AI: i sistemi iper-personalizzati di raccomandazione

I sistemi di raccomandazione sono una declinazione dell’Intelligenza Artificiale assolutamente protagonisti della new economy.

Si tratta di sistemi importanti perché permettono di far giungere il contenuto giusto, al cliente giusto, nel momento giusto e sul canale giusto.

Si tratta di ausili al business in grado di lavorare 24 ore su 24, 7 giorni su 7, cosa che la maggior parte delle aziende non sarebbe in grado di permettersi senza il ricorso all’Intelligenza Artificiale.

Possiamo grossolanamente distinguere tra:

• Processi batch nei quali dai dati acquisiti dal comportamento utenti emerge una selezione di oggetti che vengono suggeriti ai marketer, così che questi possano creare newsletter adatte a determinati segmenti di clienti;
• Processi real time nei quali i comportamenti di navigazione degli utenti attivano i data scientist che adeguano immediatamente i successivi touchpoint.

Big player come Google e Amazon hanno iniziato a sviluppare sistemi di raccomandazione da quando hanno capito che avevano a disposizione uno spazio dinamico e non più limitato come accadeva con i cartelloni stradali o la segnaletica all’interno dei negozi.

Avendo compreso di poter personalizzare i messaggi nei banner, hanno iniziato a perfezionare la tecnica pubblicitaria. Queste grandi aziende online hanno sviluppato quindi la possibilità, per ogni banner pubblicitario, di cambiarlo ogni momento o anche ogni volta che l’utente raggiunge una determinata pagina. Ciò in base alle caratteristiche dell’utente e al suo storico di navigazione, comportamenti e acquisti.

In un sito dotato di sistemi-personalizzati di raccomandazione come Amazon, ogni banner ha un obiettivo diverso. Ci sono banner che riportano alcuni prodotti che l’utente hai cercato in precedenza, o che il sito ritiene che possano essere di tuo interesse sulla base di ciò che è stato acquistato in precedenza.

Quando questi sistemi vennero originariamente implementati, seguivano basiche regole di business come proporre al cliente ciò che già aveva acquistato o qualcosa di simile e non richiedevano un particolare tipo di informazioni o intelligenza. È evidente che siffatti sistemi tendono a funzionare bene per oggetti che i clienti comprano regolarmente, quali beni di consumo. Se siamo interessati all’acquisto di una motocicletta, difficilmente la settimana successiva al primo acquisto, ne acquisteremo una seconda…

Il passaggio da sistemi dii raccomandazione a sistemi iper-personalizzati di raccomandazione avviene quindi essenzialmente attraverso diversi approcci.

Estrazione di regole associative

Forse il più elementare algoritmo orientato al cross selling si basa sull’estrazione di regole associative. Si tratta cioè di individuare quali prodotti tendono a essere comprate assieme.

Nel contesto di un negozio di elettronica, per esempio, abbiamo prodotti a marginalità differenziata che possono essere proposti insieme. All’acquisto di uno smartphone viene proposto l’acquisto della pellicola protettiva per lo schermo e di una cover. Questo tipo di approccio non richiede un’analisi predittiva, ma solo la ricerca di dati storici per individuare gli schemi d’acquisto.

Filtro collaborativo

Un altro approccio relativamente semplice si basa sul filtro collaborativo. L’idea alla base è quella di analizzare le transazioni operate da clienti dal profilo simile. Se due clienti hanno acquistato esattamente gli stessi prodotti tranne che per un oggetto, l’algoritmo suggerisce proprio quell’oggetto per completare il mix di acquisti.

Questo tipo di algoritmo è quello adottato per esempio da Netflix per raccomandare film e serie TV in maniera sempre più precisa e automatica.

Nel tempo gli algoritmi di filtro collaborativo si sono fatti più complessi, includendo un peso statistico tra più persone e variabili (la similarità tra prodotti, quella tra caratteristiche demografiche o vicinanza geografica degli utenti.

Reti neurali

Un terzo approccio è quello che sfrutta le reti neurali di cui abbiamo già parlato nel nostro articolo “Dall’Intelligenza Artificiale al Deep Learning“. Tale approccio consente di incorporare molte informazioni sulle transazioni, sui clienti e sui prodotti per far operare aprioristicamente l’algoritmo, senza l’introduzione di nuove variabili. L’algoritmo infatti comprende autonomamente l’ordine di prodotti che il cliente predilige acquistare.

Le reti neurali si sono fatte apprezzare innanzitutto come approssimatori funzionali che, in sostanza, permettono di accumulare molteplici livelli densi di informazioni e collegarli tra loro. Nel tempo è diventato molto più semplice addestrare le reti neurali profonde grazie agli sviluppi nella retro-propagazione e tutte le nuove tecniche inferenziali.

Calcolo della causalità per migliorare l’efficienza degli algoritmi

L’evoluzione dei sistemi personalizzati di raccomandazione comprende gli effetti causali sugli utenti delle raccomandazioni in merito ai prodotti proposti.

Molti dei motori di raccomandazione attuali si basano sulle correlazioni ma, grazie all’IA, i sistemi di nuova generazione utilizzano non solo i dati storici degli utenti, ma anche l’effetto di ogni annuncio di raccomandazione e la reazione dell’utente.

Utilizzando questi dati, gli algoritmi avranno la possibilità di aggiornare le raccomandazioni future in tempo reale per un maggiore impatto sul consumatore. Le funzioni di marketing saranno quindi in grado di capire se i loro prodotti stanno effettivamente impattando sul comportamento dei consumatori che vedono gli annunci.

Per i venditori inserzionisti, le raccomandazioni basate sulla causalità aumentano l’efficienza dei budget pubblicitari e forniscono informazioni più dettagliate sul comportamento degli utenti, generando così un aumento delle vendite. L’obiettivo è proprio quello di ridurre la percentuale di pubblicità irrilevante che raggiunge l’utente e accertarsi che ogni annuncio sia strettamente allineato al percorso dell’acquirente.

Per i consumatori, gli annunci iper-pertinenti generati attraverso il modello causale sono maggiormente diversificati ed efficaci, guidando il consumatore stesso verso l’acquisto.

Conclusioni

Per l’implementazione di sistemi iper personalizzati, la raccomandazione centrale è comprendere meglio i clienti, in che tipo di segmenti rientrano, come amano interagire con i venditori. Altrettanto importante è capire, tra i clienti che abbandonano il servizio, quali sono gli indicatori che ci possono avvertire che stanno per abbandonarlo. Ancora è importante capire, tra i clienti che si sono registrati da poco, quali sono gli indicatori che stanno avanzando verso l’acquisto.

Mappato questo ciclo di vita del cliente, è poi strategico massimizzarlo per quanti più utenti possibili. Lo standard con cui si misura un sistema di raccomandazione è la conversione: conversione in acquisto o in click. Ma ci sono anche sistemi ottimizzati per il fatturato e il profitto e, a volte in maniera ancora più specifica, in cui il driver è il fatturato su prodotti che hanno un margine predeteminato.