fbpx

Nelle lezioni di questa settimana, l’aula dell’Executive Master in Data Analysis For Marketing si cimenta con il tema dei Sistemi di Raccomandazione.

A illustrarne le varie tipologie, il funzionamento e le applicazioni principali è il Dott. Diego Pennacchioli, Lead Data Scientist in VF Corporation.

Innanzitutto si comincia con il definire il concetto di Recommender System, fondamentale nel nostro mondo caratterizzato dall’information overload.

Davanti a una crescita esponenziale dell’offerta di contenuti e prodotti, infatti, per l’utente diventa sempre più complesso orientarsi e, per le aziende, è necessario catturare la sua attenzione con un servizio davvero su misura.

Nelle poche ma efficaci parole di Xiao & Benbasat:

RS are software agents that elicit the interests and preferences of individual consumers […] and make recommendations accordingly.
They have the potential to support and improve the quality of the decisions consumers make while searching for and selecting products online

Una volta inquadrato lo scenario, Diego pone le basi per una spiegazione approfondita delle differenze tra le due tipologie principali di sistemi di raccomandazione.

Collaborative Filtering

I Sistemi di Raccomandazione che si basano sul collaborative filtering sono i più conosciuti, quelli applicabili a tutti i settori di retail e anche ai servizi ad abbonamento e sottoscrizione.

Un Collaborative Filtering RS adotta l’approccio wisdom of the crowd, e ha per assunzione di base l’abitudinarietà dell’utente: se qualcuno ha avuto certi gusti in passato, si presuppone che ciò si verificherà anche nel futuro e, probabilmente, anche per tutte le tipologie di utente simili presenti nella community.

Questa tipologia di Recommender System può, inoltre, essere memory-based o model-based.

Nel primo caso, la matrice di rating viene utilizzata direttamente per fare le predizioni su cui si baseranno le raccomandazioni. Si tratta, però, di un approccio che manca di scalabilità.

Gli approcci model-based, invece, si appoggiano a un modello che è già stato istruito e che viene allenato di nuovo con una periodicità stabilita.

Content Based

Questo tipo di Sistema di Raccomandazione ha bisogno del maggior numero possibile di informazioni sul prodotto e un profilo utente che ne descriva le preferenze.

È un modello utente-centrico e il suo obiettivo è proprio quello di imparare ciò che piace all’utente per effettuare raccomandazioni personalizzate.

Rispetto agli approcci collaborativi, quindi, i Content Based RS non hanno bisogno di dati sulla comunità di utenti e, in più, sono una sorta di modello in sé.

Le informazioni sui contenuti (data di pubblicazione di un libro, sinossi di un film ecc.) sono piuttosto stabili, più semplici da gestire e, quindi, i modelli hanno bisogno di essere allenati con meno frequenza.

Il rischio implicito ogni modello di Raccomandazione Content Based, però, proprio per l’assenza della mole di dati che solo la community può offrire, è quello di raccomandare opzioni troppo simili tra loro.

Ecco perché è davvero raro, per non dire impossibile, che un modello esclusivamente basato sui contenuti sia utilizzato in ambito commerciale.

Dopo un caso reale che illustra un sistema di raccomandazione content based, passiamo a comprendere come è possibile valutare un Recommender System.

La questione è molto complessa e può essere approcciata da più punti di vista. Di fatto, si tratta sostanzialmente di metodi che si basano su osservazione sperimentale e test&learn.

Per quanto riguarda, però, le metriche da calcolare e su cui basare la valutazione non ci sono dubbi:

  • Precision
  • Recall
  • Rank position
  • Normailzed discounted cumulative gain

In altre parole, un sistema di raccomandazione dev’essere preciso, completo e offrire all’utente i contenuti suggeriti nell’ordine più vicino possibile alle sue preferenze.

I casi specifici, però, insegnano che è sempre necessario affrontare un trade off tra precisione e completezza e tenere presente che il parametro fondamentale è sempre l’utente.

 

Richiedi la Ricerca

Indagine sul livello di adozione e utilizzo dell'Intelligenza Artificiale in Italia

Privacy Policy

You have Successfully Subscribed!