Oggi i motori di raccomandazione dei prodotti sono in grado di comprendere i clienti in tempo reale e di suggerire i migliori abbinamenti utilizzando diversi algoritmi di apprendimento automatico.
Di solito utilizzano diversi tipi di dati memorizzati per personalizzare interamente le pagine delle categorie o i risultati delle ricerche, per visualizzare le offerte più rilevanti sulla homepage, ecc. In questo articolo vi mostrerò alcuni dei migliori algoritmi di raccomandazione e vi spiegherò come vengono implementati per migliorare le raccomandazioni nell'e-commerce.
Principali differenze tra Intelligenza Artificiale, Apprendimento Automatico e Apprendimento Profondo
L'intelligenza artificiale (AI) si riferisce all'uso dei dati da parte di macchine, robot e sistemi addestrati a esprimere e simulare il pensiero umano.
La maggior parte degli esempi di intelligenza artificiale nel marketing oggi si basa sull'apprendimento automatico, che va dal fornire raccomandazioni personalizzate sui prodotti all'aiutare a determinare i canali di promozione più redditizi, a prevedere il tasso di abbandono dei clienti o il loro valore di vita e a creare una migliore base di clienti.
Il processo alla base di tutto questo è più semplice di quanto sembri. Si dispone di molti dati e si possono utilizzare speciali strumenti o modelli basati sul ML per apprendere schemi, somiglianze e comportamenti. I risultati vi aiuteranno a migliorare le previsioni, le stime e i pronostici. Tuttavia, grazie all'apprendimento automatico, i decisori umani devono intervenire per verificare se le previsioni sono accurate e regolare il modello per i processi futuri.
D'altra parte, l'apprendimento profondo funziona in modo simile ai modelli di apprendimento automatico, ma utilizza più di un milione di punti dati ed è in grado di determinare se la previsione è corretta. Poiché il deep learning è un sistema di autoapprendimento, non è più necessario l'intervento manuale e i risultati possono essere utilizzati immediatamente.
Diversi tipi di sistemi di raccomandazione
Sebbene termini come intelligenza artificiale, apprendimento automatico, data mining o reti neurali utilizzati per costruire sistemi di raccomandazione sembrino molto complicati, l'idea alla base è semplice: si dispone di una serie di calcoli e algoritmi intelligenti in grado di comprendere gradualmente i clienti e di prevedere le loro preferenze.
Utilizza molti "segnali" di dati come:
- Numero di acquisti precedenti
- Quantità e tipo di prodotto negli acquisti precedenti
- Query di ricerca
- Cronologia di navigazione
- Prodotto inserito nel carrello
- Prodotti che avete condiviso o valutato
- Posizione dell'utente
- Tempo di sosta
- Segmenti di clienti (buyer personas)
Le raccomandazioni predittive possono sembrare fantascienza o sembrano essere fuori dalla vostra portata, ma la verità è che si stanno utilizzando in molti negozi diversi grazie ad alcuni prodotti facili da usare.
I vantaggi delle raccomandazioni di prodotti per l'e-commerce basate sull'intelligenza artificiale al giorno d'oggi
Con le soluzioni software tradizionali, il metodo consiste nell'eseguire l'analisi dei requisiti, definire le specifiche del prodotto e quindi sviluppare le soluzioni.
Nei progetti di IA, il metodo classico di visualizzazione delle specifiche è completamente invertito. Per prima cosa, è necessario costruire i propri dati per realizzare la soluzione migliore. Il metodo utilizzato nelle soluzioni di IA consiste nell'avviare rapidi esperimenti dopo l'analisi dei requisiti, piuttosto che iniziare il processo di progettazione e sviluppo.
L'apprendimento automatico può avere un impatto significativo sugli obiettivi aziendali:
- maggiori profitti
- aumento della fedeltà dei clienti
- tassi di conversione e valore medio dell'ordine più elevati
Lo sviluppo di soluzioni di intelligenza artificiale è un processo ciclico in cui ogni iterazione si evolve in una soluzione. Partendo dal Design Sprint, fornisco un prototipo fattibile entro una settimana. Lo spostamento della fase di analisi dei requisiti e dei dati dopo lo sprint di progettazione mi permette di concentrarmi su un ambito più ristretto.
