Het digitale klanttraject analyseren: een nieuw kader voor sequentiële gedragsmodellering

Waarom uw klikken in gezondheidsapps ertoe doen

Elke tik, veeg en open scherm in een gezondheidsapp vertelt stilletjes een verhaal over wat u probeert te doen—een arts boeken, labuitslagen bekijken of een bericht lezen. Wanneer miljoenen mensen zulke apps gebruiken, stapelen die verhalen zich op tot enorme, verwarde gegevensverzamelingen die nauwelijks met het blote oog te lezen zijn. Dit artikel introduceert een nieuwe manier om die gegevens te ontwarren, zodat zorgverleners de belangrijkste routes kunnen zien die mensen nemen, kunnen ontdekken waar ze vastlopen en hun digitale diensten kunnen herontwerpen zodat ze vloeiender, veiliger en minder frustrerend worden.

Van klikchaos naar heldere trajecten

De auteurs richten zich op het “digitale klanttraject”, dat wil zeggen de opeenvolging van stappen die iemand doorloopt bij het gebruik van een website of mobiele app om een taak te voltooien. In drukbezochte online diensten—zoals e‑commerce, bankieren of gezondheidszorg—kunnen er talloze mogelijke paden zijn, wat leidt tot wat ontwerpers een “spaghettimodel” noemen: een rommelige, overlappende kaart van klikken die niemand kan interpreteren. De studie pakt dit probleem aan met gegevens uit de mobiele app van een grote Israëlische zorgorganisatie, waar ongeveer 120.000 gebruikers dagelijks ruwweg 5,5 miljoen events genereerden. Het doel is deze complexiteit terug te brengen tot een klein aantal typische trajecten die toch de essentie behouden van hoe mensen zich daadwerkelijk door de app bewegen.

Algoritmen leren veelvoorkomende taken herkennen

Het eerste deel van het kader behandelt elke gebruikerssessie—één bezoek aan de app van inloggen tot uitloggen—alsof het een kort document is opgebouwd uit “woorden”, waarbij elk woord een actie is, zoals het openen van een scherm of het indrukken van een knop. Een techniek genaamd topicmodellen, oorspronkelijk ontwikkeld om thema’s in grote tekstverzamelingen te vinden, wordt gebruikt om sessies te groeperen die vergelijkbare acties delen. In gewone bewoordingen leert het algoritme dat sommige sessies voornamelijk gaan over het plannen van een afspraak, andere over het controleren van testresultaten en weer andere over het berichten van een arts. Een geavanceerdere versie kan deze thema’s zelfs in een boom ordenen, met brede onderwerpen bovenaan (bijvoorbeeld “artsinteracties”) die zich opsplitsen in specifiekere onderwerpen (zoals “recept aanvragen” of “berichten van de arts lezen”).

De stappen volgen, niet alleen tellen

Weten welke acties vaak samen voorkomen is slechts de helft van het verhaal; wat echt telt is de volgorde waarin ze plaatsvinden. In het tweede deel van het kader zoomen de auteurs in op elke groep sessies en modelleren ze de stap‑voor‑stap stroom met behulp van Markov-ketens, een eenvoudige wiskundige methode om te schatten hoe waarschijnlijk het is dat de ene actie op de andere volgt. Dit maakt het mogelijk om de meest typische paden binnen elk type traject te benadrukken en te zien welke klikken vaak rechtstreeks naar een doodlopende weg leiden, zoals een technische fout of een voortijdig beëindigde sessie. Door te vergelijken hoe topicmodellen en het stap‑voor‑stapmodel sessies aan groepen toewijzen, kan de methode ook “ambiguë” trajecten signaleren waar gebruikers meerdere taken lijken te mixen—bruikbare aanwijzingen dat het app‑ontwerp mogelijk niet overeenkomt met hoe mensen echt denken.

Concrete problemen onthuld in een gezondheidsapp

Toepassing van dit kader op de gezondheidsapp bracht concrete ontwerpproblemen aan het licht die moeilijk handmatig te ontdekken zouden zijn. In één afspraakgerelateerd traject eindigde het meest voorkomende reële pad met een foutmelding in plaats van het verwachte bevestigingsscherm, wat een technische fout bij de laatste stap van het proces onthulde. In een ander geval klikten gebruikers die labuitslagen controleerden vaak op een knop die bedoeld was om een testnaam uit te leggen; in plaats van informatie binnen de app te tonen, stuurde die knop hen naar een externe website, waarna veel gebruikers hun sessie eenvoudigweg beëindigden. De analyse toonde ook hoe verschillende leeftijdsgroepen dezelfde functie verschillend gebruiken—for example jongere gebruikers die vaker afspraken plannen namens familieleden—wat mogelijkheden suggereert om ervaringen voor specifieke segmenten aan te passen.

Wat dit betekent voor dagelijkse gebruikers

Voor niet‑experts is de kernboodschap dat zorgvuldige analyse van klikniveaugegevens verder kan gaan dan mooie diagrammen en daadwerkelijk precies kan aanwijzen welke schermen en stappen verwarring, tijdsverspilling of afgebroken taken veroorzaken. Door twee complementaire instrumenten te combineren—één die de belangrijkste soorten trajecten vindt en één die de meest waarschijnlijke actie‑voor‑actie paden volgt—biedt het kader zorgorganisaties een praktische manier om hun apps te verbeteren, fouten te verminderen en mensen te ondersteunen bij het voltooien van cruciale taken online. Dezelfde aanpak kan worden gebruikt in winkelplatforms, bankieren en leeromgevingen, waardoor digitale diensten intuïtiever en betrouwbaarder worden zonder dat gebruikers meer hoeven te doen dan wat ze al doen: de app gebruiken.

Bronvermelding: Bar-El, L., Chalutz-BenGal, H., Gazit, S. et al. Analyzing the digital customer journey: a novel framework for sequential behavior modeling. Sci Rep 16, 14553 (2026). https://doi.org/10.1038/s41598-026-43762-8

Trefwoorden: digitaal klanttraject, zorgapps, gebruikersgedrag, evenementenloganalyse, sequentiële modellering