld dat uiteindelijk op de een of andere manier terug te zien is in de verlengingscijfers.

Klaus Wertenbroch is er niet helemaal van overtuigd dat personalisatie zonder meer een goede zaak is. Hij doceert marketing aan INSEAD en is medeauteur van een paper waarin wordt betwijfeld in hoeverre mensen überhaupt waarde hechten aan algoritmische keuzes. „Mijn coauteurs en ik waarschuwen consumenten voor een te grote afhankelijkheid van AI-algoritmen bij het maken van dergelijke keuzes“, merkte Wertenbroch in het artikel op, in een poging mensen aan te zetten tot nadenken over vooringenomenheid. Hij zei dat hij hoopte dat aanbevelingen zouden worden gezien voor wat ze zijn: niet als officiële goedkeuring, maar gewoon als advies.

Dit houdt verband met de populariteitsvertekening. Wanneer al voldoende accounts naar een programma kijken, kan dit voor het model een signaal zijn om dat programma aan anderen aan te bevelen (het is veiliger om een bestaande hit aan te bevelen dan iets onbekends), met als gevolg dat het kleine publiek in de daaropvolgende rondes afneemt en uiteindelijk uit het zicht verdwijnt voor degenen die niet actief op zoek zijn naar een bepaalde titel. Economen verwijzen naar het ‘de rijken worden rijker’-effect om dit proces te verklaren. Dit heeft gevolgen voor de indexering door zoekmachines en feeds op sociale media – overal waar algoritmen impliciet populariteit gebruiken als maatstaf voor het beoordelen van kwaliteit.

Netflix en INSEAD kwamen uiteindelijk tot dezelfde conclusie, maar volgden verschillende wegen om daar te komen. Hoewel ze te maken hadden met totaal verschillende gegevens uit verschillende sectoren, ontdekten ze dat de onderliggende reden waarom gebruikers blijven, meestal dezelfde is. Groeiende bibliotheken die de kwaliteit van het bestaande aanbod niet verbeteren, hebben de neiging om rommel te verzamelen en worden inefficiënt in het aantrekken van nieuwe gebruikers of het behouden van bestaande gebruikers.

Algoritmen zijn slecht in ‘gelukkige toevalligheden’

Klikgeschiedenis, verblijftijd op de pagina en zoektermen vormen de basis van de meeste zoekmachines. Ze vertrouwen op die digitale sporen om je meer te tonen van wat je al hebt bekeken of gespeeld. Vanuit het oogpunt van ontwerpintentie is dat logisch. Maar aan de andere kant bestaat de kans dat je dit specifieke soort suggestie nooit te zien krijgt. De reden hiervoor is enigszins subtiel: er is namelijk nooit enige interesse in gebleken, omdat je er nooit mee in aanraking bent gekomen. Vroeger, voordat aanbevelingssystemen en AI hun intrede deden, was er ‘mond-tot-mondreclame’. Wanneer je broer of zus je een mixtape gaf met slechts een paar nummers erop, en je plotseling een heel nieuw subgenre ontdekte zonder er ooit naar op zoek te zijn geweest.

Type inhoud	Standaardbetrokkenheid	Gecureerde betrokkenheid	Belangrijkste observatie
Brede aantrekkingskracht	Al hoog	Verandert nauwelijks	Alleen al door hun populariteit worden deze titels gevonden
Middenklasse catalogus	Verborgen, gemakkelijk over het hoofd te zien	Stijgt merkbaar	Curatie loont hier specifiek
Niche-titels	Bijna onzichtbaar	Stijgt een beetje	Zelfs goede targeting heeft zijn grenzen

Pure data heeft moeite om die onverwachte, leuke keuzes uit zichzelf naar boven te halen. Een site als Vegas Stars beheert een uitgebreide catalogus vol kaartspellen, slots met hoge volatiliteit en live dealers die de klok rond actief zijn. Het vereist uiteraard enige organisatie om zo’n bibliotheek in te richten. Het machine learning-algoritme zorgt voor de onderliggende wiskunde, terwijl slim UX-/productontwerp de taak voltooit. Als iemand een nieuw account aanmaakt zonder enige eerdere ervaring, doen AI en goede inhoudscategorieën hun werk. Door het platform op deze manier in te richten, wordt ervoor gezorgd dat het spelaanbod niet rommelig wordt.

Een goede selectie maakt een groot verschil

Bezoekers die Vegas Stars voor het eerst bezoeken, krijgen zo’n 200 afzonderlijke speltegels te zien, zonder dat er op dat moment nog een klikgeschiedenis is opgebouwd. Veel oudere aanbevelingssystemen gaan op een verouderde manier om met dat lege startpunt, vooral omdat niemand ze met dat scenario in gedachten heeft gebouwd. Sommige hergebruiken uiteindelijk steeds weer dezelfde handvol genres, totdat alles op het scherm in elkaar begint te vloeien. Betere systemen doen wat meer moeite: ze houden bij wat een speler al leuk vindt en voegen dan af en toe een titel toe die buiten dat patroon valt, gewoon om te zien wat aanslaat.

