Consiglieresti i Motori di Raccomandazione?

Nel business, il problema dell’ago nel pagliaio è una sfida costante. I motori di raccomandazione sono qui per aiutare a superare questa sfida.

Nel commercio elettronico e nel retail, offri centinaia o migliaia di prodotti. Quale è il prodotto giusto per i tuoi clienti?

Nelle vendite e nel marketing, hai un gran numero di potenziali clienti nella tua pipeline. Tuttavia, hai solo un numero limitato di ore al giorno. Quindi, affronti la sfida di decidere dove concentrare precisamente il tuo sforzo.

Esiste una tecnologia specializzata alimentata da AI e Big Data, che rende queste sfide molto più facili da gestire, i motori di raccomandazione.

Cosa sono i sistemi di raccomandazione?

In termini semplici, un motore di raccomandazione scorre attraverso molti elementi e prevede la selezione più rilevante per l’utente. Per i consumatori, il motore di raccomandazione di prodotti di Amazon (AMZN ) è un esempio familiare. Nel mondo dello spettacolo, Netflix (NFLX ) ha lavorato sodo per sviluppare il suo motore. Il motore di raccomandazione di Netflix ha prodotto benefici di bilancio:

“[Il sistema di raccomandazione sofisticato di Netflix] e l’esperienza utente personalizzata, gli hanno permesso di risparmiare 1 miliardo di dollari all’anno dalle cancellazioni del servizio.” – Il ROI dei motori di raccomandazione per il marketing

Dal punto di vista dell’utente finale, spesso non è chiaro come funzionano i motori di raccomandazione. Stiamo per tirare fuori il sipario e spiegare come funzionano, a partire dall’ingrediente chiave: i dati.

Motori di raccomandazione: quali dati utilizzano?

I dati necessari per un motore di raccomandazione dipendono dal tuo obiettivo. Supponiamo che il tuo obiettivo sia aumentare le vendite in un’azienda di commercio elettronico. In quel caso, i dati minimi richiesti sarebbero di due categorie: un database di prodotti e il comportamento dell’utente finale. Per illustrare come funziona, guardiamo a questo semplice esempio.

• Azienda: Accessori USB, Inc. L’azienda si specializza nella vendita di accessori e prodotti USB come cavi, chiavette e hub a consumatori e aziende.
• Dati del prodotto. Per mantenere il motore di raccomandazione iniziale semplice, l’azienda lo limita a 100 prodotti.
• Dati dell’utente. Nel caso di un negozio online, i dati dell’utente includeranno informazioni sull’analisi del sito web, marketing via email e altre fonti. Ad esempio, potresti scoprire che il 50% dei clienti che acquistano un hard disk esterno acquista anche cavi USB.
• Output della raccomandazione. In questo caso, il tuo motore di raccomandazione potrebbe generare una raccomandazione (o un codice di sconto) per gli acquirenti di hard disk per incoraggiarli ad acquistare cavi USB.

Nella pratica, i migliori motori di raccomandazione utilizzano molti più dati. In generale, i motori di raccomandazione producono risultati aziendali migliori quando hanno una grande quantità di dati a disposizione.

Come utilizzano i motori di raccomandazione i tuoi dati?

Molti motori di raccomandazione utilizzano una manciata di tecniche per elaborare i tuoi dati.

Filtraggio basato sul contenuto

Questo tipo di algoritmo di raccomandazione combina le preferenze dell’utente e tenta di raccomandare elementi simili. In questo caso, il motore si concentra sul prodotto e sottolinea elementi correlati. Questo tipo di motore di raccomandazione è relativamente semplice da costruire. È un buon punto di partenza per le aziende con dati limitati.

Filtraggio collaborativo

Hai mai chiesto a qualcun altro una raccomandazione prima di effettuare un acquisto? O hai considerato le recensioni online nel tuo processo di acquisto? Se sì, hai sperimentato il filtraggio collaborativo. I motori di raccomandazione più avanzati analizzano le recensioni degli utenti, le valutazioni e altri contenuti generati dagli utenti per produrre suggerimenti rilevanti. Questa strategia di motore di raccomandazione è potente perché sfrutta la prova sociale.

