Perché i sistemi di raccomandazione sono importanti anche al di fuori delle grandi aziende tecnologiche?
I sistemi di raccomandazione sono importanti per qualsiasi azienda con più prodotti di quanti un cliente possa consultare, perché ciò che il sistema mostra per primo determina in larga misura ciò che viene visto, acquistato e riassortito.
Considera un negozio online fittizio di materiali per lavori creativi, Willowmere Crafts, con circa 4,000 prodotti e un gruppo di 15 persone. La responsabile del commercio elettronico, Hana, ha ricevuto una lamentela dal gruppo acquisti e un rapporto dall'agenzia che ha configurato il riquadro 'Potrebbe piacerti anche'. Nei suoi appunti si legge: 'gli stessi 40 prodotti consigliati su quasi tutte le pagine. la nuova gamma primaverile di filati (220 articoli) non ha avuto quasi nessuna visualizzazione tra i consigli in 3 settimane. i clienti abituali ricevono suggerimenti validi, chi visita per la prima volta ne riceve di apparentemente casuali. i marchi di artigiani indipendenti dicono di non comparire mai.' Deve spiegare al fondatore cosa sta succedendo prima di chiedere modifiche all'agenzia.
Come decidono i sistemi di raccomandazione cosa mostrare?
La maggior parte dei sistemi di raccomandazione usa il filtraggio basato sui contenuti, il filtraggio collaborativo o una combinazione dei due. La differenza sta nel confrontare elementi con altri elementi oppure persone con altre persone.
Filtraggio basato sui contenuti
Consiglia articoli simili a quelli che piacciono già a una persona, usando le caratteristiche degli articoli. A un cliente che ha acquistato lana merino grossa color ottanio vengono mostrate altre lane grosse e altri filati color ottanio. Non richiede dati su altri clienti, ma la sua efficacia dipende dalle caratteristiche degli articoli definite da qualcuno e raramente sorprende le persone con qualcosa al di fuori dei loro gusti abituali.
Filtraggio collaborativo
Consiglia ciò che è piaciuto a persone simili. Se i clienti che hanno acquistato un kit per principianti per lavorare a maglia hanno poi comprato spesso dei segnapunti e un libro di schemi, questi vengono mostrati a chi acquista il kit per la prima volta. Può trovare suggerimenti inaspettati ma utili e non richiede descrizioni degli articoli, ma dipende da uno storico delle interazioni.
Sistemi ibridi
Combina entrambi, spesso con semplici regole come l'esclusione degli articoli esauriti, in modo che ciascun approccio compensi i punti deboli dell'altro.
Che cos'è il problema dell'avvio a freddo?
Il problema dell'avvio a freddo è che un sistema di raccomandazione fatica a gestire nuovi articoli e nuovi utenti perché non dispone di una cronologia delle loro interazioni. Il filtraggio collaborativo, in particolare, non riesce a collocare un articolo che nessuno ha ancora acquistato o cliccato, proprio ciò che è successo alla gamma primaverile di filati di Willowmere, e ha pochi elementi su cui basarsi per chi visita il sito per la prima volta.
I rimedi più comuni sono usare la somiglianza basata sui contenuti per i nuovi articoli, stimare le caratteristiche di un nuovo articolo a partire da altri della stessa categoria o dello stesso produttore, mostrare ai nuovi visitatori una selezione volutamente varia di articoli popolari e porre una o due brevi domande sulle preferenze, se adatto al negozio.
Come nascono i cicli di retroazione e i problemi di equità?
Si crea un ciclo di retroazione quando il sistema impara dai clic sugli articoli che ha scelto di mostrare: gli articoli mostrati spesso ricevono più clic, e questo li fa mostrare ancora di più. Col tempo, un piccolo gruppo di prodotti popolari mette in ombra tutto il resto, come nel caso dei 40 prodotti di Willowmere, mentre gli articoli mai mostrati non hanno mai la possibilità di dimostrare il proprio valore.
Da qui derivano direttamente questioni di equità. Se i prodotti dei produttori indipendenti partono con meno dati storici, il meccanismo può mantenerli invisibili a prescindere dalla qualità, riducendo la scelta per i clienti. Per contrastarlo, si possono riservare alcuni spazi nelle raccomandazioni ad articoli più nuovi o meno visibili, misurare la visibilità per produttore e categoria anziché solo i clic totali e aggiornare i dati di addestramento del modello, in modo che non impari soltanto dalle proprie scelte passate.
Come si presenta una richiesta debole all'agenzia rispetto a una migliorata?
Una richiesta poco efficace dice: 'I suggerimenti non funzionano, per favore migliorateli.' L'agenzia potrebbe limitarsi a riaddestrare il modello con altri dati dello stesso tipo sui clic, rafforzando il circolo vizioso.
Una richiesta migliorata dice: 'Il nostro riquadro sembra basarsi solo sulla cronologia degli acquisti. Vi chiediamo di (1) usare gli attributi dei prodotti, come fibra, peso, colore e lavorazione, per consigliare nuovi articoli finché non hanno una cronologia sufficiente; (2) mostrare a chi visita il sito per la prima volta una selezione varia di categorie, anziché un unico elenco dei prodotti più venduti; (3) riservare due degli otto spazi agli articoli con scarsa visibilità negli ultimi 30 giorni; (4) comunicare ogni mese la quota di visualizzazioni dei suggerimenti per produttore e per anzianità del prodotto; e (5) confrontare le modifiche con il riquadro attuale suddividendo i visitatori in gruppi e misurando gli ordini, non solo i clic.' Hana può ora valutare se il lavoro è stato svolto.
Come si verifica se le raccomandazioni funzionano?
Verifica i suggerimenti di prodotto guardando oltre i clic: considera ordini, resi e quanto la visibilità sia distribuita tra prodotti e fornitori. Un riquadro che aumenta i clic su pochi prodotti molto venduti nascondendo le nuove gamme potrebbe danneggiare l'azienda. Confronta i cambiamenti con un gruppo di controllo di visitatori che vede la versione precedente, perché i suggerimenti mostrati durante i saldi o le festività sembreranno migliori a prescindere dal modello.
Quali sono gli errori più comuni nei sistemi di raccomandazione?
L'errore più comune è ottimizzare solo per i clic, premiando così gli elementi che attirano l'attenzione e alimentando il ciclo di retroazione. Altri errori: lanciare una nuova gamma senza caratteristiche descrittive dei contenuti, esponendola così al problema dell'avvio a freddo; valutare il successo confrontando il prima e il dopo senza un gruppo di controllo; ignorare quali fornitori o categorie non compaiono mai; usare dati personali per le raccomandazioni senza informarne i clienti nell'informativa sulla privacy.
Dove si colloca questa lezione in Tosheo.ai?
Questa lezione fa parte della categoria Apprendimento automatico del corso di apprendimento automatico, dopo le lezioni su come i modelli imparano e vengono valutati. In Tosheo.ai l'attività pratica ti chiede di scrivere un documento con le indicazioni per migliorare i consigli sui prodotti di un negozio immaginario; il riscontro basato sulla griglia di valutazione verifica che tu abbia considerato l'avvio senza dati iniziali, i cicli di retroazione, l'equità e una verifica imparziale. Offre basi professionali per definire e valutare questo lavoro; la costruzione di un sistema di raccomandazione tramite codice fa parte del percorso facoltativo di programmazione.