Come i motori di raccomandazione prodotti IA scelgono davvero cosa mostrare

Raccomandazioni basate sui contenuti: confrontare cos'è un prodotto

Un sistema basato sui contenuti raccomanda prodotti confrontando le loro caratteristiche effettive — categoria, materiali, fascia di prezzo, tag descrittivi — con ciò per cui un acquirente specifico ha già mostrato interesse. Se qualcuno visualizza un paio di scarponi da trekking impermeabili, un sistema basato sui contenuti cerca altri prodotti che condividono attributi rilevanti: altre calzature impermeabili, altra attrezzatura da trekking, articoli in una fascia di prezzo simile.

Questo approccio si basa tipicamente sulle informazioni proprie di un singolo acquirente piuttosto che attingere a ciò che ha fatto la comunità più ampia di clienti, il che lo rende più prevedibile ma anche più limitato — tende a raccomandare cose simili a ciò che qualcuno ha già visto, il che può significare meno varietà per un acquirente che sta navigando.

Filtraggio collaborativo: confrontare cosa ha fatto la gente

Il filtraggio collaborativo funziona diversamente. La documentazione di Google sull'approccio lo descrive come l'uso simultaneo di somiglianze tra utenti e articoli, apprese da schemi nel comportamento della comunità piuttosto che dalle caratteristiche di un singolo prodotto. In pratica: se i clienti che hanno acquistato gli stessi scarponi da trekking del tuo acquirente attuale hanno anche frequentemente acquistato una mappa sentieristica particolare o calzini da trekking, il sistema raccomanda quegli articoli — non perché condividano caratteristiche ovvie con gli scarponi, ma perché persone con schemi di acquisto simili hanno comprato entrambi.

Questo può produrre il tipo di raccomandazione piacevolmente inaspettata che un sistema basato sui contenuti raramente produrrebbe, poiché non è limitato ad articoli che condividono caratteristiche superficiali. Il compromesso è che ha bisogno di dati comportamentali reali per funzionare innanzitutto. I principali fornitori cloud riflettono questa stessa divisione in come costruiscono i loro strumenti di raccomandazione: la documentazione di Amazon stessa per il suo servizio Personalize descrive il supporto di algoritmi sia collaborativi che basati sui contenuti fianco a fianco, piuttosto che trattarne uno come sostituto universale dell'altro.

Il problema del cold-start che i piccoli negozi dovrebbero pianificare

La debolezza centrale del filtraggio collaborativo è ciò che è noto come problema del cold-start: non può raccomandare in modo significativo un prodotto senza ancora cronologia di acquisto o interazione, e ha poco con cui lavorare per un visitatore completamente nuovo il cui comportamento non è registrato. Per un negozio piccolo o più recente con un catalogo limitato e traffico modesto, questo non è un caso limite ipotetico — è la situazione normale per una quota significativa di prodotti e visitatori.

È esattamente qui che un approccio basato sui contenuti, o un sistema misto che ricade sulle caratteristiche del prodotto quando i dati comportamentali sono scarsi, tende a funzionare in modo più affidabile per cataloghi più piccoli. Un motore di raccomandazione puramente a filtraggio collaborativo calibrato per un rivenditore ad alto traffico potrebbe semplicemente avere troppo pochi dati con cui lavorare su un negozio più piccolo — la stessa limitazione del cold-start che i confronti accademici dei due approcci descrivono come una delle debolezze più costantemente documentate del filtraggio collaborativo.

Cosa valutare davvero quando si valuta un'app di raccomandazione

Chiedi quale approccio usa effettivamente l'app, poiché i fornitori non sempre anticipano questo dettaglio, e l'adattamento giusto dipende genuinamente dalla dimensione del catalogo e dal traffico. Un negozio più grande con un volume di transazioni significativo per prodotto può beneficiare della capacità del filtraggio collaborativo di far emergere connessioni non ovvie. Un negozio più piccolo o più recente è spesso servito meglio da un approccio basato sui contenuti o misto che non dipende da dati comportamentali che il negozio non ha ancora.

Vale anche la pena ricordare cosa questo sistema non può fare: opera solo su visitatori già presenti sul tuo sito. Non ha alcuna relazione con se un assistente IA raccomanda il tuo negozio a qualcuno che non ti ha ancora trovato — quello è un problema separato che richiede soluzioni separate, trattato nella nostra guida sulla personalizzazione IA contro la visibilità IA.

FAQ