Recommender System (Sistemi di raccomandazione): caratteristiche ed applicazioni

Caratteristiche principali

Un Recommender System (o sistema di racocmandazione), secondo la definizione, è un software di filtraggio di contenuti che guida un utente nelle sue scelte, fornendo risultati personalizzati. Più in generale, un Recommender System può essere applicato in un qualsiasi contesto in cui le preferenze dell’utente siano una discriminante fondamentale per la ricerca: film, video, musica, libri, notizie, immagini, prodotti ma anche servizi. Le società di eCommerce, in particolare, sono in permanente competizione tra loro, cercando di prevalere l’una sull’altra in una sfida senza fine. A tale scopo investono importanti cifre di denaro per capire ciò che desiderano i clienti. L’importanza dei Recommender System in questo ambito, quindi, è sempre più evidente. Lo scopo di un Recommender System è fornire all’utente suggerimenti che corrispondano alle sue preferenze. Per raggiungere tale obiettivo, ci sono una serie di proprietà che un Recommender System dovrebbe garantire: la trasparenza, la possibilità di correzione, l’affidabilità, l’efficacia, la capacità di persuasione, l’efficienza, la soddisfazione del cliente, l’ampiezza dei risultati, l’aggiornamento costante, la serendipità, la varietà dei suggerimenti, la robustezza, il rispetto della privacy, la scalabilità.
Esistono due principali tipologie di sistemi di raccomandazioni:

  • Content-Based: sistemi che suggeriscono film con un contenuto simile al contenuto dei film gi`a visti dall’utente (ad esempio stessi attori o stesso genere).
  • Collaborativi: sistemi che suggeriscono film in base alle preferenze degli utenti simili all’utente corrente.

Applicazioni

  • Predictive Analytics: è questa la direzione verso la quale si stanno muovendo gli analisti di dati. Non basta più solo ascoltare ciò che miliardi di utenti ogni giorno scrivono sui social network. L’obiettivo è prevedere i loro comportamenti futuri, delineare tendenze e guidare le imprese nel processo decisionale, attraverso un meccanismo di machine learning. Una mole di informazioni enorme, che permette di creare quella che viene definita social lead generation: un gruppo di persone che parla sul web di un determinato argomento, in un certo modo – positivo o negativo – rivolgendosi a qualcuno. È a loro che l’impresa dovrà puntare, per capire quali saranno le tendenze di mercato o che prodotto vendere. Per esempio, con un annuncio sponsorizzato su Facebook, o una menzione su Twitter. Non solo: ascoltando ciò di cui gli utenti discutono in tempo reale, si possono prevedere, gestire o evitare situazioni di crisi. “Facciamo l’esempio di Twitter: se un’impresa vuol sapere se ci siano utenti che associano parole pericolose al proprio marchio, può attivare un alert per monitorare e gestire subito il problema. O, nel caso di Facebook, possiamo evidenziare picchi di negatività nei commenti e notificarlo via mail al nostro cliente”.
  • Gli algoritmi di machine learning possano essere impiegati in eterogenei ambiti: dall’assistenza sanitaria (il dottore può confrontare le proprie conclusioni sullo stato di salute del paziente con quelle elaborate dal computer) al marketing/advertising (analisi comportamento utenti e processo di conversione) fino al settore assicurativo (un aiuto nel processi di decision making delle aziende).