Al giorno d’oggi, il più piccolo negozio online ha molti più prodotti del più grande negozio fisico. Inoltre, il numero di siti web che vendono prodotti è in aumento, anche se le aziende più grandi continuano a cercare di stabilire monopoli in quasi tutti i Paesi. Se aggiungiamo tutti i servizi B2C che forniscono informazioni specifiche (ad esempio, hotel, film, bar e così via), il numero di possibilità diventa estremamente elevato.
Immagini di avere decine di magliette. Sono tutti puliti e pronti all’uso. Si sveglia al mattino e deve scegliere uno di loro. Secondo una visione meramente statistica, l’incertezza è proporzionale al numero di scelte possibili, e la vita reale non è molto diversa. Tuttavia, se ha, ad esempio, 100 magliette e scrive le sue scelte quotidiane in un quaderno, può tracciare un istogramma dopo un anno. Conta il numero di volte in cui ha scelto una maglietta (non completamente casuale, perché raramente prendiamo decisioni casuali) e disegna una barra proporzionale a questo numero. Che tipo di forma si aspetta?
Probabilmente molte persone hanno risposto: “Una linea piatta”, come quella mostrata nella figura seguente:
È possibile, ma purtroppo, nella maggior parte dei casi, la forma sarà diversa. Anche se ha acquistato tutte le 100 magliette, la sua attrazione per ognuna di esse è diversa. Inoltre, quando una decisione non è vincolata (ad esempio, la maglietta è sporca), lei sceglierà in base ad un sistema di gestione delle priorità quasi inconscio. Uno schema di questo tipo (considerando la sua natura, possiamo definirlo il pregiudizio generalizzato di Linus) non rappresenta uno scenario esclusivo: si verifica ovunque e in molte situazioni diverse. Il risultato è mostrato nel diagramma successivo, dove il picco rappresenta un colore, un marchio preferito o semplicemente la scelta più adattabile (cioè, possiamo risparmiare tempo):
A questo punto, possiamo provare a dare una definizione di “raccomandazione”. Partendo dal presupposto che la maggior parte delle scelte sono parziali, possiamo cercare di determinare due fattori importanti. Il primo è il punto di attrazione. In altre parole, possiamo consigliare di utilizzare le analogie. Questa è una strategia sicura al 98% per l’accettazione, perché ognuno desidera (consciamente o inconsciamente) sentire ciò che già pensa. Tuttavia, il tasso di conversione può essere basso perché le scelte possibili intorno a questo punto sono estremamente ampie. In altre parole, la raccomandazione non viene rifiutata, ma raramente viene presa in considerazione per un “investimento”.
L’altro fattore è il desiderio di scoperta. Presumo che tutti, in una certa misura, desiderino scoprire cose nuove, ma, purtroppo, non conosciamo gli oggetti o la direzione di ricerca. Ad esempio, mi piacciono le magliette blu, ma ho visto un nuovo modello che mi attrae. In questo caso, i due elementi sono l’articolo specifico che ho visto e il modello. Il primo è come il centroide di un gruppo e sono molto propenso ad acquistarlo. Il secondo (che ho precedentemente chiamato direzione) è l’insieme degli elementi che appartengono a questo cluster. In genere, una raccomandazione di qualsiasi elemento appartenente al cluster (in particolare, se è vicino al centroide) sarà accettata positivamente o, nel peggiore dei casi, sarà utilizzata per avviare un’esplorazione. In entrambi i casi, il tasso di conversione è generalmente più alto.
Quindi, le raccomandazioni sono importanti, ma solo quando possono cambiare uno schema mentale. Non si tratta di un’affermazione assoluta, ma durante le mie esperienze, ho spesso ricevuto conferme positive. Al contrario, molti nuovi approcci di apprendimento automatico si concentrano su queste idee. Stanno passando da un approccio classico “basato sulla somiglianza” a uno schema più complesso, in cui viene impiegato un approccio non supervisionato insieme a uno di apprendimento per rinforzo. Può sembrare strano, ma la strategia più semplice per migliorare una raccomandazione è chiedere all’utente di valutare i suggerimenti. Questo è vero, non perché gli utenti siano sempre perfettamente consapevoli dei loro desideri, ma perché un insieme più ampio di possibilità può essere sfrondato in modo efficiente utilizzando il feedback.
