Re­com­men­da­tion System nel mondo e-commerce

I Re­com­men­da­tion System o Re­com­men­der System (tra­du­ci­bi­le in italiano come “sistemi di rac­co­man­da­zio­ne”) hanno ac­qui­sta­to una grande im­por­tan­za negli ultimi anni e rap­pre­sen­ta­no una gi­gan­te­sca op­por­tu­ni­tà per gli e-commerce, so­prat­tut­to in relazione al tema Big Data. At­tra­ver­so il lavoro con grandi quan­ti­ta­ti­vi di dati e l’impiego di algoritmi so­fi­sti­ca­ti, l’obiettivo è quello di aumentare le con­ver­sio­ni dei negozi online tramite l’utilizzo di Re­com­men­da­tion System moderni. Chi è che non conosce gli annunci classici dei negozi online, come “I clienti che hanno scelto questo prodotto, hanno ac­qui­sta­to anche” o “Altri articoli che po­treb­be­ro in­te­res­sar­ti”. Questi sug­ge­ri­men­ti, adattati alle pre­fe­ren­ze in­di­vi­dua­li degli utenti, sono i risultati derivanti da grandi ela­bo­ra­zio­ni di calcolo e di com­pli­ca­ti algoritmi. I Re­com­men­da­tion System sono già parte in­te­gran­te degli e-commerce, ma ci sono anche altri settori che ap­pro­fit­ta­no degli algoritmi e delle tec­no­lo­gie in continuo mi­glio­ra­men­to.

Per Re­com­men­da­tion System si intende un sistema software che ha il compito di prevedere quanto è quan­ti­ta­ti­va­men­te forte l’interesse di un utente nei confronti di un oggetto, al fine di essere in grado di con­si­glia­re l’oggetto che più lo interessa. In parole semplici: un Re­com­men­da­tion System valuta sulla base del com­por­ta­men­to pre­ce­den­te, come ad esempio gli ordini pre­ce­den­ti nel medesimo shop, quanto sia forte l’at­tra­zio­ne che de­ter­mi­na­ti prodotti eser­ci­ta­no su di un utente, per poi au­to­ma­ti­ca­men­te cercare dei prodotti simili e po­ten­zial­men­te ugual­men­te in­te­res­san­ti.

Il campo di utilizzo dei Re­com­men­der System è molto variegato. Se ne conosce l’utilizzo nei negozi online, nei servizi di streaming e nei siti di di­vul­ga­zio­ne online, so­prat­tut­to nei casi in cui viene messo a di­spo­si­zio­ne un grande numero di oggetti (in­di­pen­den­te­men­te che si tratti di libri, capi di ab­bi­glia­men­to o di film), poiché chia­ra­men­te solo una parte degli oggetti risulta in­te­res­san­te o rilevante per l’utente. Vista la mole di dati e di possibili percorsi di ricerca, i sug­ge­ri­men­ti risultano utili perché prima eseguono una selezione e poi pescano questi sot­toin­sie­mi di elementi rilevanti.

Vantaggi dei Re­com­men­da­tion System

Agli utenti tutto questo dovrebbe portare sollievo. Piuttosto che cliccare su tante offerte e pagine di scarsa rilevanza per riuscire a trovare l’oggetto che si sta cercando, tale sistema di pre­se­le­zio­ne aiuta ad escludere i contenuti ir­ri­le­van­ti e quindi non in­te­res­san­ti.

Così facendo i gestori sperano di ottenere un effetto al­tret­tan­to positivo, ad esempio l’aumento del numero degli accessi nelle sezioni con­te­nu­ti­sti­che o l’aumento di fatturato del proprio e-commerce. Nello shop online i sug­ge­ri­men­ti buoni e ben adeguati do­vreb­be­ro portare ad un carrello della spesa, chia­ra­men­te digitale, più pieno e dunque a un aumento cospicuo dei margini di guadagno.

Chia­ra­men­te questo calcolo puro basato su degli algoritmi ha anche il suo lato negativo. Spesso si evince chia­ra­men­te che manca la com­po­nen­te personale, umana, nella scelta dei sug­ge­ri­men­ti. Infatti le basi di calcolo autonome fal­li­sco­no quando si tratta di com­pren­de­re appieno il com­por­ta­men­to umano. Capita infatti che agli utenti vengano mostrati dei sug­ge­ri­men­ti che l’unico effetto che hanno è quello di far loro storcere il naso. Amazon ad esempio, quando si tratta di con­si­glia­re prodotti in relazione con un ta­glia­ve­tro, attrezzo uti­liz­za­to quo­ti­dia­na­men­te per lavoro da molti artigiani, mostra un equi­pag­gia­men­to completo di pas­sa­mon­ta­gna, de­ci­sa­men­te più adatto per fare irruzione in casa di qualcuno.

