RECOMMENDATION SYSTEMS - Reply
←
→
Trascrizione del contenuto della pagina
Se il tuo browser non visualizza correttamente la pagina, ti preghiamo di leggere il contenuto della pagina quaggiù
RECOMMENDATION SYSTEMS I Recommendation Systems rappresentano uno dei due pilastri fondamentali del framework Reply sul Robotics for Customers. I Recommendation Systems possono essere definiti come una particolare forma di filtraggio intelligente delle informazioni, volta a estrarre valore tramite la scoperta di similarità tra utenti e/o elementi a catalogo. Sono utilizzati per generare una lista ordinata di proposte realizzata su misura per le preferenze dell’utente finale.
REPLY
RECOMMENDATION SYSTEMS
Tra le tecnologie che stanno trasformando in modo significativo
l’attitudine delle persone verso app e servizi digitali, quella offerta
dai Recommendation Systems sta acquisendo un impatto sempre
maggiore.
I Recommendation Systems sono alla base intelligente filtro ora noto come Page Rank
di molti dei servizi che oggi le persone (ed è interessante osservare come, nella
amano. La loro presenza e il loro uso sua versione personalizzata, la medesima
da parte di importanti player Internet è logica di Page Rank sia una delle soluzioni
pervasiva e a volte costituisce la ragione oggi più efficaci per la costruzione di
stessa del loro successo globale1. Non motori di recommendation).
è un segreto che Spotify abbia vinto la In generale, i Recommendation System
concorrenza di servizi precedenti come possono essere visti come strumenti per
Pandora o Deezer grazie al proprio il filtraggio di informazioni per utenti
straordinario Recommendation System. individuali, concepiti per personalizzare
Allo stesso modo, tutti sanno che, negli contenuti su oggetti a catalogo, dato un
anni ‘90, Google ha rivoluzionato la serie set di informazioni limitato relativo alla
precedente di motori di ricerca grazie a un storia di detti utenti (Fig. 1)
Figura 1 - L’idea dietro il Collaborative Filtering è che i prodotti acquistati insieme hanno
una maggiore probabilità di essere preferiti da clienti simili tra di loro
SIMILAR
MALE, 31 Y/O FEMALE,
MALE,2731
Y/O
Y/O FEMALE, 27 Y/O
MILAN, BASIC PROFILE MILAN,
MILAN,
BASIC
BASIC
PROFILE
PROFILE MILAN, BASIC PROFILE
BUY SEARCH BUY
BUY SEARCH
SEARCH BUY SEARCH
Recommend
1 - Secondo report McKinsey, il 30% delle visualizzazioni di pagine su Amazon.com e l’80% dei
film guardati su Netflix proviene dalle loro recommendation.
2RECOMMENDATION SYSTEMS
Sulla base dei dati informativi relativi a situazioni, contesti e
comportamenti passati dell’utente, le raccomandazioni dovrebbero
filtrare, in un catalogo di milioni di oggetti, il limitato numero di
oggetti che l’utente potrebbe preferire.
Oggi, le raccomandazioni robotizzate sono che modo i principi e gli strumenti delle
cruciali in molte fasi del Customer Journey: Recommendation data-driven possono
possono talvolta essere riconosciute come essere applicati in modo diretto con
un motore di suggerimenti esplicito nei risultati notevoli in molti ambiti, dai
cataloghi di e-commerce (ad esempio servizi finanziari al retail, dalle utility alle
Amazon, Walmart, , ecc.), o come motore telecomunicazioni.
di filtraggio personalizzato nei
suggerimenti di contenuti digitali (es. Ciò è ora possibile grazie a due fattori: da
Netflix, Spotify, Youtube, ecc.), o in modo un lato, la crescita enorme delle capacità
più sottile, di elaborazione dei dati e, d’altra parte,
la loro influenza può essere nascosta nelle la ricerca che in anni recenti ha portato le
classificazioni delle presentazioni di logiche delle raccomandazioni da teorie
contenuti, ad esempio nei contenuti accademiche astratte a casi concreti di
social, timeline (es. Instagram, Facebook, business.
Twitter, ecc.).
Se la disponibilità della potenza di
I motori di raccomandazione funzionano elaborazione e dei dati è garantita
elaborando informazioni a partire dalle attuali piattaforme dati aziendali,
da centinaia di milioni di eventi per la configurazione di un motore di
costruire un modello predittivo capace di recommendation produzione richiede
indovinare gli interessi personali, sulla ancora conoscenze distintive.
base degli interessi di altri utenti simili
raccolti in tempo reale sulla rete.
