I motori di raccomandazione sono uno strumento potente per Amazon, Netflix e altri. L'editorialista Daniel Faggella esamina i vantaggi dei motori di raccomandazione e spiega perché i professionisti del marketing dovrebbero prestarvi attenzione.
La lunga lista di film e programmi TV consigliati da Netflix è un esempio fantastico di esperienza utente personalizzata. Infatti, secondo l'azienda, circa il 70% di tutto ciò che gli utenti guardano è una raccomandazione personalizzata.
Arrivare a questo punto non è stato facile e migliorare il suo sistema di raccomandazioni è un processo continuo. Netflix ha dedicato oltre un decennio allo sviluppo e al perfezionamento dei suoi sistemi di raccomandazione.
Nel 2006, lanciò il Netflix Prize per cercare esperti di apprendimento automatico in grado di migliorare il suo algoritmo precedente. Un team di algoritmisti superò l'algoritmo dell'azienda del 10%: una percentuale esigua, si potrebbe pensare, ma abbastanza convincente da far prevedere enormi miglioramenti futuri. Gli sforzi del team valsero loro un premio da 1 milione di dollari.
I motori di raccomandazione possono aiutare i professionisti del marketing e le organizzazioni ad aumentare la probabilità di giungere a raccomandazioni personalizzate in base alle attività o al comportamento online passati di un utente, utilizzando conoscenze approfondite basate sull'analisi dei big data.
In questo articolo, esplorerò come le aziende possono aumentare il loro ROI sfruttando al meglio la personalizzazione e le raccomandazioni. Suddividerò i potenziali vantaggi aziendali dei motori di raccomandazione in tre categorie, basandomi sull'analisi di decine di casi d'uso di motori di raccomandazione condotta dalla mia azienda.
Miglioramento con l'uso (ciclo di feedback positivo)
L'obiettivo del Netflix Prize era migliorare la fidelizzazione degli utenti, ovvero rendere il servizio più "appetibile" nel lungo periodo. Ma l'azienda non puntava a un miglioramento una tantum.
La promessa dei motori di raccomandazione è quella di costruire un sistema in grado di auto-migliorarsi, che – con un flusso di dati sufficiente – possa soddisfare meglio gli utenti nel tempo. Come hanno spiegato Carlos Gomez-Uribe e Neil Hunt di Netflix in un articolo pubblicato (PDF):
Se creiamo un servizio più convincente offrendo raccomandazioni personalizzate migliori, induciamo i membri indecisi a rimanere più a lungo e miglioriamo la fidelizzazione.
Offrendo un elenco di ciò che potrebbe interessare ai suoi abbonati attraverso una classificazione iperspecifica, Netflix ha ristretto la miriade di opzioni di streaming video on demand. E misurare i risultati attraverso i trend di audience e abbandono consente all'azienda di perfezionare tali risultati sempre di più ogni giorno.
Oltre ad acquisire nuovi membri, affinché l'azienda possa sostenere la crescita del fatturato, deve essere in grado di fidelizzare gli abbonati esistenti. In altre parole, minore è il tasso di abbandono, maggiore è il fatturato mensile.
Netflix ha pochissimo tempo per convincere gli utenti a navigare nell'app e selezionare un video: secondo l'azienda, perdono interesse dopo 60-90 secondi dalla visione di circa 20 titoli.
Gomez-Uribe e Hunt hanno affermato che, grazie all'applicazione di un sistema di raccomandazione più sofisticato e di un'esperienza utente personalizzata, hanno potuto risparmiare 1 miliardo di dollari all'anno dalle cancellazioni dei servizi.
Uno sguardo ai dati sui ricavi di Netflix rivela che nel secondo trimestre del 2017 la società ha registrato una crescita annua del 32.3%, ottenuta aggiungendo 5.2 milioni di abbonati ai suoi 99 milioni di membri del trimestre precedente.
