I sistemi di raccomandazione e-commerce sono algoritmi di apprendimento automatico che suggeriscono prodotti a un consumatore o a gruppi di consumatori specifici. Gli algoritmi utilizzano dati storici (acquisti, cronologia delle ricerche, recensioni) per identificare un articolo che un acquirente probabilmente acquisterebbe.

I sistemi di raccomandazione consentono a Netflix di suggerire film e ad Amazon di offrire prodotti correlati. Tali sistemi possono prevedere la valutazione che un utente potrebbe dare a un prodotto per incoraggiarlo ad acquistarlo.

Esistono molti tipi di sistemi di raccomandazione basati sull’intelligenza artificiale e molteplici modi per implementarli. Ma tutti si sforzano di migliorare:

• Le vendite di prodotti,
• Coinvolgimento e fidelizzazione del cliente,
• Esperienza del cliente,
• Personalizzazione.

Netflix si affida a sistemi di raccomandazione per suggerire film ai propri clienti.

Implementazione

In generale, ci sono tre metodi per implementare un sistema di raccomandazione.

Filtraggio collaborativo si basa sulla premessa che gli acquirenti con preferenze simili tendono a ordinare gli stessi prodotti. Ad esempio, gli spettatori che valutano un film o una serie di film in modo simile probabilmente hanno gusti condivisi. Quindi un film molto apprezzato da uno di questi spettatori presumibilmente interesserebbe un altro.

I filtri collaborativi analizzano tutti i prodotti e identificano quelli che potrebbero essere acquistati da un determinato acquirente in base al feedback di clienti simili che hanno acquistato quell'articolo. Il vantaggio principale del filtraggio collaborativo è la semplicità e la facilità di implementazione. Gli svantaggi includono la valutazione di nuovi prodotti e quelli con pochi dati di acquisto.

Sistemi basati sui contenuti fare affidamento sulle preferenze degli utenti, sui profili e sugli attributi del prodotto. I sistemi basati sui contenuti analizzano le informazioni generate dagli utenti e la cronologia degli acquisti per abbinare le funzionalità preferite ai prodotti consigliati.

I modelli basati sui contenuti eccellono per gli articoli con recensioni insufficienti poiché si basano sui profili degli acquirenti e sugli attributi preferiti del prodotto. Ma questi modelli tendono a sottoperformare per i nuovi acquirenti con simpatie o antipatie poco conosciute.

Sistemi ibridi sfruttare molteplici approcci con la raccomandazione finale una combinazione di diversi risultati. Ad esempio, un modello di filtraggio collaborativo potrebbe produrre una serie di raccomandazioni mentre un modello basato sui contenuti ne suggerisce un'altra. Un sistema ibrido potrebbe consigliare prodotti preferiti da entrambi i modelli. Il vantaggio dell’approccio ibrido è la diversità e la forza dei sistemi alternativi. Lo svantaggio è la complessità e la necessità di maggiore potenza di calcolo.

Complessità

I sistemi di raccomandazione sono complessi. L'implementazione non è facile. Fortunatamente, molti strumenti open source può aiutare. Tutti i principali provider di cloud hosting, ad esempio Amazon Web Services, Azure, Google Cloud Platform, offrono strumenti che facilitano lo sviluppo. E le piattaforme low-code, ad esempio Dataiku, DataRobot, offrono pipeline di apprendimento automatico precostruite che si adattano a esigenze specifiche.

Tali strumenti e servizi enable i fornitori di e-commerce più piccoli ed emergenti possano permettersi robusti sistemi di raccomandazione, evitando la formazione di team di apprendimento automatico per sviluppare sistemi da zero.