Sappiamo cosa ti piace! Vantaggi dei sistemi di raccomandazione negli affari

Quando le persone fanno acquisti, acquistano prodotti che gli piacciono o che altri consigliano loro, perché si fidano della loro opinione. Nell'era digitale di oggi, i negozi online offrono centinaia di migliaia di prodotti ai propri clienti. Per aiutarli a cercare questi prodotti e ad acquistare il più adatto, i negozi online utilizzano sistemi di raccomandazione.

Inoltre, i fornitori di contenuti (ad es. musica, film) e i servizi di social network utilizzano sistemi di raccomandazione per gestire i contenuti e creare raccomandazioni efficaci per gli utenti.

In poche parole, i sistemi di raccomandazione agiscono come una forma automatizzata di assistente clienti che non solo mostra il prodotto che hai richiesto, ma mostra anche quelli che sono in qualche modo correlati o che potrebbero piacerti. Sono tra le tecnologie di apprendimento automatico più popolari utilizzate nelle aziende per personalizzare i contenuti per i clienti.

Quali sono i vantaggi dei Sistemi di Raccomandazione?

L' obiettivo più ovvio di un sistema di raccomandazione è quello di consigliare all'utente prodotti pertinenti . Steve Jobs ha detto: "Molte volte, le persone non sanno cosa vogliono finché non glielo mostri" [1]. Facendo riferimento alle parole di Job, possiamo dire che uno degli obiettivi secondari di un sistema di raccomandazione è quello di mostrare agli utenti prodotti che non hanno visto in passato e che potrebbero gradire. Abbinare bene i consigli può aiutare a migliorare la soddisfazione generale degli utenti , il che rende più probabile che il consumatore utilizzi nuovamente il sito Web o l'app.

Uno degli utenti più noti e pionieri dei sistemi di raccomandazione è Amazon.com. Amazon utilizza i consigli per personalizzare il negozio online per ogni cliente, il che si traduce in il 35% delle entrate di Amazon [2].

Un altro famoso esempio di sistema di raccomandazione è l'algoritmo utilizzato da Netflix. Secondo McKinsey, il 75% di ciò che gli utenti guardano su Netflix proviene da consigli sui film [3]. Nel documento " The Netflix Recommender System: Algorithms, Business Value, and Innovation " [4] scritto dai dirigenti di Netflix (Carlos A. Gomez-Uribe e Neil Hunt) gli autori affermano che il sistema di raccomandazione fa risparmiare all'azienda circa $ 1 miliardo ogni anno.

Secondo Spotify, l'implementazione del nuovo algoritmo di raccomandazione ha contribuito ad aumentare il numero di utenti mensili da 75 milioni a 100 milioni [5].

Che tipo di dati utilizzano i Sistemi di Raccomandazione?

L'elemento più importante nella costruzione di un Sistema di Raccomandazioni sono i dati. Esistono tre tipi di dati: dati espliciti, dati impliciti e descrizione del prodotto.

I dati espliciti di solito hanno la forma di un numero (ad es. valutazioni a 5 stelle) assegnato da un utente a un prodotto. Esempi di dati espliciti sono le valutazioni dei prodotti fornite dai clienti su Amazon o le valutazioni dei corsi degli utenti nella piattaforma di apprendimento Udemy. Questo tipo di dati è difficile da raccogliere perché richiedono un input aggiuntivo da parte degli utenti, quindi è necessario più tempo per ottenere un pool di valutazioni sufficientemente ampio da creare un modello di Machine Learning utile.

I dati impliciti sono facili da raccogliere. Si tratta di qualsiasi dato incentrato su come l'utente interagisce con i prodotti/contenuti disponibili. Il problema principale con questo tipo di dati è come convertire il comportamento dell'utente in preferenze dell'utente. Ma ci sono modi efficienti per farlo. Esempi di dati impliciti sono il numero di volte in cui un brano viene riprodotto su Spotify, il numero di clic sui link dei prodotti o la cronologia degli acquisti su Amazon.

L'ultimo tipo di dati è la descrizione del prodotto . Poiché questo tipo di dati è spesso non strutturato (ad es. ha una forma di testo libero), è necessario implementare alcune pre-elaborazioni aggiuntive per estrarre le informazioni rilevanti e metterle in una forma strutturata. Esempi di descrizioni di prodotti sono un elenco di un cast di un film su Netflix, un cantautore su Spotify o la descrizione di un prodotto su Amazon.

Quali tipi di sistemi di raccomandazione esistono?

Una volta raccolti i dati, possiamo iniziare a costruire un Sistema di Raccomandazioni. Ci sono quattro tipi principali:

Basato sulla popolarità

Il tipo più semplice di sistema di raccomandazione si basa sulla popolarità degli articoli. Questo sistema calcola le valutazioni dei prodotti utilizzando dati espliciti o impliciti. Di seguito puoi trovare due esempi di sistemi di raccomandazione basati sulla popolarità per un fornitore di film:

• utilizzando dati espliciti : suggerisce film popolari in base alla media delle valutazioni a 5 stelle degli utenti,
• utilizzo di dati impliciti : suggerisce film popolari in base al numero di volte in cui gli utenti li hanno riprodotti.

I vantaggi più importanti dei sistemi di raccomandazione basati sulla popolarità sono:

• È resistente all'avviamento a freddo dell'utente . Il sistema può suggerire prodotti senza alcuna informazione sull'utente.
• Può essere utilizzato in ambienti con un numero ridotto di utenti.

