Choose Colour style

recommendation engine


È uno degli strumenti dell’Intelligenza Artificiale che in questo momento fa più paura, per vari motivi che approfondiremo in questo articolo.

È uno strumento che aiuta noi utenti a compiere delle decisioni…

Ma che per aiutarci ha bisogno di sapere come le prendiamo.

Come avrai letto dal titolo, stiamo parlando dei Recommendation Engine, altrimenti tradotti in “motori di raccomandazione”.

Forse hai già capito di che cosa si tratta – perché li avrai visti bazzicando su Internet – ma vediamo di preciso di che cosa si tratta.


I Recommendation Engine sono sistemi che suggeriscono all’utente prodotti, servizi e informazioni basandosi sull’analisi dei dati.

Sono strumenti basati sull’Intelligenza Artificiale, utilizzati a scopi tipicamente commerciali.

Dal punto di vista del cliente, aumentano la Customer Experience, quindi il valore dell’esperienza percepita quando un cliente acquista.

Mentre dal punto di vista aziendale, cioè dell’imprenditore, gli permettono di vendere di più.

Facciamo un paragone con la vita reale.

Un Recommendation Engine è come un cameriere che conosce già il nostro stile di vita e i nostri gusti.

Di conseguenza, anzichè farci perdere tempo a sfogliare il menù, ci dà dei suggerimenti e ci propone una panoramica di piatti che secondo lui ci possono piacere di più.

È chiaro che questo elemento aumenta il valore percepito dell’esperienza.


Chi ha davvero bisogno dei Recommendation Engine?

In un mondo che sta scoppiando di prodotti, un motore di raccomandazione rappresenta un metodo efficiente affinché le aziende possano offrire ai propri clienti soluzioni sempre più personalizzate.

E allo stesso modo, come nell’esempio del cameriere, possono ridurre i tempi di decisione degli utenti nel selezionare i prodotti più adatti a loro.

Nel momento in cui ci troviamo, qualsiasi acquisto su Internet dovrebbe essere caratterizzato da questo modo di ragionare.

E in alcune situazioni, è già una realtà.

Avrai visto anche tu, per fare degli esempi:

  • i video correlati di YouTube che vengono consigliati in base a ciò che guardi più frequentemente,
  • i film o le serie TV consigliate da Netflix, basati su ciò che hai visto,
  • i classici consigli di Amazon, basati sui tuoi acquisiti precedenti.

Già adesso noi compiamo azioni, mentre un motore le registra e ci fa delle proposte coerenti.

Potremmo andare avanti per parecchio con una serie di esempi che conosciamo…

Ma bisogna sottolineare che conosciamo solo queste tipologie di Recommendation Engine.

Per capirci, YouTube, Amazon e Netflix sono multinazionali multimiliardarie e con prodotti a non finire.

Amazon ha prodotti fisici distribuiti in tutto il mondo, YouTube ha miliardi di video che vengono caricati ogni mese, Netflix ha un parco titoli sterminato…

Stiamo ragionando su aziende molto grandi, i veri re del mondo digitale.

Ragionando invece su aziende più piccole e che magari vengono pochi prodotti, quali possono essere i benefici di installare un Recommendation Engine in azienda?

Nel concreto, con un motore di raccomandazione (se fatto bene), gli utenti sono più soddisfatti.

Sostanzialmente il motore fa aumentare i volumi di vendita e quindi i profitti.

Se applicato al marketing, riduce i costi di acquisizione del cliente, ne aumenta il lifetime value e così via…

Prendendo l’esempio di Netflix, il software cerca di ridurre la scelta in un parco titoli sterminato, in modo da offrirti i film e le serie TV che potrebbero interessarti con più probabilità.

Questo chiaramente fa risparmiare tempo e offre una User Experience migliore.

E alcuni e-commerce si dimenticano quanto sia importante far risparmiare tempo ai propri clienti…

Per fare un esempio, molti portali non hanno dei buoni motori di raccomandazione.

Di solito ti perdi in una macedonia di articoli che il portale ti propone.

Ora, si potrebbe lavorare sul portale per migliorare e ottimizzare i filtri di ricerca…

Ma questa cosa la fanno in pochissimi.

