Definizione, caratteristiche e tipologie dei sistema di raccomandazione

Cos’è un sistema di raccomandazione?

Nel marketing tradizionale si suole schematizzare il complesso sistema di interazioni tra cliente e impresa in un modello gerarchico, che da un’esposizione iniziale ad uno stimolo commerciale procede verso il formarsi di determinati atteggiamenti verso un prodotto, fino a giungere al suo possibile acquisto. In tal senso, il modo e il tempo in cui il consumatore viene a conoscenza dell’esistenza di un particolare bene, che possa soddisfare un suo bisogno inespresso, gioca un ruolo fondamentale.

Nell’era dei “big data” e della personalizzazione di massa, le aziende tendono ad affinare sempre più gli strumenti a loro disposizione per far sì che i propri potenziali clienti possano imbattersi esattamente in ciò che desiderano, nel preciso momento in cui insorge il bisogno; è in tale contesto che nascono e si sviluppano i sistemi di raccomandazione. Un sistema di raccomandazione è, essenzialmente, uno strumento che permetta di semplificare il processo di decision making di un consumatore, fornendogli suggerimenti su cosa acquistare. Il fine di questo genere di strumenti è evidente: attraverso una politica commerciale più mirata, le aziende possono incrementare significativamente il volume delle proprie vendite, cercando le migliori corrispondenze tra le caratteristiche dei prodotti in portafoglio con i desideri dei propri clienti attuali e potenziali.

Tali strumenti poggiano su un complesso sistema di dati e informazioni riguardanti i clienti, i prodotti da raccomandare e le transazioni, ossia le interazioni passate tra clienti e prodotti; il volume e la tipologia delle informazioni raccolte varia a seconda della complessità del sistema di raccomandazione che ci si propone di costruire. Sugli utenti, ad esempio, è possibile raccogliere informazioni complesse e dettagliate quali variabili di natura demografica, psicografica o sociale; i prodotti possono essere descritti da variabili che ne evidenzino la tipologia e le caratteristiche principali, e le stesse transazioni possono essere registrate nella forma di dati maggiormente strutturati, come giudizi sintetici espressi in forma di rating, o dati non strutturati come il contenuto delle recensioni.

Ma in che modo le imprese utilizzano tali dati per creare delle efficaci raccomandazioni? Un primo approccio può essere quello di analizzare le diverse transazioni per individuare gruppi di clienti con preferenze simili tra loro; in tal modo, se il cliente X e il cliente Y hanno manifestato dei comportamenti d’acquisto analoghi nel passato, si potranno raccomandare a ciascuno di loro i prodotti già graditi dall’altro.
Tale approccio viene anche definito “Collaborative filtering”, e sarà più chiaro una volta osservato l’esempio seguente: si pensi ad una generica azienda di nome XYZ, operante nel largo consumo, che desideri implementare un sistema di raccomandazione per migliorare le performance del proprio canale e-commerce. Avendo a disposizione un ampio database contenente lo storico delle transazioni effettuate negli ultimi dieci anni, decide di organizzarlo in modo tale da mettere in luce eventuali strutture di gruppo nei propri clienti, che saranno poi utilizzate per suggerire a ciascun cliente dei possibili futuri acquisti.

In questo caso l’obiettivo di XYZ è costruire un sistema di raccomandazione che tenga in considerazione dei pattern di similarità esistenti nel proprio portafoglio di clienti: è dunque un classico esempio di Collaborative filtering.
Ma supponiamo invece che la sopracitata azienda decida di utilizzare unicamente l’insieme di dati riferiti a ciascun cliente per costruire le proprie raccomandazioni, senza seguire un approccio “collaborativo” tra i consumatori presenti nel proprio portafoglio. In questo caso XYZ sarà interessata ad evidenziare dei pattern di similarità tra i prodotti acquistati da ciascun cliente negli ultimi dieci anni, in modo tale da comprendere la struttura delle sue preferenze ed effettuare efficaci raccomandazioni per i suoi acquisti futuri.
Questo tipo di approccio alla costruzione dei sistemi di raccomandazione è anche detto Content-based filtering, in quanto incentrato sulle analisi del contenuto delle singole transazioni effettuate dall’azienda con i propri clienti.
Collaborative filtering e Content-based filtering non esauriscono, tuttavia, la gamma di strumenti a disposizione delle aziende per effettuare delle raccomandazioni mirate ai propri clienti. Come si vedrà più avanti, l’azienda XYZ potrebbe optare per uno strumento ibrido tra i due, che mantenga i vantaggi offerti da entrambi cercando di eliminarne, al contempo, i difetti; tali sistemi di raccomandazione vengono definiti per l’appunto ibridi, in quanto combinano in un unico approccio le tecniche utilizzate per il Collaborative filtering e per il Content-based filtering.

Tipologie di sistemi di raccomandazione

Collaborative filtering

Per “Collaborative filtering” s’intende un’approccio alla raccomandazione basato sulla convergenza tra le preferenze di utenti diversi: a ciascuno di essi saranno raccomandati prodotti che abbiano già incontrato il gradimento di utenti con gusti simili. Un esempio molto chiaro del funzionamento di questa tipologia di sistemi di raccomandazione è dato dal seguente esempio: se i due utenti hanno caratteristiche simili, e ciascuno di essi ha acquistato le stesse pietanze, potremo raccomandare al secondo cliente la stessa bevanda acquistata dal primo, in ragione della simmetria tra le rispettive preferenze.

Neighborhood-based Collaborative filtering

I metodi “Neighborhood-based” si basano sul concetto di “nearest neighbors” per effettuare delle predizioni sui rating che un dato utente esprimerà su un insieme di prodotti. Tali “neighbors” non sono altro che un sottoinsieme costituito dai k utenti più simili al consumatore in questione, i cui rating saranno poi calcolati come combinazione “pesata” dei rating già espressi per gli stessi prodotti dai “nearest neighbors”.

Model-based Collaborative filtering

Le metodologie “Model-based” fanno uso di tecniche e modelli statistici per stimare i rating forniti da un particolare utente; tra questi possiamo citare gli algoritmi di classificazione e regressione, spesso utilizzati insieme a tecniche di riduzione della dimensionalità (come l’Analisi in componenti principali), volte a pre-processare la matrice user/rating allo scopo di diminuirne la sparsità.
Tuttavia, gli algoritmi standard di Machine Learning non esauriscono del tutto l’insieme di metodologie statistiche utilizzabili per costruire dei modelli di Collaborative filtering. Un ruolo decisamente importante a tal scopo lo rivestono i c.d. “Modelli dei fattori latenti”, tecniche volte a “estrapolare” dal rating esplicito attribuito da un utente i “fattori latenti” che ne sono alla base e che hanno caratterizzato la sua decisione.