Lo svantaggio più importante è:

• Ogni utente ha lo stesso elenco di consigli.
• Problema di avviamento a freddo dell'articolo. Il sistema non può proporre un articolo che non è mai stato selezionato o una valutazione da parte di altri utenti prima.  

Filtraggio basato sui contenuti

I metodi di filtraggio basati sui contenuti si basano sulle descrizioni dei prodotti e sulle preferenze dell'utente. Questo tipo di sistema consiglia prodotti simili ai prodotti che l'utente ha apprezzato in passato. Questo tipo di sistema di raccomandazione si basa su tre passaggi:

1. Analizzatore della descrizione del prodotto : in questo passaggio, le descrizioni dei prodotti vengono analizzate utilizzando una tecnica di estrazione delle caratteristiche per trasformare le descrizioni originali in un vettore di articoli. Utilizzando i vettori degli articoli, il sistema calcola le somiglianze tra i prodotti.
2. Analizzatore del profilo utente : nella seconda fase, il sistema raccoglie le preferenze dell'utente, i dati della cronologia utente e costruisce il profilo utente rappresentato dal vettore utente. Le caratteristiche descritte nel vettore utente sono le stesse dei vettori elemento.
3. Filtraggio dei componenti : nell'ultimo passaggio, il sistema sceglie i consigli in base all'utente e ai vettori degli elementi (ad es. utilizzando la somiglianza del coseno).

I vantaggi del filtro basato sui contenuti sono:

• Nessun problema di avviamento a freddo dell'articolo. Il sistema può consigliare i prodotti prima che gli utenti li provino.
• È adattivo. Cattura i cambiamenti negli interessi degli utenti .
• Gli elementi consigliati per un utente non dipendono da altri utenti.
• Raccomanda prodotti impopolari .

Gli svantaggi di questa soluzione sono:

• Le informazioni sul prodotto sono necessarie.
• Problema di avvio a freddo dell'utente. Il sistema non è in grado di produrre suggerimenti quando non sono disponibili informazioni sufficienti per creare un profilo utente.

Filtraggio collaborativo

Nel filtraggio collaborativo, il sistema analizza le informazioni su preferenze, comportamenti e attività di tutti gli utenti per prevedere cosa potrebbe piacerti. In poche parole, il sistema consiglia articoli che sono piaciuti ad altri utenti con gusti e comportamenti simili. Il presupposto principale di questo metodo è che le persone a cui piacevano prodotti simili in passato apprezzeranno anche prodotti simili in futuro.

I vantaggi più importanti del filtraggio collaborativo sono:

• Il contenuto del prodotto non è tenuto ad essere in alcun modo compreso o descritto né dal creatore del sistema né dal sistema stesso . Ciò significa che il sistema può consigliare prodotti senza alcuna analisi del prodotto stesso.
• È adattivo. Il sistema cattura i cambiamenti negli interessi degli utenti .

Gli svantaggi più importanti sono:

• Problema di avvio a freddo dell'utente. Il sistema non può consigliare prodotti a nuovi utenti che non hanno ancora avuto alcuna interazione.
• Problema di avviamento a freddo dell'articolo . Il sistema non può consigliare anche un elemento che gli utenti non hanno mai selezionato prima.

Ibrido

I sistemi di raccomandazione ibrida combinano metodi basati sul contenuto e collaborativi . Questa soluzione può essere più efficace nella pratica rispetto a uno qualsiasi dei due metodi separatamente.

Su Netflix viene utilizzato un sistema ibrido , in cui i consigli sui film sono il risultato sia del confronto delle abitudini di visione di utenti simili (filtro collaborativo) sia della ricerca di film con caratteristiche simili ai film che l'utente ha apprezzato in passato (filtro basato sui contenuti) .

Riepilogo

Oggi, sempre più aziende online utilizzano i Sistemi di Raccomandazione per aumentare l'interazione degli utenti con i servizi che forniscono. I sistemi di raccomandazione sono efficienti soluzioni di apprendimento automatico che possono aiutare ad aumentare la soddisfazione dei clienti e la fidelizzazione degli utenti e portare a un aumento significativo dei ricavi aziendali.

Interessato ai sistemi di raccomandazione?

Sei interessato a implementare una soluzione basata sull'intelligenza artificiale, come i Sistemi di Raccomandazione, nella tua strategia aziendale? Se è così, sei nel posto giusto. Contatta il nostro team per discutere la tua idea e ottenere un preventivo in 48 ore.

Fonti

[1] Edson, J., 2012. Design Like Apple: sette principi per la creazione di prodotti, servizi ed esperienze follemente eccezionali. John Wiley & Figli. pag. 47

[2] Jones, SS and Groom, FM eds., 2019. Intelligenza artificiale e apprendimento automatico per il business per i non ingegneri . Stampa CRC, pag. 86

[3] Alex Castrounis, 2019. AI per le persone e le imprese. Un quadro per migliori esperienze umane e successo aziendale . (ebook)

[4] Gomez-Uribe, CA e Hunt, N., 2015. Il sistema di raccomandazione netflix: algoritmi, valore aziendale e innovazione . Transazioni ACM sui Sistemi Informativi di Gestione (TMIS), 6(4), pp.1-19.

[5] Leonard, D, 2016. Spotify sta perfezionando l'arte della playlist su Bloomberg Businessweek