Inoltre, l’aggiunta di un po’ di “rumore” è generalmente utile se una buona raccomandazione deve essere una scoperta. Supponiamo questo scenario: un utente visita un sito web dove spesso acquista prodotti. È in metropolitana e ha un po’ di tempo a disposizione, quindi inizia a controllare alcuni prodotti mostrati nella home page. Cerca qualcosa di specifico (non si sorprenda se trova gli stessi oggetti visti al mattino, perché la ripetizione di alcune azioni è un modello di interazione tipico). Poi, potrebbe vedere un prodotto che non ha attirato la sua attenzione. Si possono utilizzare molti strumenti (come le mappe di calore o gli analizzatori del flusso di clic) per raccogliere tutte le informazioni necessarie; tuttavia, supponiamo di sapere che ha letto la descrizione, ha scrollato su e giù molte volte e ha zoomato sulle immagini.
Che tipo di informazioni possiamo ottenere da questa sessione? Prima di tutto, il prodotto e le sue caratteristiche sono rilevanti per quel cliente (anche se non ha mai acquistato un prodotto simile). Inoltre, possiamo determinare alcuni modelli comportamentali che spesso sono considerati inutili. Per esempio, quali sono le immagini che hanno attirato la sua attenzione? Per quanto tempo ha guardato una foto ingrandita? Supponiamo che l’articolo sia uno zaino. Ha guardato il profilo laterale? Probabilmente, è interessato a zaini grandi o stretti. Quindi, ora abbiamo un nuovo centroide per un gruppo di raccomandazioni. Come possiamo utilizzare il feedback? In questo caso, restringiamo l’insieme capendo se è interessato a zaini grandi o stretti. Possiamo scegliere e mostrare alcuni elementi rappresentativi durante la prossima visita.
Cosa farà l’utente? Ci sono molte domande possibili; ovviamente, le risposte possono migliorare o peggiorare le raccomandazioni. Se l’utente clicca solo sullo zaino stretto, un approccio di apprendimento per rinforzo aumenterà la ricompensa attesa di una sequenza di azioni (in questo caso, possono essere semplicemente prodotti, supponendo che l’utente sia un agente che deve prendere una singola decisione), guidando il modello nella direzione in cui l’utente probabilmente sta guardando. Non importa se continua ad acquistare gli stessi articoli: quando questo tipo di modelli comportamentali sono presenti e analizzati, le raccomandazioni saranno più vicine al concetto di scoperta e il tasso di conversione aggiuntivo (supponiamo di non alterare alcuni comportamenti consolidati) sarà proporzionalmente più alto. Chiaramente, non si tratta di magia, ma di analisi statistica dei contesti sociali e psicologici e, sì, gli esseri umani sono molto più prevedibili del previsto!
Questo è, ad esempio, il caso dei libri. Se gli piacciono i thriller, probabilmente li comprerà. Ma se lei è attratto da un libro di ricette (nel modo discusso prima), una buona serie di suggerimenti può aumentare la probabilità che si aggiunga un libro di ricette alla propria lista di articoli comuni.
Quindi, possiamo riassumere gli elementi principali di un sistema di successo:
-
- Le raccomandazioni devono essere delle scoperte, e le scoperte non possono confermare ciò che un utente già conosce.
- I modelli comportamentali di interazione possono essere utilizzati per capire l’interesse nascosto (o latente) di un utente.
- I feedback possono aiutare a perfezionare i suggerimenti
- Sfruttare il modello raffinato può aumentare drasticamente la probabilità di conversione per gli articoli non comuni.
- Le strategie di raccomandazione standard (o classiche) possono essere utilizzate anche come primo approccio o come approccio secondario.
- L’obiettivo di un negozio online o di un servizio B2C non è quello di limitare l’accesso ai prodotti/articoli, ma di diffonderli, quindi, un po’ di rumore può aumentare il fattore di scoperta e aiutare i clienti a decidere (strano ma vero, perché, in un caso l’utente può scegliere un nuovo articolo, nel caso opposto, può decidere di proseguire la sua strategia di ricerca iniziale poiché le alternative sono inadeguate).
Pertanto, la mia risposta è: “Sì! Le raccomandazioni sono estremamente importanti… a meno che non cerchino di reinventare la ruota (nella mente di un cliente)!”.
(Pubblicato anche su Medium)
Se ti piace l’articolo, puoi sempre fare una donazione per supportare la mia attività. Basta un caffè!
