Recommender System: chi ti conosce meglio di te stesso?

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. 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  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. Per ogni utente “u”, serve scegliere l’elemento “i” che massimizza la funzione “obiettivo”. 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.