La domanda che stabilisce se ha senso
I sistemi di raccomandazione sono tra i casi d’uso dell’IA con il ROI più documentato nell’e-commerce e nel retail. Sono anche tra i più difficili da valutare correttamente, perché la correlazione tra «ho mostrato una raccomandazione» e «il cliente ha acquistato» non implica un nesso causale: il cliente avrebbe potuto acquistare il prodotto anche senza la raccomandazione.
La domanda di partenza ha due parti. L’azienda dispone di un catalogo e di una base di clienti attivi abbastanza ampi perché la personalizzazione produca differenze rilevanti? Ed è in grado di misurare l’impatto incrementale delle raccomandazioni, non solo il tasso di clic?
Un catalogo di dieci prodotti con cento clienti non ha bisogno di un sistema di raccomandazione basato sull’IA. Un catalogo di migliaia di referenze, con abitudini d’acquisto eterogenee tra migliaia di clienti, è il contesto in cui il ROI è più evidente.
Valutazione dell’opportunità
I sistemi di raccomandazione generano valore in quattro scenari: scoperta del prodotto (il cliente non sa che esiste qualcosa che gli interessa), cross-selling (completare un acquisto con prodotti correlati), upselling (proporre la versione di valore più alto quando il cliente è predisposto ad acquistarla) e fidelizzazione (ricordare al cliente prodotti con cui ha avuto una buona esperienza).
L’analisi preliminare che determina la portata dell’opportunità si basa su alcune domande. Quale percentuale degli acquisti è un primo acquisto in quella categoria e quale un riacquisto? Quante categorie visita in media un cliente in ogni sessione? Qual è il tasso di conversione attuale nelle pagine prodotto? Questi dati indicano dove si trova la leva principale.
Requisiti dei dati
Storico delle transazioni per cliente. Per il filtraggio collaborativo (raccomandare sulla base di ciò che hanno acquistato clienti simili) serve una densità di interazioni sufficiente: i clienti con pochi acquisti hanno un profilo di preferenze troppo scarno per ricevere raccomandazioni personalizzate. Con i clienti nuovi, i sistemi di raccomandazione soffrono del cosiddetto «problema dell’avvio a freddo» (cold start).
Dati di comportamento, non solo acquisti. Le visite alle pagine prodotto, gli articoli aggiunti al carrello e abbandonati, le ricerche effettuate, il tempo trascorso sulla pagina: tutti questi segnali arricchiscono il profilo del cliente oltre ciò che alla fine acquista.
Attributi di prodotto. Per il filtraggio basato sui contenuti (raccomandare prodotti simili a quelli che il cliente ha visto o acquistato), gli attributi del prodotto (categoria, prezzo, caratteristiche, marca) consentono di formulare raccomandazioni anche per prodotti nuovi privi di storico di vendita.
Dati di magazzino in tempo reale. Raccomandare un prodotto esaurito è un’esperienza negativa per il cliente e un’occasione di vendita persa. L’integrazione con il magazzino in tempo reale è necessaria per escludere le raccomandazioni non disponibili.
Struttura dei costi e complessità
Esistono librerie e piattaforme di raccomandazione consolidate che riducono il costo di sviluppo del modello. La parte più variabile è l’integrazione: come inserire le raccomandazioni nel negozio online, nelle e-mail, nell’app mobile e nelle comunicazioni del servizio clienti.
La personalizzazione in tempo reale (le raccomandazioni si aggiornano in base al comportamento nella sessione in corso) richiede un’infrastruttura di calcolo diversa dalla personalizzazione in batch (le raccomandazioni si calcolano una volta al giorno e vengono servite in modo statico).
Valutazione dei rischi
Rischio di effetto bolla. Un sistema che raccomanda solo ciò che il cliente già conosce e acquista limita la scoperta di prodotti e riduce la varietà degli acquisti. I sistemi ben progettati affiancano una componente di esplorazione (proporre qualcosa di nuovo ma potenzialmente interessante) alla componente di sfruttamento (proporre ciò che con maggiore probabilità piacerà).
Rischio di cannibalizzazione. Se il cliente avrebbe comunque acquistato il prodotto B senza raccomandazione, mostrarglielo dalla pagina del prodotto A non aggiunge ricavi: cambia soltanto il percorso di navigazione. Misurare l’impatto incrementale reale richiede test A/B con gruppi di controllo a cui le raccomandazioni non vengono mostrate.
Rischio per la privacy. I sistemi di raccomandazione basati su un monitoraggio intensivo del comportamento dell’utente hanno implicazioni di privacy da valutare alla luce del GDPR, in particolare se si ricorre al tracciamento tra sessioni o tra dispositivi.
Indicatori di successo
- CTR (click-through rate) delle raccomandazioni
- Tasso di conversione dalle raccomandazioni rispetto alla navigazione standard
- Ricavo per sessione con e senza raccomandazioni attive
- Valore medio dell’ordine con e senza cross-selling attivo
- Copertura del catalogo: % di referenze che compaiono nelle raccomandazioni (un catalogo ampio con raccomandazioni che mostrano sempre gli stessi 50 prodotti ha un problema di varietà)
- Ricavo incrementale misurato con test A/B (l’unica metrica che misura la causalità e non la correlazione)
Come genera ROI
Il meccanismo principale è l’aumento del valore medio della transazione (più articoli per acquisto grazie al cross-selling) e della frequenza d’acquisto (il cliente torna prima perché il sistema gli ricorda prodotti di suo interesse). Quello secondario è la riduzione del costo di acquisizione: un cliente che trova più valore nel negozio ha un CLV più alto e meno bisogno di essere riconquistato.
Nei settori B2B il sistema di raccomandazione può ridurre anche il costo di gestione degli ordini: se propone i prodotti che il cliente acquista abitualmente durante la compilazione dell’ordine, riduce il tempo che il cliente dedica a comporlo manualmente.
Domande frequenti
Le raccomandazioni via e-mail sono efficaci quanto quelle nel negozio online? Funzionano con un meccanismo diverso. Le raccomandazioni nel negozio agiscono sull’intenzione d’acquisto attiva (il cliente sta navigando); quelle via e-mail agiscono sulla domanda latente (creano l’intenzione). L’e-mail ha tassi di conversione assoluti più bassi, ma può generare visite che altrimenti non ci sarebbero state. I due canali sono complementari.
Un catalogo piccolo può trarre vantaggio da un sistema di raccomandazione? Dipende dalla complessità delle preferenze dei clienti. Con un catalogo piccolo ma con forte variabilità nelle preferenze individuali (per esempio gusti gastronomici o preferenze di lettura), i sistemi di raccomandazione restano utili. Con un catalogo piccolo e preferenze omogenee tra i clienti, il valore della personalizzazione è limitato e una selezione editoriale curata può funzionare altrettanto bene.