Je opent TikTok. Vijf minuten later zit je nog steeds te kijken, alleen is het nu 23:47 en je weet niet precies hoe je hier beland bent. Een video over koken, dan iets met honden, dan een sketch die je twee keer opnieuw afgespeeld hebt. Niemand heeft je dat aanbevolen. Of toch wel?
Aanbevelingsalgoritmes zijn de stille architecten van onze entertainmentervaring. Ze werken op de achtergrond, zeggen niks, en weten toch precies wat je wil zien, horen of spelen, vaak voordat jij dat zelf door hebt.
De basislogica: jij bent je gedrag
Het begint met een simpel gegeven: wat jij doet, telt meer dan wat jij zegt. Je kunt een serie één ster geven op Netflix, maar als je hem in één weekend uitgekeken hebt, weet het systeem genoeg.
Dit principe heet impliciete feedback, en het is de kurk waarop bijna elk groot platform drijft. Platforms als Instaspin casino werken op hetzelfde idee: het systeem registreert welke spellen je aanklikt, hoe lang je speelt en op welk punt je afhaakt, en past de aanbevelingen daar stilletjes op aan.
Bij Netflix kijkt het algoritme niet alleen wát je bekijkt, maar ook hoe snel je op “volgende aflevering” klikt, of je terugspoelt, en of je halverwege afhaakt. Samen vertellen die signalen een verhaal dat accurater is dan welke vragenlijst dan ook. TikTok gaat nog een stap verder. Elke sessie genereert tientallen datapunten, omdat de video’s zo kort zijn. In de tijd dat Netflix één film registreert, heeft TikTok al twintig interacties verwerkt.
Drie methoden die bijna elk platform gebruikt
De technische basis verschilt minder dan je denkt. Of je nu praat over een streamingdienst, een spellenplatform of een muziekapp, overal komen dezelfde drie technieken terug.
Collaborative filtering zoekt naar gebruikers die op jou lijken en gebruikt hun gedrag als voorspeller. Als jij en iemand anders allebei fan zijn van dezelfde vijf dingen, is de kans groot dat wat díe persoon verder leuk vindt, ook voor jou werkt. Content-based filtering kijkt naar de eigenschappen van de content zelf. Spotify analyseert een nummer op tempo, toonhoogte en instrumentatie. Hybride modellen combineren beide aanpakken, en dat is inmiddels de standaard. Netflix bouwde in 2006 zelfs een publieke competitie waarbij een miljoen dollar te verdienen was voor iedereen die het aanbevelingssysteem met 10 procent kon verbeteren. Die wedstrijd stuwde de ontwikkeling van machine learning enorm vooruit.
TikTok: het meest extreme geval
TikTok verdient een aparte paragraaf, want het systeem is anders ingebouwd dan bij de concurrenten. Instagram en YouTube begonnen als platforms rondom mensen die je al volgde. TikTok begon meteen met een algoritme dat content toont op basis van wat het systeem voorspelt dat jij wil zien, ongeacht wie het gemaakt heeft.
Het platform gebruikt ook beeld- en geluidsherkenning. Niet alleen het onderwerp van een video telt, maar ook de muziek erin, de belichting, de snelheid van het beeldmateriaal. Het resultaat is die bekende konijnenhol-ervaring: je kijkt een paar video’s over kamerplanten en voor je het weet bestaat je hele For You Page uit terracotta potten en bewateringsschema’s.
Wat het systeem wél en niet kan
Aanbevelingssystemen zijn goed in patronen herhalen en matig in vernieuwen. Als jij drie weken lang dezelfde soort muziek streamt, wordt Spotify steeds enger accuraat, en steeds enger eenzijdig. De platforms zijn zich hiervan bewust en bouwen bewust wat willekeur in. Spotify’s Discover Weekly, die elke maandag een nieuwe mix geeft, is deels bedoeld om de bubbel te doorbreken. Werkt dat altijd? Absoluut niet.
Toch doen de systemen iets wat handmatig onmogelijk is. Spotify heeft ruim 100 miljoen nummers in zijn bibliotheek. Zonder algoritmes zou ontdekking puur op toeval berusten. De drie dingen waar aanbevelingssystemen echt goed in zijn:
- Schaalbare ontdekking: relevante content uit bibliotheken die te groot zijn om handmatig te doorzoeken
- Contextuele aanpassing: rekening houden met tijdstip, apparaat en locatie bij het bepalen wat te tonen
- Continue verbetering: hoe meer je gebruikt, hoe beter de aanbevelingen worden, zonder extra moeite van jouw kant
Van muziek naar games: het algoritme trekt door
Videogameplatforms passen dezelfde techniek toe om te bepalen welke games je als volgende te zien krijgt. Zelfs thumbnails op Netflix zijn gepersonaliseerd: twee mensen die hetzelfde programma zoeken, zien mogelijk een andere omslagfoto, afgestemd op het type content dat hen eerder deed klikken.
In de iGaming-sector is personalisatie een van de snelst groeiende technologische trends van 2025. Systemen analyseren speelpatronen en sessieduur om relevante games voor te stellen, vergelijkbaar met hoe Netflix een nieuwe serie aanbeveelt op basis van eerder kijkgedrag.
Hoe meer het systeem weet, hoe kleiner de kans dat je toevallig iets nieuws ontdekt. Of je dat een probleem vindt, hangt af van of je meer houdt van verrassingen of van gemak. De meeste mensen kiezen voor gemak. En dat is precies waarom deze systemen zo goed werken.
