Personalizzare le raccomandazioni sugli acquisti online
L'ambito di applicazione dei sistemi di raccomandazioni è rappresentato dai contesti di shopping in rete. Tipicamente, queste risorse suggeriscono altri articoli in base alle scelte precedenti effettuate da un acquirente. Tuttavia, questo "filtraggio collaborativo" non utilizza strategie di apprendimento ottimali e, di conseguenza, non è mai in grado di capire se un cliente sia veramente interessato a un prodotto non ancora conosciuto. In alternativa, un sistema potrebbe integrare un filtro basato sui contenuti, in grado di consigliare articoli aggiuntivi sulla base degli acquisti precedenti di un consumatore. Anche in questo caso, si tratterebbe di una soluzione inefficace, in quanto i prodotti offerti sarebbero molto simili agli articoli acquistati e, di conseguenza, ridondanti. Il progetto ASSORTMENTCUSTOMIZE, finanziato dall'UE, si prefigge l'obiettivo di sviluppare software in grado di adattare le raccomandazioni offerte agli utenti in base alle specifiche caratteristiche. In particolare, il sistema utilizza i dati di acquisto allo scopo di identificare la classe di appartenenza dei consumatori e i fattori situazionali sulla base degli interessi, degli scopi e dell'età. Il metodo ruota intorno alle classi di consumatori, alle categorie di prodotti e al prezzo, ai fini della compilazione di un elenco ideale di suggerimenti destinati a uno specifico consumatore. Ciascuna decisione presa in futuro dall'utente perfezionerà l'algoritmo. Questi calcoli sono generalmente dispendiosi in termini di tempo. Tuttavia, lo strumento ASSORTMENTCUSTOMIZE consentirà di eseguire tali operazioni in modo rapido grazie a un nuovo tipo di programmazione. Lo strumento aiuterà le aziende per la vendita al dettaglio a offrire ai clienti una serie di suggerimenti sui prodotti che corrispondono alle loro caratteristiche e mirano, pertanto, alla massima redditività. I ricercatori testeranno gli algoritmi nel mercato della televisione via cavo, ma la tecnologia potrà essere applicata ad altri contesti che propongono un ampio ventaglio di scelte. Nel corso della prima fase del progetto, i parametri originali del modello sono stati rielaborati per consentire al software di apprendere in modo simultaneo tutte le varie caratteristiche di un utente. In precedenza, questa opzione era limitata a una caratteristica alla volta. L'iniziativa ha inoltre beneficiato di un'ampia gamma di dati tra cui poter scegliere, ottenuti da un'azienda americana per la vendita al dettaglio di video, che consentono di delineare le storie dei clienti necessarie per raggiungere gli obiettivi prefissati. Le simulazioni basate sull'utilizzo di questi dati e un algoritmo ottimizzato hanno condotto alla realizzazione del prototipo di una versione web operativa, nonché ad altre ottimizzazioni relative ai software. La fase successiva consisteva in un test del sistema condotto nel giugno 2013 e incentrato su oltre 2 000 utenti. Questo strumento ha reso ancora più realistici i risultati ottenuti. L'articolo che descrive questo sistema verrà inviato a una rivista prestigiosa, intitolata "Management Science".