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.

Negozio Online di IONOS

Vuoi iniziare a vendere i tuoi prodotti online ma non sai come fare? Con IONOS crei il tuo negozio online in modo facile e veloce!

Certificato SSL
Dominio gratis
Supporto 24/7

Che cosa sono i Recommendation System?

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.

Come funzionano i Recommendation System?

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 classicibasati su contenuto (in inglese “content-based”) e sistemicollaborativi (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 similaritàtra 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.

Esempi di Recommendation System famosi

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.

Servizi di streaming: i Recommendation System di Netflix e Spotify

Netflix, il servizio di video streaming ha integrato nel 2016 per la prima volta un nuovo recommendation system nella propria piattaforma. L’algoritmo è stato sviluppato in modo che ad ogni utente Netflix venissero mostrati film e serie adatte al suo gusto personale. Gli algoritmi di personalizzazione di Netflix non tengono conto di alcun dato demografico come l’età o il sesso. A funzionare da indicatore sono unicamente i dati raccolti da Netflix stesso attraverso la propria piattaforma. Già al momento della registrazione del conto, all’utente viene chiesto di indicare quali sono i propri film e serie preferite.

Il sistema opera sempre rispondendo a una domanda centrale: che cos’ha già visto l’utente? E come ha valutato quello che ha appena visto? Comparando dunque tutti i clienti sulla base delle loro preferenze e valutazioni, la piattaforma fornirà perciò dei suggerimenti precisi.

Fino ad ora il servizio ha causato problemi quando lo si avviava in un nuovo paese, poiché non c’era alcuna base di dati sulla quale era possibile calcolare i suggerimenti. Il nuovo algoritmo è stato perciò sviluppato in modo da operare con gruppi di clienti andando oltre i confini nazionali. Tuttavia, ora come prima, il sistema tiene conto delle tendenze nazionali e regionali.

Anche Spotify, il servizio di streaming di musica, utilizza da tempo i suggerimenti personalizzati. Giornalmente il servizio mette insieme una lista di canzoni che potrebbe rispecchiare il gusto musicale dell’utente. È superfluo sottolineare che il cosiddetto “Daily Mix” viene messo assieme automaticamente grazie all’utilizzo di algoritmi.

I punti di riferimento sono in parte le playlist di altri utenti, autogenerate, e in parte il profilo delle preferenze precise, creato da Spotify per ogni utente. Il servizio tiene in considerazione delle definizioni di genere estremamente ristrette. Tutto ciò è supportato da un software proprio che analizza articoli e testi pubblicati su blog e riviste online con lo scopo di classificare il più precisamente possibile gli artisti.

Tra l’altro il sistema di raccomandazione riconosce le cosiddette variazioni di genere, che si distaccano dal profilo generale dell’utente e che magari sono state ascoltate in un particolare momento, come ad esempio conseguentemente ad un determinato stato d’animo. Tali canzoni non verranno prese in considerazione da Spotify al momento della creazione della playlist personalizzata.

E-commerce: i prodotti suggeriti su Amazon e altri shop online

Nell’e-commerce si utilizza la raccomandazione di prodotti per praticare il classico cross selling: si mostrano agli utenti dei prodotti che si completano o che sono in relazione l’uno con l’altro. Il maestro in questo caso è certamente Amazon che, in quanto leader del settore dei negozi online, ha a sua disposizione un bacino di dati utente immenso. Sin da subito il gigante dell’e-commerce ha riconosciuto che con l’utilizzo dei suggerimenti, il carrello degli utenti si riempie molto più velocemente. Attualmente durante una operazione d’acquisto su Amazon ci si imbatte in fino a cinque diverse forme di suggerimento di prodotti:

  • “I clienti che hanno visto questo articolo, hanno visto anche”
  • “Chi ha acquistato questo articolo ha acquistato anche”
  • “Spesso comprati insieme”
  • “Quali altri articoli acquistano gli utenti, dopo aver visualizzato questo articolo”
  • “Articoli visualizzati di recente e suggerimenti in primo piano - basato sui tuoi acquisti”

Sorprendentemente nel 2016 Amazon ha pubblicato il suo Deep Learning Software DSSTNEcome 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.

Il Content Recommender System di Outbrain

Quello che succede su Netflix con film e serie tv e su Amazon con fotocamere e libri, è un principio che funziona efficacemente anche nel Native Advertising. Navigando sui siti di magazine online di un certo livello, la maggior parte della gente si è imbattuta in avvisi del tipo “Altri contenuti che potrebbero interessarti” o “Articoli simili”, seguiti poi da un elenco di diversi contenuti rimandanti a siti web esterni. In questo caso le tecnologie di raccomandazione sono al servizio delle strategie di Native Advertising. Come provider di Native Ads o meglio Native Recommendation Ads, Outbrain è uno dei maggiormente conosciuti in Italia.

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”).

Software per la raccomandazione nell’e-commerce

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.

In sintesi

La personalizzazione diventa sempre più importante nell’online marketing. Il motivo sta nel fatto che le aziende si trovano crescentemente sotto la pressione derivante dalla concorrenza e devono perciò tentare continuamente di spodestare i propri rivali e al contempo risultare affidabili agli occhi degli utenti. La pubblicità verrà identificata come tale molto più velocemente e in molti casi direttamente estromessa. Se si riesce ad attirare l’attenzione degli utenti tramite l’utilizzo di informazioni personalizzate e rilevanti, contornate da un modo di porsi confidenziale, aumenteranno allora anche le probabilità di una conversione. Lo stesso vale per i Recommender System, che diventano sempre più precisi e sensibili. Una volta trovata la giusta strategia e raggiunti i potenziali clienti, sarete allora in grado di influenzare attivamente il fatturato e il successo nell’e-commerce.


Abbiamo una proposta per te:
Web hosting a partire da 1 €/mese!

Dominio gratis
Certificato SSL Wildcard incluso
Assistenza clienti 24/7
A partire da 1 €/mese IVA escl. per un anno,
poi 8 €/ mese IVA escl.