I principali vantaggi che potrete sperimentare una volta introdotti questi consigli personalizzati sui prodotti per il vostro negozio online:
- Utilizzare i dati in tempo reale e su più canali di marketing
- Automatizzare la strategia di marketing
- Migliorare l'esperienza del cliente
- Miglioramento sensibile delle vendite
Mostra dei prodotti più popolari per numero di vendite
Questa tecnologia non personalizzata non si basa sulla scelta personale dell'utente, ma sulla preferenza collettiva, come ad esempio:
- Il numero di prodotti acquistati
- Tempistica sulla pagina del prodotto
- Inserimento ripetuto del prodotto nel carrello
- Numero di visualizzazioni e acquisti di prodotti in un luogo definito
La prima idea di mostrare prodotti popolari è che, poiché molte persone li hanno acquistati, è molto probabile che anche altri siano interessati.
Raccomandazioni basate sulla cronologia di navigazione
Proprio come dice il nome, si ricevono suggerimenti di nuovi prodotti in base a quelli già visti.
Ecco un chiaro confronto tra le raccomandazioni e gli articoli visti di recente su Asos, ad esempio:
Sistemi di raccomandazione basati sulla posizione
Il problema è che, sebbene il sistema sia facile da implementare, non porta molto valore. Le opzioni di personalizzazione sono scarse e tutti hanno la possibilità di ricevere più o meno gli stessi consigli, abbandonando il vostro nuovo prodotto.
Quando si utilizza questo algoritmo, di solito si trovano frasi come "Piace alle persone intorno a te" o "Anche le persone nella tua zona hanno acquistato". L'obiettivo di questo metodo è quello di indovinare le potenziali relazioni sociali o le peculiarità delle persone in un'area geografica. Se vendete prodotti a livello globale, potreste aver bisogno di mostrare in tali aree prodotti adatti a festività uniche o a eventi attuali di un particolare Paese.
È un metodo per portare le persone in un negozio fisico tramite dispositivi mobili o quando si trovano nei pressi del vostro negozio.
Filtraggio basato sui contenuti per le raccomandazioni di prodotti di e-commerce
Questo metodo dipende dalle somiglianze tra i prodotti venduti. Ognuno di questi articoli ha una serie di caratteristiche e ogni coppia di utenti viene utilizzata singolarmente e confrontata tra loro.
Supponiamo che vendiate prodotti di moda sul vostro negozio online. Avete un cliente che ha acquistato in precedenza 10 cloche e 8 di queste 10 erano di colori simili. Il filtraggio basato sui contenuti utilizza una serie di sistemi di dati booleani per giudicare quale sia la migliore raccomandazione per quel cliente in base alle caratteristiche delle acquisizioni precedenti e ai prodotti che ha acquistato o che ha aggiunto al carrello.
Di conseguenza, in questo caso il sistema consiglierà molto probabilmente un gruppo di colori simili della stessa marca o con gli stessi motivi cromatici.
Il problema del filtraggio dei contenuti è che è necessario raccogliere molti dati per fornire buone raccomandazioni ai clienti.
Tecnica di filtraggio collaborativo - Da utente a utente
Tra tutti i metodi di raccomandazione dei prodotti, uno dei più popolari è l'algoritmo di filtraggio collaborativo, che dipende interamente da come altri clienti e utenti hanno valutato in precedenza i prodotti che hanno acquistato.
Questo metodo nasce dall'idea che persone con acquisti e hobby simili in passato possano voler utilizzare gli stessi oggetti anche in futuro.
Esistono due modi principali per farlo:
- Utilizzare la classificazione classica
- Chiedete alle persone di scegliere tra due o più prodotti e il sistema ne classificherà automaticamente uno rispetto all'altro.
Il processo è semplice ma piuttosto lungo. Ecco come inizia:
- L'utente A valuta un prodotto con 4 stelle.
