Intelligenza artificiale, machine learning… Queste parole d’ordine sono diventate parte essenziale del vocabolario tecnologico, ma quante persone ne comprendono davvero il significato più profondo?
Prima di avventurarci ulteriormente in questo articolo per capire come queste tecnologie possano essere utilizzate per l’e-commerce, prendiamoci il tempo per dissipare il mistero che le circonda.
L’intelligenza artificiale (AI) è caratterizzata dalla creazione di algoritmi informatici in grado di svolgere compiti con “una certa” intelligenza. Questo campo è molto vasto e riunisce decine di campi di studio come i sistemi distribuiti (sistemi multi-agente), la risoluzione di problemi di ottimizzazione (metaeuristiche), la costruzione di sistemi esperti, la soddisfazione di vincoli o anche la pianificazione.
L’apprendimento automatico è uno di questi campi di studio nell’intelligenza artificiale. Gli algoritmi di apprendimento automatico hanno la capacità di apprendere dai dati ed estrarre informazioni rilevanti attraverso l’applicazione di regole statistiche che definiscono un modello di apprendimento. Con il machine learning lo sviluppatore non codifica più direttamente il modo di risolvere un problema ma il modo di imparare a risolvere il problema sul database.
L’apprendimento automatico generalmente si suddivide in due fasi fondamentali: apprendimento e previsione. Durante la fase di addestramento, l’algoritmo regola i suoi parametri utilizzando una serie di dati, apprendendo così i modelli e le relazioni sottostanti presenti nei dati. Una volta addestrato il modello, è possibile distribuirlo per effettuare previsioni o prendere decisioni su nuovi dati durante la fase di inferenza.
Quando sappiamo che un sito e-commerce gestisce una vasta gamma di prodotti, attira moltissimi utenti che compiono varie azioni (navigazione, manifestazione di interesse sui prodotti, acquisti) e che tutto ciò genera una notevole quantità di dati… Ci rendiamo subito conto delle notevoli potenzialità di algoritmi di machine learning nel comprendere il comportamento dei visitatori e, quindi, nel migliorare direttamente l’esperienza del cliente e ottimizzare le vendite.
Per garantire l’efficacia di questi algoritmi sono necessari due ingredienti: dati di qualità e contesti d’uso specifici. Ecco alcuni esempi concreti.
Machine learning per ottimizzare la ricerca dei prodotti
Quando si tratta di ricerca, il machine learning può essere utilizzato in diversi modi:
– Per ottimizzare la comprensione automatica del significato semantico di una query. Illustriamolo con la ricerca vocale. Quando un visitatore dice “Vorrei un divano grigio, per favore”, il motore di ricerca, basandosi sul machine learning, riesce a discernere che i termini importanti sono “divano grigio” e che “grigio” corrisponde a un colore, mettendo da parte il resto frase. Grazie alle tecnologie NLP (Natural Language Processing) o più recentemente grazie ai LLM (Large Language Models), il motore di ricerca ha la capacità di comprendere semanticamente l’utente, anche se la frase è formulata in linguaggio naturale, in maniera complessa.
– Per suggerire prodotti in caso di frase di ricerca sconosciuta.
In caso di espressione di ricerca sconosciuta, è possibile utilizzare un algoritmo di riapertura. Ciò ti consente di presentare articoli pertinenti anche se designati con termini diversi. Ad esempio, se un visitatore inserisce “sombrero”, il sito di e-commerce potrebbe offrire berretti in inverno o cappelli di paglia in estate. Questa capacità deriva dal fatto che l’apprendimento automatico comprende semanticamente che “sombrero” è vicino a “cofano” o “cappello”.
Un altro aspetto dell’applicazione di questi algoritmi è personalizzare il percorso del cliente.
Gli algoritmi di machine learning aprono prospettive di personalizzazione
Ciò può avvenire in particolare a livello di ranking dei prodotti e si manifesta in diversi contesti:
- LA stagionalità: la classifica può variare a seconda delle stagioni. Ad esempio, se i visitatori cercano maglioni in estate, il sistema favorirà gli articoli più leggeri, mentre in inverno metterà in evidenza i maglioni più spessi e più caldi.
- Appetito dell’utente: quando l’utente cerca prodotti da uomo e poi inserisce il termine “scarpe”, i risultati della ricerca potrebbero essere orientati verso scarpe destinate all’uomo.
- Il profilo utente: è possibile imparare a classificare i clienti e definire profili standard che verranno poi utilizzati per personalizzare le risposte del motore di ricerca o gli algoritmi di raccomandazione, o anche per creare, ad esempio, elenchi di prodotti personalizzati sulla home page.