Raccomandatori ibridi

I motori di raccomandazione ibridi combinano due o più metodi di raccomandazione per produrre risultati migliori. Tornando all’esempio di commercio elettronico sopra descritto, supponiamo di aver acquisito recensioni e valutazioni degli utenti (ad esempio, da 1 a 5 stelle) nell’ultimo anno. Ora, possiamo utilizzare sia il filtraggio basato sul contenuto che il filtraggio collaborativo per presentare raccomandazioni. Combinare più motori di raccomandazione o algoritmi con successo richiede generalmente sperimentazione. Per questo motivo, è meglio considerarlo una strategia relativamente avanzata.

Un motore di raccomandazione ha successo solo se lo alimenti con dati di alta qualità. Inoltre, non può funzionare efficacemente se hai errori o informazioni obsolete nel database aziendale. È per questo che devi investire risorse nella qualità dei dati in modo continuo.

Casi di studio:

Hiring Automated: punteggio dei candidati

Ci sono più di 50 richiedenti in media per ogni annuncio di lavoro, secondo la ricerca di Jobvite. Per i dipartimenti delle risorse umane e i manager, questo volume di richiedenti crea una quantità enorme di lavoro. Per semplificare il processo, Blue Orange ha implementato un motore di raccomandazione per un fondo hedge di Fortune 500. Questo progetto di automazione delle risorse umane ha aiutato l’azienda a classificare i candidati in modo standardizzato. Utilizzando dieci anni di dati sui richiedenti e sui curricula, l’azienda ora ha un modello di punteggio sofisticato per trovare candidati adatti.

Un fondo hedge di New York City doveva analizzare curricula inconsistenti e richiedeva OCR per migliorare il proprio processo di assunzione. Anche il miglior parsing OCR ti lascia con dati non strutturati e disordinati. Poi, man mano che il candidato procede nel processo di applicazione, gli esseri umani si coinvolgono. Aggiungi al set di dati testi liberi di recensioni del candidato e sia pregiudizi linguistici che personali. Inoltre, ogni fonte di dati è isolata e fornisce opportunità di analisi limitate.

Approccio: Dopo aver valutato i processi di assunzione di molte aziende, abbiamo trovato tre opportunità consistenti per migliorare sistematicamente i risultati delle assunzioni utilizzando NLP e apprendimento automatico. Le aree problematiche sono: strutturare correttamente i dati dei curricula dei candidati, valutare l’idoneità per il lavoro e ridurre i pregiudizi di assunzione umani. Con un set di dati pulito e strutturato, siamo stati in grado di eseguire sia l’analisi del sentimento sul testo che la rilevazione della soggettività per ridurre i pregiudizi dei candidati nella valutazione umana.

Risultati: Utilizzando rilevatori di parole chiave, riconoscimento ottico dei caratteri e motori NLP basati su cloud, siamo stati in grado di pulire il testo e trasformarlo in dati relazionali. Con dati strutturati, abbiamo fornito un dashboard di Business Analytics veloce, interattivo e ricercabile in AWS QuickSight.

E-commerce: Zageno Medical Supplies

Un altro esempio di motori di raccomandazione implementati nel mondo reale proviene da Zageno. Zageno è un’azienda di commercio elettronico che fa per gli scienziati di laboratorio ciò che Amazon fa per il resto di noi. La precisazione è che le esigenze degli scienziati di laboratorio sono esatte, quindi le forniture acquistate per la loro ricerca devono essere precise. Le citazioni seguenti sono tratte dalla nostra intervista con Zageno e mettono in evidenza come utilizzano i motori di raccomandazione per consegnare le forniture più accurate agli scienziati di laboratorio.

Q&A: Blue Orange Digital intervista Zageno

Domanda:
Come ha utilizzato la tua azienda un motore di raccomandazione e quali risultati ha visto?

Risposta:

Ci sono due esempi dei motori di raccomandazione che ZAGENO impiega per i suoi clienti scientifici. Per spiegarli, abbiamo pensato di elencarli.

