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.