Gli algoritmi predittivi – i modelli di calcolo attraverso cui si prevedono i possibili acquisti futuri di un utente – sono un potente strumento per aumentare le vendite delle piattaforme eCommerce. Ma la vera sfida, oggi, è saper offrire consigli pertinenti e davvero interessanti. E il futuro dei “Prodotti suggeriti”? Sarà sempre più intelligente e omnicanale.
Negli store digitali, così come in quelli fisici, i clienti amano ricevere consigli che li aiutino ad orientarsi in un’offerta spesso troppo vasta e dispersiva. Ispirandosi a questo bisogno innato di chi compra, marketing e tecnologia si sono unite nell’elaborare soluzioni che facilitino l’esplorazione e rendano il più possibile appaganti le esperienze d’acquisto online.
L’analisi predittiva, a partire dai dati, consente l’elaborazione di statistiche su comportamenti e percorsi d’acquisto tipici. In altre parole, riesce ad entrare nell’ottica del consumatore e prevedere le sue mosse future.
Proprio sulla base di queste previsioni vengono elaborati i meccanismi che offrono suggerimenti automatizzati: dagli schemi più semplici di cross e up selling, fino ai complessi algoritmi che regolano le proposte suggerite sui marketplace o sulle piattaforme di streaming.
Ma qual è il punto di vista degli utenti su questi sistemi digitali di raccomandazione? I consumatori dimostrano di avere una sempre maggiore fiducia nella capacità della tecnologia di anticipare o intercettare la loro volontà e proporre contenuti o prodotti interessanti per loro.
Quello della personalizzazione della Digital Customer Experience è un vero e proprio trend, che sta andando consolidandosi nel corso degli anni. Lo dimostra la ricerca “Generational Shifts in Marketing Preferences”, condotta negli USA da eMarketer e Data Axle, nella quale si evidenzia che, per tutti i target generazionali, ricevere offerte personalizzate in base agli acquisti precedenti è un’opportunità gradita.
FONTE: “Generational Shifts in Marketing Preferences”, USA, Agosto 2021 | Data Axle – eMarketerSecondo Amazon la capacità di correlare i prodotti con “precisione ed empatia” è un fattore determinante per migliorare la revenue degli eCommerce. Dunque, mettere l’utente davanti al prodotto giusto al momento giusto, attraverso lo sviluppo di una UX strategica e di campagne di digital marketing mirate, può portare benefici sia in termini di sell-out che di fidelizzazione.
I colossi tech di servizi in straming (Netflix, YouTube o Spotify) sono stati i primi a sperimentare e cercare una soluzione tecnologica al “paradosso della scelta”: secondo cui la sovrabbondanza di contenuti può generare un disagio nel consumatore e ostacolare la finalizzazione dell’acquisto.
Oggi queste piattaforme sembrano imbattibili nel riconoscere i nostri gusti e fare proposte efficaci. Secondo uno studio di McKinsey & Company – il più noto in materia – i meccanismi predittivi influiscono in maniera netta su scelte e decisioni di acquisto.
Il 75% dei contenuti visti su Netflix, ad esempio, si basa su raccomandazioni fatte all’utente. Lo stesso vale per Amazon: il 35% del sell-out proviene dai suggerimenti personalizzati.
“How retailers can keep up with consumers” by McKinsey & CompanyGli algoritmi predittivi a cui si affidano queste piattaforme si sono evoluti nel tempo, diventando sempre più raffinati, complessi e, soprattutto, ‘umani’. La popolarità di un prodotto o di un contenuto è ormai solo una tra le tante variabili prese in considerazione: il suggerimento è frutto di una logica combinatoria che mixa i dati relativi alle scelte delle persone ritenute affini, il comportamento passato dell’utente e la qualità dei contenuti stessi.
Scopriamo come funziona uno degli algoritmi di suggerimento più efficace, quello della piattaforma di streaming video più conosciuta globalmente, Netflix.
Il modello Netflix: un esempio di algoritmo predittivo
Uno dei problemi principali delle piattaforme digitali con un ampio catalogo (siano esse eCommerce B2C o B2B, marketplace, siti di streaming o notizie) è dare la giusta visibilità a prodotti e contenuti garantendo un’esperienza di navigazione piacevole e stimolante per l’utente.