• Punteggio scientifico di ZAGENO:
  • Il Punteggio scientifico di ZAGENO è un sistema di valutazione dei prodotti completo, sviluppato specificamente per la valutazione dei prodotti di ricerca. Incorpora diversi aspetti dei dati del prodotto, da più fonti, per dotare gli scienziati di una valutazione del prodotto sofisticata e imparziale per prendere decisioni di acquisto accurate.
  • Applichiamo algoritmi di apprendimento automatico sofisticati per abbinare, raggruppare e categorizzare con precisione milioni di prodotti. Il Punteggio scientifico tiene conto di queste categorizzazioni, poiché il punteggio di ogni prodotto è calcolato in relazione a quelli nella stessa categoria. Il risultato è un sistema di valutazione che gli scienziati possono fidarsi — uno che è specifico per il tipo di prodotto e l’applicazione del prodotto.
  • Le valutazioni standard dei prodotti sono utili per valutare rapidamente i prodotti, ma sono spesso distorte e poco affidabili, a causa della loro dipendenza da recensioni sconosciute o da un singolo metrica (ad esempio, pubblicazioni). Inoltre, forniscono pochi dettagli sul contesto sperimentale o sull’applicazione. Il Punteggio scientifico utilizza una metodologia scientifica per valutare in modo oggettivo e completo i prodotti di ricerca. Combina tutte le informazioni necessarie e rilevanti sul prodotto in una singola valutazione da 0 a 10 per supportare i nostri clienti nella decisione di quale prodotto acquistare e utilizzare per la loro applicazione — risparmiando ore di ricerca sui prodotti.
  • Per assicurare che nessun singolo fattore domini, aggiungiamo punti di interruzione e diamo più peso ai contributi recenti. La grande quantità di fattori che prendiamo in considerazione elimina virtualmente ogni opportunità di manipolazione. Di conseguenza, il nostro punteggio è una misura oggettiva della qualità e della quantità delle informazioni disponibili sul prodotto, che supporta le decisioni di acquisto dei nostri clienti.
• Prodotti alternativi:
  • I prodotti alternativi sono definiti dagli stessi valori per gli attributi chiave; gli attributi chiave sono definiti per ogni categoria per tenere conto delle caratteristiche specifiche del prodotto.
  • Stiamo lavorando per aumentare i dati e gli attributi sottostanti e migliorare l’algoritmo per migliorare le suggerimenti
  • Le suggerimenti di prodotti alternativi sono intese ad aiutare sia gli scienziati che gli acquisti a considerare e valutare potenziali prodotti, che potrebbero non aver considerato/conosciuto altrimenti
  • I prodotti alternativi sono definiti esclusivamente dalle caratteristiche del prodotto e indipendenti da fornitori, marche o altri dati commerciali

Consiglieresti i sistemi di raccomandazione?

“Sì, ma assicurati di utilizzare i dati giusti per basare la tua raccomandazione su entrambi la qualità e la quantità che riflettono le vere aspettative degli utenti. Crea trasparenza perché nessuno, in particolare gli scienziati, si fiderà o si baserà su una scatola nera. Condividi con gli utenti quali informazioni vengono utilizzate, come vengono pesate e continua a imparare in modo da migliorare costantemente. Infine, completa il ciclo portando i feedback degli utenti che hai raccolto e riportandoli nel sistema.” – Zageno

Il potere dei motori di raccomandazione non è mai stato maggiore. Come mostrato da giganti come Amazon e Netflix, i motori di raccomandazione possono essere direttamente responsabili di aumenti dei ricavi e dei tassi di fidelizzazione dei clienti. Aziende come Zageno mostrano che non è necessario essere un’azienda enorme per sfruttare il potere dei motori di raccomandazione. I vantaggi dei motori di raccomandazione si estendono attraverso molti settori, dal commercio elettronico alle risorse umane.

Il modo veloce per portare i motori di raccomandazione alla tua azienda

Sviluppare un motore di raccomandazione richiede competenze in materia di dati. Il tuo team IT interno potrebbe non avere la capacità di costruirlo. Se desideri ottenere i vantaggi di fidelizzazione dei clienti e di efficienza dei motori di raccomandazione, non devi aspettare che IT diventi meno impegnato. Contattaci e facci sapere. Il team di data science di Blue Orange Digital è felice di far funzionare i motori di raccomandazione a tuo vantaggio!

fonte immagine principale: Canva