Gli utenti oggi si aspettano di vivere e intraprendere esperienze quanto più possibilmente adeguate alle loro aspettative e bisogni. Per migliorare la loro customer experience è mandatorio quindi personalizzarne l’esperienza – sia nei contenuti sia nelle offerte proposte – attraverso sistemi di raccomandazione.
Un sistema di raccomandazioni è un software o un algoritmo che utilizza le informazioni della profilazione degli utenti per suggerire contenuti, prodotti o servizi che potrebbero essere di interesse per l’utente e quindi adattano l’esperienza in base alle sue preferenze.
Esistono due grandi tipologie di sistemi di raccomandazione:
Filtri collaborativi (Collaborative filtering): sono focalizzati su variabili quali i comportamenti, le azioni, le preferenze e le previsioni di quello ciò gli utenti potrebbero gradire in base alle loro affinità con utenti simili.
Filtri basati sui contenuti (Content filtering): sono concentrati su elementi e contenuti che l’utente gradisce – spesso in base a parole chiave caratterizzanti – e tengono conto anche delle scelte prese dall’utente.
Per attuare una strategia di personalizzazione è però necessario conoscere in profondità la tipologia di utente. L’intelligenza artificiale, ad esempio, consente di adeguare e migliorare la customer experience perché è in grado di comprendere e delineare le aspettative del singolo utente attraverso l’analisi dei dati in modo più performante rispetto ad altri strumenti. Gli algoritmi di AI, infatti, riescono ad aggregare e descrivere gradi quantità di dati, come lo storico delle visite e le informazioni sulle preferenze di utenti simili o sul contesto di interazione dell’utente.
L’analisi di queste informazioni consente agli algoritmi di AI di restituire indicazioni che possono aiutare i visitatori nella scelta del percorso da intraprendere, consentendo loro di visualizzare contenuti di gradimento, vicini per interessi e preferenze, e ottimizzare la ricerca di informazioni o la fruizione di contenuti potenzialmente poco interessanti.
Perché un sistema di raccomandazioni sia performante e accurato nei suggerimenti è necessario che sia in grado di apprendere e di essere flessibile e dinamico, sfruttando in tempo reale dati di contesto e informazioni sulla tipologia di utenti.
L’insieme delle attività di raccolta ed elaborazione dei dati inerenti agli utenti con il fine di suddividerne l’utenza in gruppi o segmenti per omogeneità di comportamento è conosciuta come profilazione.
Uno dei metodi più efficaci per profilare è suddividere in cluster più o meno ampi di utenti, frazionare il database utenti in gruppi omogenei che hanno in comune una o più caratteristiche.
Alcuni sistemi di profilazione e raccomandazione si basano su un classificatore NLP, il cosiddetto Natural Language Processing.
L’NLP è un campo di ricerca interdisciplinare che abbraccia informatica, intelligenza artificiale e linguistica, il cui scopo è quello di sviluppare algoritmi capaci di analizzare, rappresentare e quindi “comprendere” il linguaggio naturale, scritto o parlato, in maniera similare o addirittura più performante rispetto agli esseri umani.
Tale “comprensione” è determinata dal recepire e dall’utilizzare il linguaggio a varie granularità: dalle parole – in relazione al loro significato e all’appropriatezza d’uso – alla grammatica e alle regole di strutturazione, dalle frasi partendo da singole parole e paragrafi e dalle pagine a partire dalle frasi.
In maggior dettaglio, l’NLP fornisce soluzioni per analizzare la struttura sintattica del testo associando alle singole parole le rispettive categorie morfologiche (ad es. nome, verbo, aggettivo), identificando entità e classificandole in categorie predefinite (ad es. persona, data, luogo), estraendo dipendenze sintattiche (ad es. soggetti e complementi) e relazioni semantiche (ad es. iperonimia, meronimia). In secondo luogo, consente di comprendere la semantica del testo poiché identifica il significato delle parole anche in base al contesto e alle modalità di utilizzo (ad es. ironia, sarcasmo, sentimento, umore), classificandolo in categorie predefinite (ad es. sport, geografia, medicina) o sintetizzandone il contenuto.
L’NLP moderno si basa principalmente su un approccio all’intelligenza artificiale chiamato apprendimento automatico o Machine Learning che esegue previsioni generalizzando gli esempi in set di dati. Questi, denominati dati di formazione, sono sfruttati dagli algoritmi di apprendimento automatico per produrre un modello e portare a termine un’attività. I dati di formazione per la profilazione degli utenti sono costituiti dai testi e dalle risposte dei questionari somministrati agli utenti per raccogliere informazioni dirette su di loro. L’algoritmo di apprendimento automatico legge questo set di dati e produce un elenco con probabilità statistica, o un singolo profilo corrispondente a quello con probabilità più alta individuato.
Questa analisi può essere utilizzata per creare profili degli utenti in base al loro comportamento linguistico, ai loro interessi e alle loro preferenze. Una volta creati i profili degli utenti utilizzando l’NLP, è possibile utilizzare queste informazioni per generare raccomandazioni personalizzate.
Il Natural Language Process può essere utilizzato per apportare miglioramenti continui all’algoritmo delle raccomandazioni e per migliorare ulteriormente la precisione di queste ultime. Ad esempio, può essere utilizzato per analizzare il feedback degli utenti ed esaminare le descrizioni dei prodotti e delle recensioni per comprendere meglio il contenuto e le preferenze degli utenti stessi. Combinato con la profilazione, può essere utile per aumentare e migliorare il livello di personalizzazione, ottimizzando così l’esperienza dell’utente e l’efficacia delle piattaforme di raccomandazione.
