Chi acquista online avrà notato che la piattaforma suggerisce altri prodotti che potrebbero interessargli. Chi usufruisce di contenuti in streaming avrà certamente già cliccato su un video o su una traccia audio tra quelle che gli vengono suggerite. Questo, in poche parole, è il recommendation system che, tradotto in italiano, diventa sistema di raccomandazione e mostra in modo lapalissiano tutta la sua potenzialità. Sembra cosa banale ma è il risultato di un attento studio reso possibile dai big data.
Come funziona il recommendation system
I sistemi di raccomandazione raccolgono i dati dei clienti e li analizzano per restituire a ognuno di questi dei consigli personalizzati. È quindi disciplina strettamente legata ai Big data, al Data mining e al Data analytics.
Viene dal mondo offline e, se mai fosse possibile (pure sbilanciandosi molto) datarlo, è una disciplina che nelle sue declinazioni commerciali si è trasferita online una ventina di anni fa circa, anche se Tapestry, ossia quello che è riconosciuto come il primo sistema di raccomandazione, era pensato per filtrare email e messaggi all’interno dei newsgroup.
Spieghiamo meglio prima di fare storcere il naso ai puristi cosa significa che, i sistemi di raccomandazione, non sono nativi dell’online: nel 2012 un uomo di Minneapolis scoprì che la figlia adolescente era incinta perché raggiunta da pubblicità (quella cartacea recapitata dal postino) di articoli premaman. Non soltanto: la catena di grandi magazzini Target presso la quale la ragazza aveva effettuato degli acquisti era in grado di stimare la data del parto in modo tanto preciso da cambiare le mire pubblicitarie con il passare delle settimane, dai vestiti premaman si è passati a mano a mano agli integratori alimentari più indicati durante il procedere della gestazione e, in seguito, agli articoli per il nascituro. Una storia questa, rilanciata dal New York Times, che ancora oggi fa scuola. Nel medesimo periodo, il report McKinsey “Big data: The next frontier for innovation, competition, and productivity” del 2011, stimava che solo negli Usa sarebbero serviti, a breve, fino a 190mila data scientist.
Oggi i recommendation
system sono, di fatto, la combinazione di due modelli:
- Dati impliciti: per esempio, lo storico degli acquisti e la cronologia di navigazione
- Dati espliciti: tipicamente le recensioni e le valutazioni che un utente decide di pubblicare online.
I dati impliciti erano utilizzati anche offline (come faceva la catena di grandi magazzini Target) e sono molti: acquisti effettuati, buoni sconto utilizzati, periodicità degli acquisti e affinità tra un acquisto e l’altro, un mondo tutto da esplorare nel quale, per esempio, se un cliente ha acquistato un costume e una crema abbronzante, probabilmente può essere interessato anche a una sedia a sdraio.
Va da sé che, con la capacità di calcolo odierna e gli strumenti per la raccolta e l’analisi dei dati, i sistemi di raccomandazione sono potenzialmente in grado di restringere il focus stimolando meglio le corde dei possibili clienti.
Esempi
Poiché un sistema di raccomandazione tende a personalizzare l’esperienza di acquisto online lo si trova, declinato alla bisogna, praticamente ovunque:
- Su Facebook è rappresentato dalla sezione “Persone che potresti conoscere” e che il risultato di un’analisi incrociata secondo la quale se A ha commentato un post di B e altrettanto ha fatto C, allora c’è la possibilità che A e C possano diventare “amici” o, ancora, se A e B esprimono pareri conformi circa il prodotto C, allora A e B possono condividere anche altri interessi e quindi è possibile che “stringano amicizia”
- Su Amazon il sistema di raccomandazione tende a essere compulsivo e ne si trova traccia in diverse sezioni: “Altri articoli da esplorare”, “Altri prodotti da tenere presente” e “Simile ai tuoi acquisti precedenti”
- Su YouTube il sistema di raccomandazione si cristallizza con l’elenco dei “Video raccomandati”.
Google, LinkedIn, Netlfix, Spotify, praticamente ogni servizio online utilizza sistemi di raccomandazione perché, ridotto all’essenziale, il loro scopo è quello di vestire i panni di un venditore capace di riconoscere i gusti e le preferenze di un cliente e proporgli il prodotto più indicato, quello a cui non è in grado di dire No.