Da questo punto di vista, l’algoritmo di Netflix è da considerare un modello esemplare: i suggerimenti sono specifici e pertinenti, rispondono e si adattano al gusto e agli interessi dell’utente, senza rinunciare a promuovere i contenuti del momento.
Il funzionamento del sistema che concorre a suggerire la nostra prossima serie TV preferita non è di pubblico dominio, ma possiamo comunque spiegare in modo semplificato la logica alla base di questo sistema di raccomandazione.
Può essere implementato un sistema che costruisce nel tempo una matrice di interazione utenti-articoli, che tiene traccia di quali sono le serie TV che ogni utente ha guardato e abbinando gli utenti a cui sono piaciute le stesse serie TV.
Supponiamo di essere l’Utente 3: dopo aver finito di vedere la serie TV The Crown, il sistema ci abbinerà all’Utente 1, che è quello con cui combaciano più risultati (Bridgerton e The Crown) e ci suggerirà la visione di Peaky Blinders. In altre parole, se ai due utenti sono piaciute le stesse serie TV, è altamente probabile che il loro gusto coincida anche per una terza serie. Nel caso di un utente appena iscritto (come l’Utente 4), dal momento che non si ha a disposizione uno storico delle interazioni e non può essere fatto un abbinamento con un altro utente, il sistema suggerirà Bridgerton, che nel nostro esempio è la serie TV più popolare.
Un altro tipo di sistema di raccomandazione può basarsi su un insieme di matrici di interazione utenti-articoli che abbina gli attributi assegnati al profilo dell’utente (età, sesso, professione) alla scheda del film o della serie TV (genere, attori, registi). Per esempio: ad una studentessa di sesso femminile potrebbero essere abbinate e proposte serie TV con Zendaya tra le protagoniste. Tali sistemi normalmente utilizzano più sotto-sistemi con logiche diverse che collaborano per mantenere vivo il nostro interesse nella piattaforma.
Queste stesse logiche predittive possono essere applicate ai suggerimenti sugli eCommerce e si rivelano spesso determinanti nell’incrementare il valore medio del carrello. Dunque, l’utilizzo di un sistema di raccomandazione efficace, basato sulla combinazione tra comportamenti degli utenti, similarità tra prodotti e analisi dei contenuti rappresenta un’enorme opportunità per il commercio elettronico.
I suggerimenti del futuro: tra intelligenza artificiale e omnicanalità
Abbiamo già visto alcuni esempi di base su come può lavorare un sistema di predizione e del perché nel tempo gli algoritmi riescano a suggerirci contenuti sempre più allineati con i nostri gusti: maggiore è il numero di dati a loro disposizione, maggiori solo le combinazioni, e migliore può essere il suggerimento.
Per questo gli algoritmi predittivi vanno a braccetto con i Big Data. Un utilizzo veramente strategico di questi meccanismi, pur nel rispetto della privacy, dovrebbe includere un set di dati il più possibile ampio: dati interni provenienti da CRM, attività sui social media, persino dati sulla posizione dei clienti e rilevazioni di dispositivi IoT (Internet of Things).
La conoscenza predittiva del cliente è il futuro
PREDICTION: THE FUTURE OF CX | McKinsey & CompanyIl mondo del retail, in modo particolare, può trarre un enorme vantaggio da questi sistemi. I modelli predittivi possono essere utilizzati per prevedere e ottimizzare le rimanenze di magazzino, ad esempio, e l’enorme quantità di dati provenienti dai clienti, archiviati sia tramite canali digitali che fisici, può essere rielaborata per rendere ancora più performante la strategia di marketing omnicanale.
Our sources:
https://www.mckinsey.com/industries/retail/our-insights/how-retailers-can-keep-up-with-consumers#https://en.wikipedia.org/wiki/The_Paradox_of_Choice
https://advertising.amazon.com/it-it/blog/ecommerce-trends-2022/?ref_=a20m_us_blglbr
https://www.emarketer.com/chart/250546/us-internet-users-who-want-personalization-brands-which-they-loyal-by-generation-aug-2021-of-respondents-each-group
https://it.wikipedia.org/wiki/Analisi_predittiva