pixel
Condividi
x

La matematica dietro l’e-commerce B2B di Aton

03/09/2019
Redazione-img
Redazione
E-commerce
Categorie

Recommendation system nel B2B

Il recommendation system è un’esperienza ormai quotidiana: mi collego a un sito di e-commerce, con un’idea abbastanza precisa in testa di cosa comprare; valuto un paio di alternative, e con una certa soddisfazione (il prezzo è davvero buono!) il mio carrello si riempie. A questo punto mi accingo a completare l’acquisto quando…
…l’ultimo ostacolo! Una serie di prodotti compaiono sullo schermo: pare infatti che altri clienti che mi somigliano li abbiano acquistati, per cui potrei farlo anch’io, e visto che ho acquistato questo telefono, sembra logico che io voglia acquistare anche la relativa custodia. Un po’ infastidito scorro velocemente questa vetrina virtuale preparata solo per me, e… sorpresa… mi accorgo che… mi interessa!

In Aton, lo sapete, siamo molto interessati a questi aspetti. Deriva dal nostro DNA: è ormai chiaro che il successo che i recommendation systems hanno in ambito B2C può essere riflesso in ambito B2B, e ci attira molto la loro caratteristica win-win; sono uno strumento vantaggioso per il venditore, ma che migliora anche l’esperienza dell’utente finale.

Eccovi quindi una piccola carrellata di quello che stiamo facendo.

Non è tutto… intelligenza artificiale!

È possibile creare un recommendation system semplicemente analizzando a livello statistico lo storico dei carrelli degli utenti (si chiama appunto basket analysis), contando la frequenza della presenza di coppie o gruppi particolari di prodotti, e identificando pattern di acquisto da riproporre all’utente finale nella fase di checkout. In effetti è un tool già molto potente così, e molti lo applicano con profitto.

Per la costruzione di un modello più “sofisticato” è ovviamente indispensabile essere in possesso di una grande mole di dati relativi allo storico delle vendite, in modo da sfruttare appieno la potenzialità degli algoritmi di IA. Tra questi spicca il collaborative filtering, che si pone come obiettivo quello di calcolare la similarità tra gli utenti di un sistema per poi generare dei consigli sugli acquisti basati sull’affinità tra gli utenti ed i prodotti che non hanno ancora acquistato.

In questo ambito, ci paiono promettenti:

  • l’algoritmo NCF (Neural Collaborative Filtering), che sfrutta il deep learning “classico” e l’architettura di apprendimento delle  reti neurali,
  • l’ALS (Alternating Least Squares), che applica una fattorizzazione matriciale (ossia una compressione delle informazioni) allo storico degli acquisti degli utenti, e permette sostanzialmente di prevedere che un utente comprerà qualcosa anche se non l’ha effettivamente mai fatto,
  • l’RBM (Restricted Boltzmann Machine) che, pur essendo stata ideata nel 1986 e avendo una struttura molto semplice, ha degli ottimi risultati nella pratica.

Composizione e valutazione del recommendation system: come avviene?

Dopo aver composto un recommendation system… se ne fa un altro. Ci sono moltissimi parametri che si possono variare, e un buon recommendation system è una composizione di algoritmi: ben difficilmente si mettono tutte le uova nello stesso paniere; utilizzare più algoritmi permette di avere un set di suggerimenti più variegato e sarà più probabile incontrare il gusto dell’utente.

Per valutare quale sistema sia il migliore, si applicano poi altre tecniche statistiche, le cosiddette ranking metric e rating metric, che ci consentono di confrontare le predizioni con i casi reali, e valutare cosa poi applicare sul “campo”.

Il nostro recommendation system è quindi pronto, ma non è di certo definitivo: come minimo, va adattato alla strategia di marketing dell’azienda; inoltre, fra qualche mese sarà probabilmente necessario ri-modificare un po’ i parametri, per adattarsi alle “fluttuazioni del mercato” o alle nuove tecnologie…

Insomma, è un mondo complesso e affascinante, come molte cose che riguardano l’informatica di questi tempi. Però noi ci crediamo, perché veramente può dare del valore aggiunto. Come sempre, siamo davvero curiosi di vedere cosa ci riserverà il futuro!

ATONEWS
Le persone al centro
Aton Spring I/O 2023
Tech
Michele Mauro
Il processo OpenAPI di Aton allo Spring I/O 2023
25/05/2023
Approfondisci
SoftPOS-Aton-img
Food & Consumer Goods · Sales
Sandro Gava
SoftPOS: il futuro dei pagamenti nel mercato B2B
17/05/2023
Approfondisci
Risultati primo trimestre 2023 Aton
People·Planet·Prosperity
Tania Zanatta
Gruppo Aton: Risultati primo trimestre 2023
12/05/2023
Approfondisci
pet-food-raccolta-ordini-aton-img
Food & Consumer Goods · Sales
Giovanni Bonamigo
Aton per il pet food in Italia: quali app di vendita scegliere?
11/05/2023
Approfondisci
Retail · Retail Management
Cristiano Negri
Task Manager: la gestione delle attività nel mondo Retail
04/05/2023
Approfondisci
Distribuzione-farmaceutica-strumenti-vendite-img
Food & Consumer Goods · Sales
Giovanni Bonamigo
Distribuzione farmaceutica: strumenti per le vendite
27/04/2023
Approfondisci
CASE STUDY
Ecco alcune delle nostre esperienze
Leggi
caffè-vergnano-case-study-aton-img

Caffè Vergnano

Food & Consumer Goods .onSales
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
iper-la-grande-i-img

Iper La grande i

Retail
Iper La grande i ha registrato una rapida crescita specializzandosi in diverse categorie del settore alimentare come prodotti freschi, cibi preparati in laboratori a vista e ristorazione con ricette…
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