Tipi di recommendation system
La spiegazione semplice l’abbiamo anticipata sopra: i sistemi di raccomandazione si basano su dati impliciti ed espliciti e vertono su diversi tipi di filtraggio, tra i quali figura quello collaborativo. Sono tutti tecnicismi poco trasparenti che cerchiamo di approfondire, partendo da ciò che un sistema di raccomandazione è in realtà, ossia un algoritmo.
Ce ne sono di diversi tipi, i più comuni sono:
- Cold starting: suggerisce ai visitatori di un sito i prodotti più apprezzati da tutta la clientela. Un elenco di best seller che solo di rado incontrano i gusti del singolo utente
- Regole associative: siamo ancora nel regno delle ampie probabilità, perché creano correlazioni di eventi intesi in senso lato e si limitano a consigliare oggetti relativi a quelli acquistati in precedenza. A chi ha comprato un libro di Umberto Eco viene consigliato di acquistare gli altri libri scritti dall’autore piemontese
Ci sono anche algoritmi che consentono analisi più mirate rispetto a quelli content based, e vengono detti collaborativi. Tra questi figurano:
- Fattorizzazione di matrici: l’idea di fondo è quella di riuscire meglio a comprendere le interazioni tra utenti e prodotti o servizi, al fine di arrivare a qualcosa di simile a una predizione dei loro gusti
- Clustering group: raggruppamento di utenti o elementi simili il cui scopo è rendere più semplice l’analisi di matrici di dati di grandi dimensioni
- Il vicino più prossimo: si basa su associazioni tra utenti o elementi (in questo caso prodotti o servizi) ed è uno degli algoritmi più semplici del Machine learning.
Alla base del collaborative filtering c’è l’idea secondo cui gli utenti che hanno mostrato delle specifiche preferenze le esprimeranno anche in futuro.
Ci sono anche modelli ibridi che sfruttano il meglio delle tipologie content based e collaborative filtering e sui quali si concentra in modo particolare il Python, con un’apposita libreria chiamata LightFM.
Tecnologie per i recommendation system
I sistemi di raccomandazione sono basati sui Big data e sulla loro analisi che va svolta in modo continuato e in tempo reale. È infatti opportuno che un cliente possa ricevere consigli pertinenti utili durante la fase di acquisto.
Una capacità che si ottiene grazie al Machine learning e alla data analytics in generale e che deve essere eseguita in tempi rapidissimi. Per questo motivo da quasi dieci anni il framework Hadoop risulta tra i più utilizzati nei sistemi di raccomandazione insieme ad Apache Spark.
Un esempio può essere d’aiuto, citando una libreria online sulla quale è possibile scegliere tra 400mila titoli e vanta due milioni di acquirenti e 15 milioni tra recensioni e valutazioni. Ciò che ne emerge è un set di una dimensione tale da necessitare giorni per un’elaborazione mirata e accorta.
Un cluster, mediante un processo distribuito e strumenti in-memory analytics, riesce a ridurre a pochi minuti la restituzione di consigli mirati e quindi realmente confacenti alle preferenze del cliente.
Perché le aziende usano i recommendation system
La risposta più ovvia è “per vendere di più”, ed è un’osservazione ovvia ma parziale. Il primo obiettivo di un sistema di raccomandazione è quello di mostrare ai clienti prodotti pertinenti ma c’è un secondo obiettivo, ossia quello di migliorare l’esperienza dell’utente e farlo ritornare.
Ed è proprio in quest’ottica che le piattaforme online diversificano le proprie strategie. Amazon, nel mostrare al cliente prodotti di suo probabile interesse, vuole certamente vendere di più (anche se non subito). Una testata online, suggerendo al lettore articoli basati sulle sue preferenze, lo vuole trattenere il più a lungo possibile perché, oltre al numero di click, ai media interessa anche il tempo di permanenza medio sulle rispettive piattaforme.
Non si tratta soltanto di un metodo commerciale ma anche di fidelizzazione: l’utente soddisfatto della sua esperienza tende a ritornare.
Calibrare l’esperienza e spingere il fatturato, così come insegna Netflix che, nel 2016, ha calcolato che 30 brani fossero la quantità ideale per una playlist e ha lavorato su sistemi di raccomandazione mirati sia per genere musicale sia per quantità, contribuendo così a fare salire la base utenti paganti da 75 milioni a 100 milioni.
