.png)
Nel novembre 2021, un rapporto McKinsey ha dimostrato che il 71% degli utenti si aspetta un'esperienza personalizzata quando naviga su Internet.1. In particolare, si aspettano di ricevere il contenuto giusto al momento giusto. Il raggiungimento di questo obiettivo è alla base del commercio e del marketing contestuale, che mirano ad aumentare il tasso di conversione. Tuttavia, ciò richiede la raccolta di una quantità impressionante di dati per suggerire il giusto contenuto o prodotto personalizzato al momento giusto. È questo il ruolo chiave svolto dai motori di raccomandazione, che si basano sull'intelligenza artificiale e sull'apprendimento automatico.
Che cos'è un motore di raccomandazione?
Un motore di raccomandazione è uno strumento che utilizza l'intelligenza artificiale e l'apprendimento automatico per suggerire automaticamente contenuti o prodotti agli utenti di Internet. Oltre a essere automatiche, le raccomandazioni sono dinamiche e personalizzate, grazie all'inserimento quotidiano o addirittura in tempo reale di una grande quantità di dati degli utenti. Le prestazioni dei motori di raccomandazione dipendono quindi dalla loro capacità di elaborare questi dati.
Leggete il nostro libro bianco sul commercio contestuale
Come funziona un motore di raccomandazione?
Il processo di raccomandazione dei contenuti online si basa su una serie di fasi.
Raccolta dati
Un motore di raccomandazione raccoglie 2 tipi di dati rilevanti per definire i profili degli utenti:
- dati impliciti: si tratta di dati che l'utente non fornisce intenzionalmente e che vengono raccolti durante le sue attività su Internet. Ad esempio, le pagine visitate, i clic, le parole utilizzate in una ricerca o la cronologia degli acquisti.
- dati espliciti: si tratta di informazioni trasmesse dall'utente. Possono essere i "mi piace" sui social network, le opinioni pubblicate a seguito di acquisti, i contenuti pubblicati dall'utente stesso su Internet o gli scambi con altri utenti.
Memorizzazione dei dati
Le prestazioni di un motore di raccomandazione dipendono in parte dalla sua capacità di memorizzare i dati raccolti. I motori di raccomandazione si basano su elementi tecnologici estremamente potenti, gli unici in grado di gestire le 3 dimensioni dei Big Data.2 :
- volume: i motori di raccomandazione memorizzano volumi giganteschi di dati digitali
- velocità: sono in grado di gestire l'enorme velocità con cui i dati vengono generati
- varietà: memorizzano una crescente varietà di dati
Volume, velocità e varietà sono i 3 aspetti essenziali dei Big Data.
Analisi dei dati
I motori di raccomandazione analizzano quindi i dati raccolti e memorizzati. Seguono una metodologia, cioè un insieme di regole definite in anticipo, adattate alla strategia adottata dall'azienda da cui dipende il sito web. Gli approcci differiscono in base a un'ampia gamma di parametri: gli obiettivi della raccomandazione, la natura del sito, il tipo di informazioni raccolte e analizzate, ecc.
Esistono 3 approcci comuni, noti anche come "filtri":
- filtro collaborativo
- filtro basato sul contenuto
- filtro ibrido
Filtro collaborativo: metodo che consiste nel trovare somiglianze tra i dati passati di un gruppo di utenti e quelli dell'utente attuale. Questo approccio si basa sull'ipotesi che se ci sono somiglianze nelle preferenze per alcuni elementi tra il panel di utenti e l'utente target, allora c'è un'alta probabilità che a quest'ultimo piacciano altri elementi che ha selezionato. Queste raccomandazioni si basano su dati raccolti automaticamente senza alcuna analisi delle loro caratteristiche.
Filtro basato sul contenuto: questo approccio analizza le caratteristiche dei dati. Questi dati possono essere, ad esempio, gli attributi dei prodotti del catalogo per un sito di e-commerce, o i temi dei contenuti per un supporto informativo. In secondo luogo, il profilo dell'utente target viene espresso elencando le sue preferenze per le caratteristiche dei dati del sito. In questo caso, le raccomandazioni si basano sulle coincidenze individuate tra gli attributi dei dati di riferimento e i gusti dell'utente. Questo metodo si basa sull'ipotesi che vi sia un'alta probabilità che all'utente target piacciano caratteristiche simili a quelle che gli sono piaciute in passato. Queste raccomandazioni si basano sul comportamento passato dell'utente, senza preoccuparsi di avere dati su altri visitatori.