I servizi di rac­co­man­da­zio­ne hanno alla base sempre un tot di dati e in base alla loro com­po­si­zio­ne il sistema può essere di un tipo o di un altro. Tra le varie tipologie ci sono i sistemi classici basati su contenuto (in inglese “content-based”) e sistemi col­la­bo­ra­ti­vi (in inglese “col­la­bo­ra­ti­ve”). Ad ag­giun­ger­si a questi vi sono anche i servizi di rac­co­man­da­zio­ne informati del contesto e alcuni che includono nella va­lu­ta­zio­ne anche l’andamento temporale o i dati de­mo­gra­fi­ci degli utenti.

Re­com­men­da­tion System basati su contenuto

I sistemi di rac­co­man­da­zio­ne con­si­glia­no oggetti o contenuti che sono simili a quelli che l’utente ha appena cercato, visitato, comperato o ai quali ha ad­di­rit­tu­ra dato una va­lu­ta­zio­ne. Per poter fare ciò il sistema deve essere in grado di iden­ti­fi­ca­re una si­mi­la­ri­tà tra gli oggetti; ciò avviene tramite un’analisi del contenuto. Ad esempio nel caso di servizi di streaming di musica, il sistema analizza i brani musicali e la loro struttura così da riuscire a trovare altri brani che ad esempio pre­sen­ti­no una simile base di basso.

Col­la­bo­ra­ti­ve Re­com­men­da­tion System

Nei sistemi che seguono il metodo col­la­bo­ra­ti­vo, i sug­ge­ri­men­ti avvengono sulla base degli utenti con un simile com­por­ta­men­to in merito alle va­lu­ta­zio­ni. Se ad esempio questi hanno avuto in passato par­ti­co­la­re interesse nei confronti di un de­ter­mi­na­to oggetto, il sistema glielo suggerirà di nuovo. Le in­for­ma­zio­ni riguardo all’oggetto di per sé non sono ne­ces­sa­rie. Amazon per esempio utilizza co­stan­te­men­te questo pro­ce­di­men­to.

Metodi di pre­di­zio­ne vari

I sistemi di rac­co­man­da­zio­ne uti­liz­za­no svariati metodi di ap­pren­di­men­to. Molto spesso viene uti­liz­za­to il metodo memory-based o quello model-based. Il primo, ovvero il metodo basato su memoria, utilizza tutti i dati ar­chi­via­ti e calcola le si­mi­la­ri­tà che ci sono tra gli utenti e gli oggetti. Il risultato è la base che rende possibile la pre­di­zio­ne anche per com­bi­na­zio­ni di oggetti e utenti che non sono ancora stati valutati. I re­com­men­da­tion system basati su modello al contrario operano secondo i principi dell’ap­pren­di­men­to au­to­ma­ti­co, ossia il sistema produce un modello ma­te­ma­ti­co basato sui dati a di­spo­si­zio­ne con l’aiuto del quale è possibile prevedere l’interesse di un utente in un de­ter­mi­na­to prodotto.

Questi sistemi di rac­co­man­da­zio­ne trovano utilizzo in molti campi e settori. I tre più im­por­tan­ti sono i grandi servizi di streaming come Spotify o Netflix, i classici provider e-commerce come Amazon, e ancora dei sistemi speciali per la pub­bli­ci­tà basata su contenuto.

Sor­pren­den­te­men­te nel 2016 Amazon ha pub­bli­ca­to il suo Deep Learning Software DSSTNE come open source: il software è alla base di tutti i sug­ge­ri­men­ti su Amazon. Alla base dell’e-commerce è at­tual­men­te in atto il trend di uti­liz­za­re sistemi di sug­ge­ri­men­to che indaghino più a fondo. Assieme alla pos­si­bi­li­tà di mostrare gli “Articoli più popolari”, un numero sempre crescente di aziende punta a sug­ge­ri­men­ti altamente per­so­na­liz­za­ti. A questo scopo vengono spesso combinate assieme diverse strategie: gli interessi di acquisto, gli articoli popolari e anche altri fattori come la di­spo­ni­bi­li­tà del prodotto e le va­ria­zio­ni di prezzo vengono calcolati au­to­ma­ti­ca­men­te.

Outbrain con i suoi oltre 550 milioni di persone raggiunte ogni mese (dati alla mano del settembre 2014) e 200 miliardi di contenuti rac­co­man­da­ti men­sil­men­te ai con­su­ma­to­ri, è il leader del contenuto a livello mondiale e il creatore della content discovery. Tramite l’utilizzo dei propri algoritmi, Outbrain ga­ran­ti­sce ai propri clienti di in­cre­men­ta­re l’en­ga­ge­ment della propria audience, offrendo ai vi­si­ta­to­ri dei loro siti web i contenuti giusti al momento giusto, quando quindi sono più portati ad usu­fruir­ne. I contenuti che possono essere promossi con Outbrain sono di vario carattere, dall’in­for­ma­zio­ne all’in­trat­te­ni­men­to, ma non la pub­bli­ci­tà. Per saperne di più siete invitati a leggere le loro linee guida. Outbrain annovera tra i suoi partner clienti molti influenti, tra cui alcuni dei più au­to­re­vo­li siti edi­to­ria­li in Italia come Corriere.it, Il­fat­to­quo­ti­dia­no.it e Panorama.it. Con Outbrain si affida la pro­mo­zio­ne del proprio contenuto a più di 50 algoritmi che coo­pe­ran­do tra loro rac­co­man­de­ran­no l’articolo ai lettori più in­te­res­sa­ti, cercando di attrarne il maggior numero possibile. La rac­co­man­da­zio­ne del vostro contenuto si suddivide in quattro categorie prin­ci­pa­li:

• Personal: in base alle pre­fe­ren­ze personali del lettore;
• Be­ha­vio­ral: in base ai lettori che con­di­vi­do­no pra­ti­ca­men­te le stesse pre­fe­ren­ze;
• Con­tex­tual: il contenuto viene suggerito in base alla sua per­ti­nen­za con il contesto;
• Po­pu­la­ri­ty: fa ri­fe­ri­men­to al contenuto più in voga all’interno della rete Outbrain, a seconda del click-thru rate (o “per­cen­tua­le di clic”).

Nell’e-commerce i Re­com­men­der System sono un tema par­ti­co­lar­men­te im­por­tan­te. Essi infatti rap­pre­sen­ta­no una grande occasione per i negozi online, i quali grazie ai sug­ge­ri­men­ti adatti, derivanti dalla loro im­ple­men­ta­zio­ne, possono ottenere un aumento del con­ver­sion rate e dunque generare un maggior fatturato. Molti sistemi e-commerce hanno delle funzioni standard integrate per la rac­co­man­da­zio­ne dei prodotti. Sebbene con tali sistemi e-commerce sia possibile ef­fet­tua­re analisi e calcoli af­fi­da­bi­li, la soluzione migliore rimane un software specifico. Vari fornitori offrono soluzioni SaaS (Software as a Service) per le aziende. Due possibili opzioni molto popolari sono Certona e Ba­ril­lian­ce. La maggior parte degli svi­lup­pa­to­ri promette soluzioni software fatte su misura e capaci di ap­pren­de­re au­to­no­ma­men­te, basate su una tec­no­lo­gia di per­so­na­liz­za­zio­ne propria, e perciò basata su modelli. Il grande vantaggio delle soluzioni SaaS è che esse al­leg­ge­ri­sco­no si­gni­fi­ca­ti­va­men­te il lavoro alle aziende: i gestori di shop online non devono investire né in hardware né in software. La maggior parte delle soluzioni cloud di­spon­go­no inoltre di un’ampia gamma di funzioni. Le soluzioni software si fanno carico di tre mansioni: il tracking dei database, la co­sid­det­ta feature en­gi­nee­ring e l’ela­bo­ra­zio­ne dati, ovvero l’analisi finale.

Tracking dei database

Perché possiate valutare i vostri dati dovrete in­nan­zi­tut­to metterli assieme. Questo passaggio avviene grazie al classico tracking nella maggior parte delle soluzioni software. Il tracking raccoglie i dati rilevanti per quel che riguarda la posizione, il carrello, la data, il com­por­ta­men­to e ge­ne­ral­men­te tutto ciò che ap­par­tie­ne alla Customer Journey. Il programma oltre a rac­co­glie­re queste in­for­ma­zio­ni le archivia anche in un database.

Feature En­gi­nee­ring

Per Feature En­gi­nee­ring si intende l’estra­po­la­zio­ne e quindi la creazione di feature a partire dai dati ac­cu­mu­la­ti. Queste feature possono essere di natura assai diversa, ad esempio può trattarsi dell’orario della visita alla pagina e la sua durata, o il tempo che passa tra le varie azioni compiute, e tanto altro ancora. Tuttavia sono solamente poche le funzioni rilevanti per la prognosi. La sfida del sistema sta nell’ottenere l’influenza si­gni­fi­ca­ti­va sul com­por­ta­men­to di vendita e infine anche sulla decisione d’acquisto. Le feature rilevanti variano da un negozio online all’altro, ed è per questo che è di primaria im­por­tan­za ef­fet­tua­re un’analisi ben ponderata.

Ela­bo­ra­zio­ne e analisi dei dati

Sulla base delle feature sin­go­lar­men­te definite per lo shop online, e cioè le sue ca­rat­te­ri­sti­che, il sistema formula una prognosi per i sug­ge­ri­men­ti dei prodotti. Tale for­mu­la­zio­ne di modelli pre­vi­sio­na­li richiede un’immensa capacità di calcolo e il processo dura come minimo diverse ore. Il sistema archivia i modelli, i quali ser­vi­ran­no poi come fon­da­men­ta per il calcolo dei sug­ge­ri­men­ti. In questo modo ogni vi­si­ta­to­re del negozio online riceverà consigli e sug­ge­ri­men­ti attuali adeguati alle proprie esigenze.