Con più dati su cui addestrare i propri algoritmi (ovvero: più utenti attivi che interagiscono con la piattaforma Netflix ogni giorno), Netflix ha il vantaggio di migliorare la propria offerta sempre più rapidamente per gli utenti esistenti. Questa dinamica del "vincitore prende tutto", secondo l'investitore in intelligenza artificiale Gary Swart di Polaris Partners, è uno dei motivi per cui il "miglioramento con l'uso" è così importante.
Esiste un sito web che può darti risposte alle tue domande come Google? Probabilmente no. Ha una quota di mercato enorme ed è probabile che cresca più velocemente di qualsiasi concorrente, utilizzando meno dati. Esiste un'esperienza di shopping online che possa consigliarti prodotti correlati migliori di Amazon? Probabilmente no.
Il punto è chiaro: i motori di raccomandazione in tutte le nicchie hanno la possibilità di creare lo stesso tipo di differenziazione estrema.
Migliorare il valore del carrello (profitto)
Con un fatturato di 37.9 miliardi di dollari nel secondo trimestre, Amazon continua a dominare il commercio al dettaglio online. Il suo algoritmo di filtraggio collaborativo articolo per articolo, introdotto nel 1998, presenta ai clienti raccomandazioni basate su linee di prodotto e aree tematiche. Il sistema abbina gli articoli acquistati e valutati da un cliente a prodotti simili presenti nella sua lista, che vengono poi selezionati per essere inclusi nelle raccomandazioni.
Mentre su alcuni siti web le raccomandazioni sono presenti solo in un aspetto del percorso del cliente (ad esempio, un elenco di "articoli correlati" nella pagina di pagamento del sito), Amazon ha integrato molti "punti di ingresso" di raccomandazione nella sua esperienza online per massimizzare il valore del carrello.
Ad esempio, gli utenti possono cliccare sul link "Il tuo consiglio" per visualizzare una pagina contenente prodotti categorizzati che potrebbero interessare, oppure possono fare riferimento alla sezione contenente articoli simili con prodotti visualizzati in precedenza.
Gli utenti possono anche acquistare prodotti in bundle nella sezione "Spesso acquistati insieme", consentendo ad Amazon di ridurre i costi di spedizione quando vengono acquistati insieme. Questo non sarebbe possibile senza i miliardi di dati – dalla cronologia degli acquisti ai carrelli abbandonati – che il rivenditore online analizza.
McKinsey ha stimato che il 35% degli acquisti dei consumatori su Amazon derivi da raccomandazioni di prodotti, sebbene il gigante dell'e-commerce non abbia mai reso pubbliche le proprie stime. Nel 2016, ha offerto gratuitamente il suo framework di intelligenza artificiale (IA) open source chiamato DSSTNE (pronunciato "destiny") per incoraggiare lo sviluppo di app di intelligenza artificiale.
Alibaba Group, un altro colosso dell'e-commerce, continua a dominare la scena e-commerce cinese attraverso le sue piattaforme Tmall e Taobao. Ai clienti vengono presentati consigli sui prodotti basati non solo sulle loro transazioni passate, ma anche sulla cronologia di navigazione, sul feedback sui prodotti, sui segnalibri, sulla posizione geografica e su altri dati sul comportamento online.
L'azienda utilizza l'intelligenza artificiale per offrire consigli sui prodotti ai nuovi utenti che non dispongono di dati sulle transazioni precedenti. La sua tecnologia può ricevere dati dagli acquisti di prodotti effettuati altrove da un utente e utilizzarli per abbinare gli articoli nel suo pool, ha spiegato Wei Hu, direttore della tecnologia dei dati presso la Merchant Service Business Unit di Alibaba, in una nota.
Durante l'11.11 Shopping Festival del 2016, un evento di shopping online di 24 ore in Cina, Alibaba ha utilizzato l'intelligenza artificiale per visualizzare i consigli sui prodotti sulle pagine personalizzate degli acquirenti. I commercianti partecipanti hanno personalizzato le loro vetrine in base ai dati dei loro clienti target. Alibaba ha dichiarato a InsideRetail Asia di aver generato 6.7 miliardi di pagine di shopping personalizzate, con un miglioramento del tasso di conversione del 20% grazie all'evento.