Purtroppo troviamo ancora dei portali dove, se non metti esattamente la parola scritta così come corrisponde l’articolo, non riesci a trovare quello che cerchi.

E quindi ogni volta che si arriva sul portale nuovo, tocca perdere un sacco di tempo nel trovare i prodotti giusti.

È evidente che se ci fosse dietro un Recommendation Engine, che un po’ alla volta riconosce i tuoi stili di vita e quali sono i prodotti che acquisto abitualmente, ti potrebbe mostrare i nutrienti che con più probabilità ti servono.

La conseguenza di non avere un Recommendation Engine è, oltre a far perdere tempo agli utenti, che quest’ultimi possono ricevere consigli sbagliati!

Per fare una battuta, è inutile che un sistema mi mostri la crema anticellulite se devo comprare delle proteine per sportivi!

Quindi, per arrivare al punto…

Un Recommendation Engine fondamentalmente può essere applicato in qualsiasi e-commerce.

La cosa migliore sarebbe comunque avere un e-commerce che parte già con un Recommendation Engine installato.

In questo modo il motore inizia a conoscere (e riconoscere) l’utente fin dai primi acquisti.


Il caso ideale di un Recommendation Engine applicato ad un e-commerce

Torniamo un attimo nel mondo delle piccole aziende con e-commerce.

Le aziende più favorite dai Recommendation Engine chiaramente sono le aziende che hanno tanti prodotti.

Se per esempio hai solo 3 prodotti, mostri quelli senza tanti consigli.

Ma se inizi ad avere qualche decina di prodotti, oppure delle varianti su uno stesso prodotto, è già più interessante.

Infatti, chi ha un e-commerce di solito ha tanti prodotti e quindi ha bisogno di un motore di raccomandazione.

Il caso ideale sarebbe, per esempio, una farmacia.

Ogni cliente di una farmacia ha delle specifiche esigenze, quando deve fare un acquisto online.

C’è lo sportivo, la mamma, l’anziano…

È evidente che tutti questi soggetti, se ad un certo punto atterrano su un e-commerce dove c’è un Recommendation Engine che migliora l’esperienza d’acquisto, prima o poi acquisteranno.

Nel migliore dei casi, tornano anche ad acquistare!

Il problema è che in questo momento gli e-commerce italiani sono molto indietro…

Hanno degli strumenti che in qualche modo tengono traccia delle categorie, ma non ci sono dietro degli algoritmi di deep learning che tengono conto del comportamento di acquisto della persona.

Se gli e-commerce installassero dei Recommendation Engine, si creerebbe la cosiddetta win-win situation.

Migliorerebbe l’esperienza d’acquisto dell’utente, ridurrebbe il tempo di decisione, si sentirebbe più seguito nell’acquisto…

L’azienda, dall’altra parte, aumenterebbe le vendite.

In poche parole, se un e-commerce italiano decidesse di installare un sistema di Recommendation Engine, avrebbe un netto vantaggio sulla concorrenza.


Come viene creato un Recommendation Engine?

Prima di tutto si parte da creare algoritmi di analisi predittiva basandosi sui dati di vendita disponibili, che siano aziende o e-commerce.

Di solito si fa riferimento ai dati già raccolti da Google Analytics (che gli e-commerce già hanno installato).

Sostanzialmente si cerca di capire, in base ai dati che abbiamo, chi compra cosa.

Da lì si costruisce il Recommendation Engine, che prende i dati degli utenti che stanno navigando in modo da incrociarli con i flussi di vendita.

Quello che il modello fa è riconoscere i comportamenti ‘espliciti’ dell’utente, quindi il clic, la ricerca, il movimento del cursore sul sito, l’utilizzo dei filtri, etc.

Poi riconosce anche i comportamenti ‘impliciti‘, quindi il momento in cui l’utente si sofferma a leggere un testo, un’immagine…

Tutte queste sono le interazioni che ha l’utente con il portale web che possono essere sintetizzati con dei dati che vengono poi dati in input all’intelligenza artificiale.

Facciamo un esempio pratico.

Nel momento in cui un utente appassionato del colore blu atterra su un sito, il modello riconosce questa preferenza dalle prime fasi di interazione col portale.