- Parole chiave digitate: quando l’utente digita “jeans”, il motore di ricerca capisce che sta cercando principalmente pantaloni piuttosto che giacche di jeans, un’inferenza tratta dall’apprendimento delle aspettative degli utenti. Adeguando il ranking in base alle parole chiave, il machine learning organizza i prodotti in modo rilevante, ad esempio integrando nozioni di bestseller.
La personalizzazione può estendersi anche ad altri aspetti, ad esempio in:
- Schede prodotto: È possibile fornire suggerimenti per prodotti popolari che si abbinano bene a quello che l’utente sta visualizzando. Questa funzionalità si basa su algoritmi di vendita incrociata, identificando i prodotti acquistati frequentemente insieme. Inoltre è possibile visualizzare le scelte di altri clienti che hanno acquistato lo stesso prodotto, offrendo così ulteriori suggerimenti per il carrello. Un’altra possibilità potrebbe essere quella di suggerire articoli simili, ma in una fascia di prezzo più alta (up sell).
- La pagina iniziale: all’utente possono essere offerti prodotti personalizzati in base alla sua storia. Questo può essere fatto in diversi modi: aprendo per presentargli articoli che ancora non conosce ma che potrebbero interessargli, oppure chiudendo per suggerirgli prodotti che ha già acquistato o che acquista frequentemente. Questo approccio è particolarmente rilevante nel settore alimentare, dove la raccomandazione di prodotti abituali facilita l’esperienza d’acquisto.
I casi d’uso menzionati si concentrano sui miglioramenti diretti dell’esperienza del cliente. Allo stesso tempo, l’apprendimento automatico può anche aiutare a fornire alle persone che gestiscono il sito di e-commerce modi per migliorare le proprie attività professionali.
Algoritmi di machine learning: potenti alleati per gli e-merchandiser
Consideriamo una situazione in cui un gruppo di prodotti sembra scarsamente suddiviso all’interno di una categoria. Gli algoritmi di machine learning hanno la capacità di rilevare questa situazione e segnalarla. Sarebbe allora necessario l’intervento umano per valutare e qualificare la categoria. Inoltre, gli algoritmi possono anche individuare le categorie prive di rilevanza, raggruppando insieme una varietà di prodotti senza alcuna connessione significativa e suggerendo di dividerli in sottocategorie più specifiche.
Questi algoritmi offrono anche suggerimenti agli e-merchandiser per i sinonimi rilevanti da integrare nel Back Office. Questa funzionalità si basa sull’analisi dei risultati di zero utenti, consentendo così un’ottimizzazione precisa dei risultati di ricerca. Ad esempio, il suggerimento di sinonimi come ‘lampada da parete’ per ‘lampadario’, o ‘camicia da notte’ per ‘camicia da notte’, dimostra la capacità di queste tecnologie di anticipare e rispondere alle aspettative dei clienti.
Insomma
La competenza degli algoritmi di machine learning risiede nella loro capacità di assimilare finemente i comportamenti degli utenti, identificare tendenze, classificare e rivelare correlazioni significative tra i prodotti. Questa capacità li rende strumenti essenziali per ottimizzare l’esperienza complessiva dell’utente, in particolare nelle aree di ricerca e raccomandazione. Aprono così la strada a un’esperienza utente più coinvolgente e personalizzata, contribuendo in modo significativo a massimizzare il tasso di conversione sul sito del commerciante.
Come sarà il futuro della ricerca online? È certo che non sarà più limitato alle query di parole chiave come le conosciamo oggi. Recenti sviluppi nell’intelligenza artificiale, in particolare nel campo dell’intelligenza artificiale generativa; come ad esempio i LLM (modelli di linguaggio naturale in grado di comprendere e generare testo umano) utilizzati da ChatGPT; aprire la strada a nuove prospettive.
Questi progressi tecnologici offrono l’opportunità di reinventare il modo in cui utilizziamo i motori di ricerca e potrebbero evolversi verso un’interazione più diretta, dove chattare con i motori di ricerca diventa naturale come chattare con un venditore fisico in negozio.
Domani l’esperienza dell’utente sui siti web potrebbe subire una grande trasformazione, segnando un’evoluzione significativa rispetto alle nostre abitudini attuali.
Un articolo di Ferdinand Piette, scienziato dell’apprendimento automatico, PhD presso Sensefuel
Mi piace questa :
amo caricamento…