La novità, oggi, è che le stesse tecniche
fino a ora risorsa peculiare dei grandi
attori di Internet, sono a disposizione di
tutti. Il framework Robotics for Customers
mira a guidare i clienti verso strumenti
di Data-Driven Customer Engagement,
come i Recommendation e Conversational
Systems. Questo framework mostra in
3REPLY
Quando si deve progettare una recommendation, ci sono
molti elementi importanti che vanno tenuti in considerazione,
ad esempio:
• Quale livello di un catalogo prodotti • In quale tipo di relazione gli oggetti
deve essere considerato. In casi come il possono essere collegati gli uni agli
retail è chiaro che i prodotti sono oggetti altri. Esistono numerose limitazioni
commercializzabili ben definiti, con sulla compatibilità reciproca dei
codici di identificazione standard. In altri prodotti. tali vincoli potrebbero
ambiti (es. Financial Services), i prodotti emergere o meno dai dati (es. gli
sono un composto di clausole, garanzie accessori degli smartphone potrebbero
e politiche, spesso composte su misura variare a seconda degli standard e
per il singolo contratto. In questi casi, il della compatibilità dei prodotti, così
catalogo deve essere considerato a un come alcune garanzie nelle politiche
livello superiore, identificando necessità, assicurative possono non essere
o classi astratte di prodotti. conciliabili per un certo prodotto
commerciale, ecc.). Analogamente,
• Quali eventi dell’esperienza cliente sono potrebbero esserci schemi nascosti in
monitorati e raccolti: gli eventi una correlazione temporale tra oggetti
potrebbero essere legati ad acquisti oppure oggetti che possono essere
(eventi principali o di conversione) o acquistati in una sequenza nascosta,
collegati all’interazione precedente con il mentre altre volte lo schema è più
canale (es. ricerche, contenuti di lettura, ovvio, ad esempio gli episodi della
campagne) o alle chiamate inbound (es. prima stagione di un telefilm vengono
reclami, chiamate, ecc.). guardati prima della seconda stagione.
• Quale categoria di prodotto • In quale fase un prodotto può
rappresenta le recommendation essere considerato all’interno del
considerate. Raccomandare libri non proprio ciclo di vita. Al lancio di un
equivale a raccomandare indumenti, nuovo prodotto le informazioni sugli
elettronica, prodotti finanziari o contenuti acquisti sono scarse. Un algoritmo
multimediali. Ogni genere di mercato di recommendation basato su eventi
segue il proprio schema e può essere non riesce a suggerire un prodotto nelle
più o meno influenzato da eventi della prime fasi del ciclo di vita, fino a che non
vita personale del cliente (es. matrimoni, ne viene venduta una certa quantità tale
trasferimenti, la nascita di un figlio, ecc.). da influenzare il modello
(problematiche di questo tipo sono noti
come cold start problems).
In questi casi occorre concepire uno
• strumento ibrido, in grado di sopperire
alla mancanza di informazioni nelle fasi
iniziali del ciclo di vita.
4RECOMMENDATION SYSTEMS
Il framework Robotics for Customers costituito da Reply entra in
azione proprio nel momento in cui è necessario affrontare queste
situazioni. Grazie alla rete di conoscenze di Reply è possibile
raccogliere best practice in diversi paesi e ambiti di attività,
supportando così una serie di progetti rilevanti che mirano ad
utilizzare il framework Robotics for Customers come approccio e
metodologia unificati e costruire soluzioni di recommendation
end-to-end.
Come in molti esempi di soluzioni La progettazione e lo sviluppo del
di Machine Learning, e per ciò che framework Robotics for Customers segue
riguarda i Recommendation Systems, una metodologia stabilita, i cui aspetti
non esiste una soluzione universale. cruciali sono analizzati con un approccio
Un Recommendation Systems non analitico (vedere Fig.2):
è uno strumento unico, né una
tecnologia definita. Al contrario, deve • Al fine di massimizzare l’efficacia
essere approcciato con uno sviluppo del modello di recommendation, un
incrementale, costruito su dati disponibili aspetto cruciale è la comprensione
e processi euristici che sono efficaci dei dati disponibili. Tipicamente, le
dato l’ambito di uno specifico problema. sorgenti principali fanno riferimento a
Il framework Robotics for Customers è dati interni all’organizzazione, come
creato per lo scopo di trasformare i dati e i datawarehouse commerciali, registri
vincoli del dominio in valore. Grazie ad un di acquisti e prodotti (dati first party). I
approccio strutturato, i vincoli non sono dati di tipo second party provengono
mai considerati come una limitazione da partnership, provider o clienti e
o una debolezza, al contrario sono visti possono essere usati per arricchire il
come linee guida per accompagnare la modello. Sorgenti third party offrono
scelta di un modello di recommendation, un contributo addizionale da sorgenti
o un segnale indicante la necessità di esterne e consentono agli utenti di
definire un modello migliore. considerare i contenuti extra come
Social Media, open data, ecc.
5REPLY
Adoption RETENTION GROWTH ACQUISITION
Methodology 1. Is it a Retention
NO
2. Is it a Development
NO
3.Is it a Prospect
Acquisition
Campaign? Campaign?