Filtro ibrido: strategia che combina i due tipi precedenti di filtraggio. Combinano le preferenze del visitatore target con i dati della comunità, gli attributi degli articoli del catalogo e altri modelli di raccomandazione.
Bolle di filtraggio e serendipità
La bolla di filtraggio è un fenomeno che si verifica quando un algoritmo presenta solo elementi simili ai gusti dell'utente. Questo crea il rischio che l'utente rimanga bloccato in un ambiente senza esplorare altre aree. Da qui la necessità di introdurre contenuti casuali o, per dirla in altro modo, di introdurre un certo livello di serendipità negli algoritmi dei motori di raccomandazione.
La serendipità è "l'atto di fare una scoperta inaspettata per caso che poi si rivela fruttuosa, in particolare nelle scienze".3 ".
Gli algoritmi possono anche lasciare spazio al caso, proponendo deliberatamente contenuti casuali che non rientrano nell'area di interesse dell'utente.
La combinazione di queste due pratiche garantisce che i motori di raccomandazione funzionino in modo ottimale ed etico.
Gli algoritmi dei motori di raccomandazione introducono regolarmente contenuti casuali per evitare bolle di filtraggio per gli utenti.
Su quali dati si basa un motore di raccomandazione?
Dati socio-demografici
La raccolta di dati socio-demografici sui consumatori è un passo essenziale per i motori di raccomandazione. L'età, il sesso, l'origine, la lingua e la situazione familiare e professionale influenzano non solo il comportamento di navigazione, ma anche quello di acquisto. Nell'e-commerce, ad esempio, il 30% degli uomini effettua almeno un acquisto a settimana, rispetto al 24% delle donne. Allo stesso modo, i Millennials rappresentano quasi il 35% dell'e-commerce, contro il 30% della Generazione X e appena il 15% dei Baby Boomers.4. Questi dati socio-demografici influenzano anche gli interessi e le categorie di articoli acquistati. Uno studio di Eurostat ha dimostrato che i giovani tra i 16 e i 24 anni sono la fascia d'età che acquista più vestiti online, seguiti da vicino dai 25-54enni. D'altro canto, gli over 55 sono tra i maggiori acquirenti di mobili e accessori decorativi per la casa.5.
Dati personali
Oltre ai dati socio-demografici, i dati personali - sia impliciti che espliciti - sono essenziali per la profilazione dei consumatori. La raccolta e l'incrocio di questi due tipi di dati riduce la portata dei contenuti da suggerire, nonché il momento e il luogo più appropriati per distribuirli. È così che funziona, ad esempio, la raccomandazione dei prodotti di Amazon. Gli algoritmi analizzano le liste dei desideri degli utenti, i prodotti che stanno cercando, il tempo che trascorrono su ogni pagina di prodotto e i loro acquisti precedenti. Le raccomandazioni di prodotto della piattaforma sono quindi spesso pertinenti.
Ma è sui social network che i motori di raccomandazione hanno accesso a un volume, una varietà e un'accuratezza eccezionali di dati sugli utenti.6. I dati sono alimentati dai contenuti consultati e condivisi dagli utenti di Internet, ma anche dalle interazioni e dagli scambi con altri utenti. Gli algoritmi dei social network definiscono con precisione gli interessi e i profili demografici di ciascun visitatore. Di conseguenza, le raccomandazioni del social commerce sono estremamente precise e performanti.
Database e transazioni
I database e le cronologie delle transazioni vengono analizzati e classificati per ottimizzare la proposta di contenuti. Le caratteristiche dei prodotti inserite nei database CRM, PIM o DMP sono utilizzate dai siti di e-commerce o dai marketplace. Questi attributi di prodotto consentono agli algoritmi di effettuare associazioni pertinenti durante il processo di raccomandazione. Ad esempio, un sito di e-commerce di articoli da cucina suggerirà un montalatte a un utente che consulta la pagina di prodotto di una macchina da caffè. Inoltre, queste caratteristiche dei prodotti sono integrate dalla storia delle transazioni, come la loro popolarità tra gli utenti del web, gli attuali bestseller, le vendite aggiuntive da parte di altri utenti e le recensioni dei clienti. Allo stesso modo, una piattaforma di contenuti analizza le interazioni dei lettori con i suoi contenuti: i tassi di consultazione e interazione degli utenti web, le opinioni espresse, il tempo di lettura, ecc.
.png)
