Condividi
x
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
.one Retail
Retail · Retail Management
Cristiano Negri
.one Retail: la nuova piattaforma applicativa per il retail
01/04/2025
Approfondisci
.one AI ticketing
Tech
Andrea Cobre
.one AI per il ticketing: rivoluzione nella gestione delle richieste
27/03/2025
Approfondisci
People
Giulia Stefano
.atonAcademy 2025: Masterclass Tech Sales & Business Development
14/03/2025
Approfondisci
I primi 90 giorni in Aton dopo .atonAcademy
People
Giulia Stefano
Da .atonAcademy a Aton: i primi 90 giorni di Ioana, Nicola e Deborah
13/03/2025
Approfondisci
Risultati 2024 del Gruppo Aton
Prosperity
Tania Zanatta
Aton: il fatturato vola a 23,3 milioni. Crescono gli ordini dall’estero
07/03/2025
Approfondisci
AI per processare gli ordini
Tech
Andrea Cobre
L’AI per processare gli ordini destrutturati
26/02/2025
Approfondisci
CASE STUDY
Ecco alcune delle nostre esperienze
Leggi
GranTerre e il .PIM di Aton

GranTerre

Food & Consumer Goods
Come gestire e valorizzare un patrimonio informativo composto da decine di migliaia di articoli, coinvolgendo al tempo stesso una molteplicità di attori interni ed esterni all’azienda? È la sfida affrontata…
Approfondisci
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