Migliorare il coinvolgimento e il piacere (fidelizzazione)
Dal 2015, il motore di raccomandazione di YouTube è basato su Google Brain e Google lo considera uno dei sistemi di raccomandazione più sofisticati al momento.
Come Netflix, YouTube ha effettuato numerosi esperimenti e riprogettazioni prima di adottare un algoritmo che cerca somiglianze tra diversi tipi di contenuti video. Johanna Wright, vicepresidente della gestione prodotti di YouTube, ha dichiarato a Wired che l'azienda è ora più convinta che i video consigliati siano pertinenti per lo spettatore.
Puoi anche andare per certificazione di gestione del prodotto a Singapore per ottenere informazioni appropriate.
Alcuni dei dati che utilizza includono la cronologia di visualizzazione dell'utente, la datazione dei video, i termini di ricerca e la posizione geografica per decidere quale video verrà riprodotto successivamente. A differenza di Netflix, YouTube è gratuito e si basa interamente sull'interazione con i suoi contenuti (e sull'esposizione agli annunci pubblicitari), anziché su un modello di fatturazione in abbonamento.
Attraverso i suggerimenti, YouTube spera di mantenere l'attenzione degli utenti sul sito, mentre il sistema abbina gli annunci in base ai dati storici. YouTube genera ricavi quando uno spettatore guarda più di 30 secondi di un annuncio o quando un utente clicca su un'entità sullo schermo o su un annuncio presente nella pagina.
La sua società madre, Alphabet, elenca YouTube come parte dell'intera piattaforma di siti web di Google, quindi non vengono indicati dati separati sui ricavi (i ricavi pubblicitari totali di Google al 30 giugno 2017 ammontavano a oltre 22 miliardi di dollari).
D'altro canto, servizi di streaming musicale come Pandora e Spotify, con sede in Svezia, utilizzano motori di raccomandazione per migliorare il coinvolgimento e fidelizzare gli abbonati. Queste aziende di radio online generano ricavi attraverso piani di abbonamento a pagamento e pubblicità per i non abbonati.
La funzione Discover Weekly di Spotify consiglia brani in base ai gusti dell'utente, alle sue abitudini di ascolto, ai suoi artisti preferiti e persino alle funzionalità che utilizza. Questo è possibile grazie al filtraggio collaborativo e all'elaborazione del linguaggio naturale. Edward Newett, responsabile tecnico che ha contribuito alla funzionalità di raccomandazione, ha spiegato a Wired:
Cercando di imitare il comportamento di tutti i nostri utenti quando cercano di mettere insieme il loro mix perfetto, possiamo sfruttare i 2 miliardi di playlist di Spotify, mirare ai gusti individuali e creare playlist interessanti.
Il motore di raccomandazione di Pandora è basato su quello che l'azienda chiama "The Music Genome Project", che comprende 450 attributi musicali. L'algoritmo analizza i brani di migliaia di artisti e programma le sue stazioni radio online in base ai desideri degli utenti.
Grazie a queste funzionalità di Spotify e Pandora, gli ascoltatori possono ascoltare brani mai sentiti prima ma che hanno maggiori probabilità di suscitare il loro interesse, soprattutto quelli pubblicati da artisti indipendenti emergenti. Questo è un modo per fidelizzare gli abbonati esistenti e consentire a chi non lo è di ascoltare più musica con gli annunci pubblicitari.
Spotify afferma sul suo sito web che, a luglio 2017, contava oltre 60 milioni di abbonati e 140 milioni di utenti attivi distribuiti in 61 paesi, che potevano scegliere tra oltre 30 milioni di brani. Nel frattempo, il fatturato di Pandora nel secondo trimestre è stato di 376.8 milioni di dollari.
L'ampiezza dei motori di raccomandazione non si limita a questi settori. Aziende del settore alimentare, sportivo e persino della moda utilizzano l'intelligenza artificiale per identificare possibili opzioni per i clienti. Sempre più aziende cercano di migliorare il ROI utilizzando questa tecnologia nelle loro campagne di marketing.
___
by Daniele Faggella
fonte: MARTECH OGGI