Il modello quindi ‘profila’ l’utente come persona interessata al colore blu.

E quindi, il sistema può proporgli dei prodotti legati a quella preferenza.

Certo, il recupero delle informazioni poi è una questione un po’ spinosa perché ha a che fare con la privacy.

Il timore più grande è che il Recommendation Engine si appropri di dati privati, appunto…

Ma in realtà all’Intelligenza Artificiale non interessa sapere se l’utente si chiama Federico o Jonni.

Un utente interessato ai prodotti di colore blu viene ‘profilato’ in un gruppo di utenti con quella preferenza.

Di fatto il modello non recupera informazioni che riguardano la singola persona.

Ogni utente viene profilato su un gruppo di comportamento molto più ampio per questioni di rapidità.

Un e-commerce come Amazon, avendo molti prodotti e molti utenti, può spingersi ad avere gruppi di profilazione sempre più piccoli.

Nel momento in cui abbiamo un e-commerce con un numero limitato di prodotti e di clienti, rimanere su gruppi ampi aiuta a velocizzare la risposta di reazione del sito e a minimizzare la quantità di dati per partire il prima possibile.


Quanto tempo può volerci perché il Recommendation Engine sia funzionante al 99%?

Tutto dipende da quanti utenti frequentano il sito.

Si può partire da un modello di comportamento già creato, con una persona che atterra sul sito e segue un determinato flusso per giungere all’acquisto.

Poi, per raffinare il modello, abbiamo tempi più corti rispetto alla Manutenzione Predittiva.

Il feedback in tempo reale con un Recommendation Engine è molto vario ed è immediato, quindi la raccolta dei dati è molto più veloce.

Mentre per raffinare un modello di Manutenzione Predittiva dobbiamo cercare un possibile evento specifico nel tempo, come il guasto, per esempio.

Nel caso di un Recommendation Engine gli eventi sono costanti e monitorati.

Per facilitare ancora di più il lavoro, si possono acquistare dei profili che si possono adattare velocemente – quindi non si parte sempre da zero.

Nel migliore dei casi, se il profilo dell’acquirente è esattamente ciò che serve all’e-commerce, si parte anche da subito.

Se invece è il sito che non rispetta determinate linee guida, allora la situazione si complica.

Per capirci, se il bottone “Compra” non è nella posizione ideale, questo può portare degli errori.

Tipo che l’utente cerca il bottone per comprare, e poi non lo trova mai… e l’Intelligenza Artificiale pensa che in realtà sia una persona indecisa.


Un’esperienza con un e-commerce di scarpe

Con BlueTensor abbiamo appena rilasciato relativo a un e-commerce per la vendita on-line di scarpe.

Il cliente di fatto aveva già un negozio di scarpe e in parallelo ha anche aperto un e-commerce.

Quest’ultimo andava ristrutturato e noi ci siamo occupati della parte del Recommendation Engine, e quindi della gestione della profilazione con l’Intelligenza Artificiale.

Quando il modello sarà addestrato, l’utente che si collegherà avrà di fronte un sistema che ne segue i comportamenti e che gli suggerirà il prodotto migliore.

Ad esempio, se l’utente acquista quando esce il nuovo modello, il sistema lo sa e quindi gli mostrerà il nuovo modello.

Il cliente che tipicamente acquista più facilmente un determinato prodotto quando è in sconto, allora quel prodotto sarà in evidenza per lui.


Un consiglio per gli imprenditori

In questo momento di digital transformation, anche spinta dal Covid-19, credo che tutti gli imprenditori siano diventati consapevoli dell’importanza di essere presenti on-line.

Essere presenti on-line significa anche saper comunicare nel modo giusto.

E comunicare nel modo giusto vuol dire parlare la lingua dei propri clienti.

Per cui una delle cose migliori da fare è sicuramente avere un sistema automatico che adatta i contenuti e l’offerta del sito alle aspettative dei clienti.


Dove puoi trovarci?

Puoi prenotare una consulenza gratuita con noi cliccando QUI.

Oppure puoi telefonarci al numero verde 800 270 021, e noi saremo disponibili a dare informazioni su come implementare un sistema di computer vision.

A presto!