Cos'è un motore di raccomandazione?

I motori di raccomandazione aiutano gli utenti a scoprire contenuti, prodotti o servizi che potrebbero non riuscire a trovare da soli. Sono parte integrante della generazione di vendite e della promozione del coinvolgimento per molte aziende online, inclusi siti di e-commerce, piattaforme di streaming multimediale, motori di ricerca e social network.

Un raccomandatore suggerisce un film o video da guardare, una canzone simile da ascoltare, risultati di ricerca pertinenti o un prodotto che integra un determinato ordine.

Anche i suggerimenti creati dai sistemi di raccomandazione svolgono un ruolo fondamentale nella personalizzazione delle esperienze degli utenti. Secondo una ricerca della società di consulenza gestionale McKinsey , la personalizzazione può aumentare i ricavi del 5% - 15%. Inoltre, il 76% dei clienti si sente frustrato quando non riceve interazioni personalizzate.

Il mercato dei sistemi di raccomandazione è in crescita. Nel 2024, il mercato dei motori di raccomandazione  è stimato in 6,88 miliardi di USD, e si prevede che questa cifra triplicherà in 5 anni.

Per indirizzare gli utenti con suggerimenti adeguati, un motore di raccomandazione unisce data science e machine learning.

I raccomandatori in genere lavorano in 5 fasi per prevedere i consigli più accurati:

I raccomandatori differiscono in base al metodo di filtraggio utilizzato. Generalmente esistono 3 tipi di motori di raccomandazione:

Un sistema di filtraggio collaborativo filtra i suggerimenti in base alla somiglianza di un particolare utente con gli altri. I sistemi di raccomandazione collaborativi si basano su dati espliciti e impliciti e presumono che gli utenti con preferenze comparabili saranno probabilmente interessati agli stessi elementi e, potenzialmente, interagiranno con essi in modi simili in futuro.

Amazon , ad esempio, utilizza il filtraggio collaborativo per i suoi consigli sui prodotti, come Spotify fa per i suoi contenuti audio.

I raccomandatori di filtraggio collaborativo possono offrire suggerimenti efficaci e di solito non richiedono descrizioni dettagliate degli articoli. Tuttavia, il filtro collaborativo è anche soggetto al problema dell'avvio a freddo, che si verifica quando il sistema ha dati storici limitati da cui attingere, soprattutto per i nuovi utenti.

Esistono 2 tipi principali di sistemi di filtraggio collaborativo: quelli basati sulla memoria e quelli basati sui modelli.

I sistemi basati sulla memoria rappresentano utenti ed elementi come una matrice. Sono un'estensione dell'algoritmo k-nearest neighbors (KNN) perché mirano a trovare i "vicini più prossimi", che possono essere utenti o oggetti simili. I sistemi basati sulla memoria sono ulteriormente suddivisi in 2 tipi:

• Il filtraggio basato sugli utenti calcola le similarità tra un determinato utente e tutti gli altri utenti nella matrice. Le funzioni di similarità basate sull'utente vengono calcolate tra le righe della matrice utente-oggetto.

• Il filtraggio basato sugli oggetti calcola la similarità degli oggetti in base al comportamento degli utenti (cioè a come gli utenti interagiscono con gli oggetti e non con le caratteristiche degli oggetti). Le funzioni di similarità basate sugli oggetti vengono calcolate tra le colonne della matrice utente-oggetto.

In alternativa, i sistemi basati sui modelli creano un modello predittivo di machine learning dei dati. La matrice utente-elemento funge da set di dati di addestramento per il modello, che quindi fornisce previsioni per i valori mancanti, ovvero gli elementi che un utente non ha ancora trovato e che saranno quindi consigliati.

Uno degli algoritmi di filtraggio collaborativo basati su modelli più comune è la fattorizzazione della matrice. Questo metodo di riduzione della dimensionalità scompone la matrice utente-oggetto, spesso di grandi dimensioni, in due matrici più piccole, una per gli utenti e l'altra per gli oggetti, con poche dimensioni selezionate. Le 2 matrici vengono quindi moltiplicate insieme per prevedere i valori mancanti (o le raccomandazioni) nella matrice più grande.

Un'implementazione più avanzata della fattorizzazione della matrice sfrutta le reti neurali di deep learning. Altri sistemi basati sui modelli impiegano algoritmi di machine learning come classificatori Bayesiani, il clustering e gli alberi decisionali.

Un sistema di filtraggio basato sui contenuti filtra i consigli in base alle caratteristiche di un articolo. I sistemi di raccomandazione basati sui contenuti presuppongono che, se a un utente piace un determinato articolo, apprezzerà anche un altro articolo simile. Il filtro basato sui contenuti considera le descrizioni degli articoli come colore, categorie, prezzo e altri metadati assegnati da parole chiave e tag, insieme a dati espliciti e impliciti.