How to choose Campaign?
the proper YES YES YES
Recommendation 3.1 Does a customer
profile exist?
logic 1.1 Does it chose from
a fixed number YES
of actions? NO
YES NO 2.1 Is data about 3.2 Are external/Open
purchase events datasets available?
available?
1.2 Does it choose
NO personal preferences NO NO YES
based on the whole YES
customer base?
3.3 Are log,
2.2 Are secondary clickstream,
YES events NO Web Analytics
(e.g. web analytics, available?
searches, views etc)
or customer indicators YES
available?
3.4 Is social platform
NO YES data avialable?
NO YES
Content Based Collaborative Hybrid Data Management Community Based
Filtering Filtering Recommender Platform (Social/Web
(DMP) based)
Figura 2 - Il Robotics for Customers ha identificato una metodologia per selezionare i migliori
algoritmi di recommendation
ASSOCIATIVE RULES ANALYTIC ENGINES DATA AND SERVICES GIVEN
(es. Machine Learning) BY EXTERNAL PROVIDERS
• Una volta integrate le sorgenti di dati, a seconda che la campagna sia rivolta
è importante rimodellare i dati in modo all’acquisizione di futuri clienti, allo
sfruttabile, e possibilmente enfatizzando sviluppo o alla retention dei clienti.
quegli aspetti che sono rilevanti rispetto
all’esperienza cliente. Questa fase • Anche valutare l’efficacia di un motore di
riguarda un lavoro di fino per gli attributi recommendation è una parte centrale
e le funzionalità tecniche (i.e., feature dell’iniziativa. In questo caso,
engineering). il framework Robotics for Customers
definisce un quadro strutturato tramite
• La scelta del modello computazionale cui modelli differenti sono implementati
dipende anche dagli obiettivi di e testati in parallelo secondo un
business dell’iniziativa. Nel contesto approccio sperimentale (es. AB testing).
delle campagne complesse di marketing, Sono quindi misurate le metriche del
ad esempio, si potrebbero adottare successo (es. precision, recall) per
strategie differenti basate sul ciclo di stabilire quale dei modelli ha migliori
vita del cliente. Ad esempio, possono prestazioni in condizioni reali, situate.
essere immaginate recommendation
6RECOMMENDATION SYSTEMS
Naturalmente, portare un motore di recommendation in produzione
implica una serie di sfide addizionali e può variare in relazione allo
spazio del problema, il sistema obiettivo e la funzionalità che i dati
devono considerare.
Tuttavia, grazie ai sistemi di raccoman- Da una prospettiva di marketing, il migliore
dazione, ogni organizzazione, di qualsiasi sistema di recommendation è quello
dimensione, può oggi migliorare le proprie che “sostituisce” il proprio rivenditore
attività, proprio come Netflix, Amazon e personale, ad esempio il commesso
altri attori del Big Tech. di libreria che conosce esattamente le
preferenze del cliente e ricorda la sua
Le tecnologie e i blocchi costruttivi su cui evoluzione come lettore, dai primi romanzi
si basano i Recommendation Systems di Michael Ende e Stephen King fino a
sono ora disponibili a tutti. L’approccio Pedro Domingos e a Cesar Hidalgo (come
Robotics for Customers di Reply stimola esempio di storia personale).
le recommendation nel contesto del
CRM avanzato. La metodologia consente Ciò rappresenta inoltre un esempio
di essere adottata con facilità e una della singolarità, tramite la quale valore
integrazione senza strappi in ogni settore aggiunto di conoscenze emerge dal
e contesto di business. basso, dall’interazione e dall’uso della
comunità. Il valore nasce dal livello
Sviluppare Recommendation Systems individuale, dalla lettura dell’utente in
con il framework Robotics for Customers ogni istante, come interpretato dai suoi
viene inteso come un approccio interessi, dalle sue credenze, dai suoi
intersettoriale. Propone l’idea che desideri e dalle sue intenzioni.
l’interesse dell’utente possa poggiare
su raffinati motori di Machine Learning Si tratta di una visione di intelligenza
che mirano a rendere le esperienze collettiva, dove il supporto automatizzato
dell’utente il più intelligenti possibili, diviene supporto cognitivo, ed è
come se l’interazione fosse con un generato per tutti, indistintamente e
esperto del settore. gratuitamente.
7REPLY è specializzata nella progettazione e nell’implementazione di soluzioni basate sui nuovi canali di comunicazione e media digitali. Costituita da un modello a rete di aziende altamente specializzate, Reply affianca i principali gruppi industriali europei appartenenti ai settori Telco & Media, Industria e Servizi, Banche e Assicurazioni e Pubblica Amministrazione nella definizione e nello sviluppo di modelli di business abilitati dai nuovi paradigmi del Big Data, Cloud Computing, Digital Media e Internet degli Oggetti. I servizi di Reply includono: Consulenza, System Integration e Digital Services. www.reply.com
Puoi anche leggere