• Klikken en sessieduur zeggen meer over een speler dan welke enquête dan ook.
• Duizenden accounts worden met elkaar vergeleken via collaboratieve filtering, op zoek naar overlappingen in wat er is gespeeld of overgeslagen.
• Volatiliteit en spelmechanismen worden rechtstreeks uit de spelbestanden gelezen, zodat stijlovereenkomsten op gegevens zijn gebaseerd, niet op giswerk.
• Ook een stemmingsverandering halverwege een sessie wordt opgemerkt, iets wat een statisch profiel simpelweg zou missen.

Technici hebben een naam voor dat beginscenario, een nieuw account waar nog niets van bekend is: het cold-start-probleem. Sommige systemen pakken dit aan door nieuwe accounts standaard te koppelen aan wat algemeen populair is, totdat er genoeg gedragsgegevens zijn verzameld om goed te kunnen personaliseren. Andere stellen in plaats daarvan een paar onboarding-vragen, waarbij ze een iets omslachtiger aanmeldingsproces inruilen voor een voorsprong bij het matchen. Geen van beide oplossingen is perfect, maar beide zijn beter dan willekeurig 200 tegels te tonen en te hopen dat er iets aanslaat.

Twee technieken doen het grootste deel van het daadwerkelijke sorteren wanneer je alles begint te bekijken. Ten eerste stelt collaboratieve filtering een gelijkenisscore vast tussen één account en duizenden andere door de titels te vergelijken waarop is geklikt, die zijn afgespeeld of zelfs ‘gezamenlijk zijn overgeslagen’. Content-based tagging slaat die vergelijking over en leest in plaats daarvan de metadata van elke titel – volatiliteitsindex, thema, uitbetalingstabel – en vergelijkt die kenmerken vervolgens met wat een account eerder heeft geprefereerd (de twee technieken worden vaak naast elkaar toegepast in plaats van dat de ene de andere vervangt). Beide methoden besparen iemand de moeite om daar te zitten en elke catalogus met de hand door te spitten.

Als je het uitpluist, doorloopt het ongeveer vijf stappen, die allemaal vrij eenvoudig zijn:

1. Sessiegegevens, categorievoorkeuren en oversla-patronen worden in het model ingevoerd voordat er een rangschikking plaatsvindt.
2. Individuele profielen worden gekoppeld aan titels die verband houden met de daadwerkelijke klikgeschiedenis, niet alleen aan wat in het algemeen populair is.
3. Rangschik het goed. Het grootste deel van de betrokkenheid bij een raster op de startpagina vindt plaats in de eerste paar rijen, wat mede de reden is waarom de rangschikkingsvolgorde zwaarder weegt dan de grootte van de lijst eronder.
4. Nieuwe klikken, overslaan en voltooide sessies worden weer verwerkt als extra trainingsgegevens.
5. Nieuwe releases en veranderingen in het gedrag van spelers worden binnen enkele minuten verwerkt, in plaats van te wachten op een geplande update.

Hoe betere curatie eruitziet bij Vegas Stars

Mobiele sessies vormen het grootste deel van het verkeer op een site als Vegas Stars, en dat verandert wat curatie daadwerkelijk voor de gebruiker moet doen. Op een kleiner scherm is er ruimte voor misschien zes of acht zichtbare tegels voordat iemand moet scrollen, dus wat er in die eerste zichtbare rij staat, heeft een buitenproportionele invloed, vergelijkbaar met het ‘homepage-raster-effect’ waar het onderzoek van Netflix op wijst. Als die eerste rij verkeerd is samengesteld, ziet een speler de rest van de bibliotheek nooit, hoe goed de onderliggende matching ook is.

Dan zijn er nog de live dealer-tafelspellen, die een geheel nieuwe laag van complexiteit toevoegen. Stel dat je een blackjacktafel hebt met drie vrije plaatsen en een gebruiker die graag wil meespelen; je moet hen binnen milliseconden met elkaar verbinden, niet binnen seconden die je kwijt bent aan het doorzoeken van een afsprakenkalender. Je kunt niet zomaar op ‘afspelen’ drukken bij een herhaling zodra de plaats bezet is. Timing is hier van cruciaal belang, in tegenstelling tot een on-demand videobibliotheek, want zodra die live-tafel vol is, is de kans voor de speler voorbij. Het is net als een multiplayer-lobby in Call of Duty of een ander teamspel dat je op PlayStation en Xbox vindt.

De snelheid van uitbetalingen speelt ook enigszins indirect een rol bij het ontdekken van het platform. Spelers die geld overmaken via crypto of e-wallets doorlopen sessies doorgaans sneller dan iemand die dagenlang op een bankoverschrijving moet wachten, waardoor een aanbevelingsengine per bezoek minder tijd heeft om iets te leren voordat dat account naar een ander platform afdwaalt. Sneller binnenkomend geld betekent doorgaans een sneller oordeel over de vraag of de lobby daadwerkelijk voor die speler heeft gewerkt.

Om dit voor elkaar te krijgen is echte technische expertise nodig. Het vereist snelle, responsieve backend-systemen in combinatie met een lay-out die is afgestemd op waar de aandacht van de speler daadwerkelijk naartoe gaat.

Disclaimer: Gokken is een vorm van entertainment en brengt inherente risico’s met zich mee. Het mag niet worden gezien als een bron van inkomsten of een financiële strategie. Zet alleen in wat je je kunt veroorloven te verliezen, stel strikte limieten in en zoek hulp als gokken je beïnvloedt. Deelname is voorbehouden aan volwassenen van 18 jaar en ouder. Gok altijd verantwoord.