- B valuta lo stesso prodotto con 4 stelle.
- All'utente A piace un prodotto e gli assegna 5 stelle.
- A B verrà consigliato lo stesso prodotto che l'utente A ha valutato con 5 stelle, poiché si presume che anche all'utente B piacerà.
Un modo migliore di questo approccio è quello di utilizzare un database di grandi dimensioni e imparare questi punteggi dal suo comportamento.
Aumentare la fiducia con gli elementi di riprova sociale incorporati
Una parte significativa dei miglioramenti nelle vendite è determinata dalla fiducia; infatti, sebbene il concetto di prova sociale non sia nuovo, mi sorprende che poche aziende utilizzino elementi di prova sociale nei loro prodotti consigliati.
Amazon integra elementi di social proof in tutti i suoi widget di raccomandazione.
Tecnica di filtraggio collaborativo - Da elemento a elemento
Il precedente filtro collaborativo utente-utente può abbinare i prodotti in base agli acquisti e ai comportamenti dei diversi utenti. Attraverso un approccio di personalizzazione voce per voce, i prodotti del profilo di un singolo utente possono essere messi in relazione tra loro senza fare affidamento su altri acquirenti.
Ad esempio, se in precedenza avete acquistato un paio di scarpe di un marchio, vi verrà consigliato di acquistare altre scarpe dello stesso marchio.
Amazon utilizza le raccomandazioni di pacchetti, in cui i prodotti acquistati insieme sono spesso consigliati come strategia di cross-selling basata sui dati di acquisto passati dell'acquirente. Almeno in teoria, è possibile utilizzare un sistema di raccomandazione dei prodotti di e-commerce basato sull'intelligenza artificiale per visualizzare le scelte effettive degli utenti invece di selezionarle manualmente.
Di seguito, Barillance ha confrontato l'esperienza di un negozio nell'implementazione della personalizzazione della raccomandazione dei prodotti. Il risultato di questo test è davvero significativo!
Nell'immagine sottostante è possibile notare la principale differenza logica tra questi due diversi algoritmi
Come scegliere il miglior sistema di raccomandazione per il vostro e-commerce
La maggior parte dei siti web utilizza tecnologie di filtraggio collaborativo e di filtraggio basato sui contenuti per garantire l'accuratezza delle raccomandazioni personalizzate.
Per valutare se un sistema di raccomandazione per l'e-commerce funziona nella vostra situazione, è sufficiente eseguire un test A/B.
Questa soluzione può mostrare che i prodotti correlati "prodotti simili" sono stati visualizzati in base ai comportamenti di acquisto passati di una persona, non solo in relazione ai prodotti che stava visualizzando, aumentando così i tassi di click-through, incrementando le entrate e portando più azioni "aggiungi alla shopping bag".
Detto questo, testare la tecnica di filtraggio collaborativo contro le tecniche di filtraggio basate sui contenuti è semplicemente una perdita di tempo, poiché la maggior parte dei negozi di e-commerceutilizza giàla tecnica ibrida, che si è dimostrata più accurata.
Si dovrebbe pensare di utilizzare le raccomandazioni utilizzando restrizioni o correzioni all'algoritmo, come ad esempio:
- Limitare la visualizzazione dei prodotti a prezzo pieno
- Evitare i conflitti di marca su particolari sezioni di cross-selling
- Privilegiare i prodotti stagionali
Estendere la raccomandazione dei prodotti su più canali
La strategia omnicanale può aumentare i ricavi. La raccomandazione dei prodotti è uno strumento fondamentale per rendere efficace l'omnicanalità.
Permettono di utilizzare i "segnali" noti dei clienti per creare preventivi mirati e abbinare l'affinità ai prodotti tramite chat, e-mail o pop-up modali.
Potete utilizzare un sistema di raccomandazione nella vostra newsletter creando una sezione vetrina che mostri i prodotti più venduti in una particolare categoria o che meglio si adattano a quel particolare cliente. Ad ogni apertura, l'email sarà personalizzata 1:1.