I sistemi di filtraggio basati sui contenuti rappresentano gli elementi e gli utenti come vettori in uno spazio vettoriale. Per determinare la somiglianza tra gli elementi viene utilizzata la prossimità. Più 2 vettori sono vicini nello spazio, più sono considerati simili. Vettori simili agli articoli precedenti in base alle loro caratteristiche fornite saranno consigliati all'utente.

I sistemi di raccomandazione basati sui contenuti applicano un classificatore basato sull'utente o un modello di regressione. Le descrizioni e le caratteristiche degli elementi a cui un utente è interessato fungono da set di dati di addestramento del modello, che quindi produce previsioni per gli elementi consigliati.

I sistemi di raccomandazione basati sui contenuti possono essere ulteriormente migliorati utilizzando tag di elaborazione del linguaggio naturale. Tuttavia, questo processo di assegnazione può essere faticoso quando ci sono volumi di dati elevati.

A differenza del filtro collaborativo, il problema dell'avvio a freddo è meno problematico, poiché il filtro basato sui contenuti si basa sulle caratteristiche dei metadati piuttosto che sulle interazioni passate dell'utente. Tuttavia, il filtro basato sui contenuti può essere limitato nell'esplorazione di nuovi elementi, poiché spesso ne suggerisce di simili rispetto a quelli che già piacciono agli utenti.

Come suggerisce il nome, un sistema di raccomandazione ibrido unisce il filtraggio collaborativo e quello basato sui contenuti.

Di conseguenza, un approccio ibrido può migliorare notevolmente le prestazioni di un motore di raccomandazione, ma richiede architetture avanzate e un'intensa potenza di calcolo.

Netflix, ad esempio, utilizza un sistema di raccomandazione ibrido per le raccomandazioni di film e programmi televisivi.

Un motore di raccomandazione può apportare valore sia alle aziende che agli utenti. Ecco alcuni vantaggi che le organizzazioni possono ottenere investendo in un sistema di raccomandazione:

Consigliare il prodotto o il servizio giusto permette di far risparmiare agli utenti il tempo necessario per scorrere all'infinito un ampio catalogo. Per esempio, l'80% di ciò che gli spettatori guardano su Netflix proviene da suggerimenti alimentati da algoritmi di raccomandazione. Inoltre, il suggerimento di contenuti rilevanti crea esperienze personalizzate.

Secondo una ricerca di McKinsey, una migliore esperienza del cliente si traduce in una maggiore soddisfazione del cliente, per l'esattezza il 20% in più. I clienti soddisfatti diventano più coinvolti e più fedeli a un brand, consentendo alle aziende di creare fiducia e fidelizzare più clienti.

Fornire consigli personalizzati incoraggia gli utenti a visualizzare e fare clic su più articoli, il che può portare a convertire i semplici utenti in acquirenti. McKinsey ha riscontrato un aumento del 10-15% dei tassi di conversione nelle vendite grazie a esperienze dei clienti più positive e personalizzate.

Le conversioni dei clienti guidano le vendite e le vendite generano ricavi. McKinsey osserva che il 35% di ciò che gli acquirenti acquistano su Amazon proviene da consigli sui prodotti. Nel frattempo, Netflix stima un risparmio di oltre 1 miliardo di USD grazie al suo sistema di raccomandazione.

I sistemi di raccomandazione hanno i loro limiti e rappresentano una sfida per le organizzazioni. Ecco alcuni dei più comuni:

I motori di raccomandazione comportano l'analisi e il filtraggio di enormi quantità di dati, operazioni che richiedono architetture complesse e un investimento significativo in risorse informatiche.

I sistemi di raccomandazione devono essere sufficientemente veloci da determinare e visualizzare le raccomandazioni corrette in tempo reale. Ciò diventa complicato quando i suggerimenti in tempo reale vengono forniti contemporaneamente a centinaia o migliaia di utenti, per non parlare di quando sono milioni.

Ottimizzare gli algoritmi di machine learning in base alle metriche sbagliate può portare a raccomandazioni poco rilevanti. Gli articoli che hanno spesso un punteggio elevato potrebbero essere suggeriti più frequentemente rispetto a quelli nuovi, meno conosciuti o con meno recensioni. Tuttavia, gli articoli più popolari o più acquistati potrebbero non essere quelli a cui i clienti sono interessati.

Gli algoritmi di machine learning possono apprendere i bias sociali presenti nei dati, siano essi raccolti, taggati, di addestramento o provenienti da fonti esterne, oppure da valutatori umani che ottimizzano il modello. Ciò può dare luogo a raccomandazioni imprecise.

Alcuni utenti non accettano le iniziative di raccolta dei dati di determinate per i sistemi di raccomandazione per motivi di privacy. Queste aziende potrebbero quindi dover prendere in considerazione i requisiti normativi e gli standard di conformità durante la raccolta e l'archiviazione dei dati.

Ecco alcuni modi in cui le aziende possono utilizzare i sistemi di raccomandazione. Altri casi d'uso e applicazioni potrebbero emergere con l'evoluzione della tecnologia delle raccomandazioni.