pixel
Condividi
x

Recommender System: chi ti conosce meglio di te stesso?

25/01/2019
Redazione-img
Redazione
Prosperity ,Sell-out
Categorie

Come disse Steve Jobs “spesso la gente non sa cosa vuole finché non lo vede”.

Oggi siamo il bersaglio di innumerevoli messaggi che ci “consigliano” acquisti di beni o servizi che non avremmo mai acquistato se non ci fossero stati messi sotto il naso, creando in noi un nuovo bisogno o risvegliandone uno di latente. Reccomender System Alcuni esempi* concreti:

  • Due terzi dei film guardati su Netflix sono suggeriti agli utenti della famosa piattaforma di video streaming
  • Google News: 38% dei click-through sono originati da link suggeriti dagli algoritmi del gigante del web
  • Amazon genera il 35% delle sue vendite da suggerimenti ai suoi utenti

(*) Source: VentureBeat.com Netflix Dietro a questi suggerimenti mirati ci sono dei sistemi che possono essere assai complessi: i recommender systems. Questi sistemi hanno i seguenti obiettivi:

  • Mantenere il cliente fidelizzato
  • Aumentare i volume di traffico degli utenti del servizio
  • Fornire una esperienza utente (UX) il più mirata alle sue aspettative
  • Ampliare i confini di un mercato

Ma soprattutto, riuscire a far acquistare ciò che si vuole vendere maggiormente. Da un punto di vista più tecnico, il problema che affronta unrecommendation engine  è quello di sviluppare un modello matematico o una funzione “obiettivo” che possa prevedere quanto un utente vorrà un prodotto o servizio. Reccomended System definition Per ogni utente “u”, serve scegliere l’elemento “i” che massimizza la funzione “obiettivo”. content-basedfiltering_ collaborativefiltering Esistono diverse tipologie di recommendation:

  • basate sul contenuto: “hai letto un libro, ti suggerisco libri simili”
  • basate sulla correlazione tra utenti con caratteristiche simili nel modello di acquisto

E’ qui che entra in gioco l’intelligenza artificiale: i recommender system che sfruttano l’intelligenza artificiale sono nati con l’obiettivo di consigliare ad un utente oggetti che non ha mai acquistato prima!
La similarità tra utenti può essere calcolata in diversi modi:

  • social network: il presupposto è che due «amici» su un  social network hanno degli interessi in comune
  • valutazioni passate: vengono «scoperti» certi particolari pattern dall’analisi delle valutazioni passate degli utenti

Come è possibile capire se un recommender system funziona bene?
Ecco alcune metriche di valutazione:

  • Precisione: Qual è la differenza tra il rating reale e la sua previsione?
  • Diversità: Quanto sono diverse le raccomandazioni?
  • Copertura: Qual è la percentuale di spazio per gli elementi utente che può essere raccomandata?
  • Serendipity: Quanto sono sorprendenti le raccomandazioni pertinenti?
  • Novità: Quanto sono sorprendenti le raccomandazioni in generale?
  • Rilevanza: Quanto sono rilevanti le raccomandazioni?

Detto questo non possiamo non considerare il fatto che i recommender system hanno un potenziale enorme nel supportare le vendite omnicanale anticipando i bisogni dei clienti.

ATONEWS
Le persone al centro
Progetti evolutivi atonpeople
People·Prosperity
Elena Pera
Per la crescita di Aton, puntiamo sulla crescita degli atonpeople
28/03/2024
Approfondisci
Nomade digitale - Aton
People
Alberto Canova
Il nomade digitale…stanziato a Cape Town!
27/03/2024
Approfondisci
Remote working da Barcellona - Alessandro Martin
People
Alessandro Martin
Dal villaggio alla grande città con il remote working
25/03/2024
Approfondisci
Inventario - Aton
Retail · Retail Management·Tech
Andrea Cobre
L’inventario: scenari e tecnologie per il Retail
22/03/2024
Approfondisci
Fiera Alimentaria 2024 Barcelona - Aton
Food & Consumer Goods · Sales
Pilar Jarillo Rincón
Fiera Alimentaria 2024: il futuro del Food & Beverage da Barcellona
21/03/2024
Approfondisci
digital nomadism - Aton
People
Germano Rizzo
Oh My Buddha: sogni e pratica del digital nomadism
18/03/2024
Approfondisci
CASE STUDY
Ecco alcune delle nostre esperienze
Leggi
caffè-vergnano-case-study-aton-img

Caffè Vergnano

Food & Consumer Goods
Oggi Caffè Vergnano è presente sul territorio in 19 regioni con oltre 4.500 clienti Ho.Re.Ca e nel mondo con più di 70 locali in 19 paesi.
Approfondisci
Leggi
unicomm-banner-img

Unicomm

Retail Vendite Omnichannel
Nel corso dei suoi quasi 70 anni di storia Unicomm è cresciuto fino ad essere presente oggi in 7 regioni e 32 province italiane. Con oltre 1500…
Approfondisci
Leggi
shv-energy-case-study-img

SHV Energy

Energy
In una sola web console l’azienda registra i dati, gestisce gli ordini, pianifica i rifornimenti, la manutenzione e si assicura che tutte queste operazioni vengano riportate in modo immediato e automatico nel gestionale.
Approfondisci
Leggi
gruppo-poli-banner-img

Gruppo Poli

Retail Vendite Omnichannel
Poli ha unito tradizione e innovazione nel proprio modo di fare impresa ponendo particolare attenzione ai collaboratori, ai clienti e al territorio. In Aton, ha trovato un partner con…
Approfondisci
Leggi
cattel-banner-img

Cattel

Food & Consumer Goods Vendite Omnichannel
Cattel S.p.a, azienda leader nel Nord d’Italia nella distribuzione di prodotti alimentari nel canale Ho.Re.Ca ha profondamente trasformato la raccolta ordini adottando la soluzione .onSales B2B di Aton.
Approfondisci
Leggi
Despar-Case-banner-img

Despar

Retail Vendite Omnichannel
Tutte le operazioni di negozio gestite in palmo di mano per gli oltre 600 punti vendita Despar, Eurospar e Interspar
Approfondisci