Obiettivi educativi e aspettative di Ottimo in questa lezione
Dai cari amici di Ottimo ci si aspetta che dopo aver studiato questa lezione saranno in grado di:
- Definire il concetto di motori di consigli e descriverne il funzionamento.
- Fornire esempi ed elencare alcuni dei motori di consigli.
- Capire quanto sia utilizzabile questo meccanismo nella loro attività.
Quando vuoi provare un locale nuovo o guardare un film che non hai ancora visto, probabilmente chiederai dei suggerimenti ai tuoi amici.
Se stai scrivendo la tesi di laurea, chiederai al tuo relatore delle indicazioni sui testi da utilizzare.
A volte, i negozianti offrono ai propri clienti più affezionati dei prodotti da provare.
Questi esempi si basano sui rapporti tra le persone.
Ci sono molti motivi per cui ci si rivolge ad altri per un consiglio.
Potremmo non conoscere le opzioni disponibili, quindi le chiediamo agli altri.
E poi facciamo noi la valutazione e la selezione.
A volte conosciamo le opzioni, ma non abbiamo la capacità di valutarle e di confrontarle.
Ma oggi, una parte significativa dei consigli che riceviamo non viene dai nostri amici e dai nostri vicini, ma da software, applicazioni e algoritmi.
Un’azienda come Amazon ha concentrato una parte importante della sua tecnologia sull’offerta di prodotti.
I motori di ricerca, incluso Google, cercano di offrire il collegamento migliore, a seconda della domanda che poniamo loro.
I siti d’informazione sotto ogni notizia ne propongono altre correlate
Una parte importante del successo o del fallimento delle aziende digitali ha a che fare con la loro strategia di offerta o, più precisamente, con la potenza del loro motore di raccomandazione (Recommendation Engine).
Definizione di motore di raccomandazione
Con questi esempi, il concetto di motore di raccomandazione dovrebbe essere abbastanza chiaro. Tuttavia, è meglio avere una definizione precisa.
I motori di raccomandazione sono sistemi di software che:
- In base alla loro conoscenza dei tuoi gusti e di quelli degli altri
- In base alla loro conoscenza del loro prodotto
- In base una combinazione di entrambe
cercano di valutare il tuo giudizio sulle opzioni a loro disposizione e, di conseguenza, ti presentano quelle migliori per te.
Suggerimento del prodotto basato sul contenuto
Un sito di news, quando leggi una delle sue notizie, te ne propone altre sullo stesso argomento o su argomenti simili.
Un sito di un venditore di prodotti informatici, se guardi un laptop specifico, ti fornisce un elenco di accessori per laptop.
In questi casi, il software seleziona e ti offre opzioni simili a quelle che hai scelto in base alla sua conoscenza dei suoi prodotti e contenuti nel suo database.
Suggerimento basato sulle tue scelte precedenti e sull’opinione di altri
I tuoi gusti, la tua storia e le scelte tue e di altre persone come te sono elementi che il software utilizza per suggerirti i prodotti giusti.
In questo caso il criterio principale è dato dalle tue scelte precedenti e da quelle di altre persone, non dalle caratteristiche del prodotto.
Non è difficile distinguere tra questi due meccanismi. Nel primo caso ti viene detto: “Poiché ti è piaciuto questo prodotto, probabilmente potresti apprezzare anche quest’altro che gli assomiglia”.
Nel secondo, basandosi su alcuni fattori come le tue scelte precedenti o l’opinione di altre persone affini a te, ti dicono: “Anche altre persone che hanno fatto scelte simili alle tue hanno scelto questi prodotti. Potrebbero piacere anche a te”.
Raccomandazione ibrida
Ciascuno dei metodi di cui sopra ha i suoi punti di forza e i suoi punti di debolezza.
In quello orientato al prodotto (o al contenuto), il sistema deve essere in grado di identificare le caratteristiche dei contenuti e dei prodotti che hai apprezzato.
Se il sistema non è in grado di capirlo, deve provvedere chi conosce le caratteristiche dei prodotti.
Supponiamo che una persona dica a un software di voler vedere un film drammatico con un triangolo amoroso che finisce male.
Ora, dopo un po’, il sistema può proporre film simili a coloro che sono interessati allo stesso tipo di trama.
Naturalmente, i film in cui c’è anche una storia d’amore formano un altro gruppo.
Altri generi maggiori e minori vengono identificati e registrati allo stesso modo.
Nel metodo di selezione basato sulle tue scelte precedenti o sull’opinione di altri, il sistema non ha bisogno di conoscere le caratteristiche del prodotto e gli basta sapere quello che ti è piaciuto o che è piaciuto ad altri.
Ma esiste un’altra debolezza:
Supponiamo che nello stesso sistema di suggerimento di film, un film specifico sia molto recente e che poche persone lo conoscano e lo abbiano visto.
Dopo un po’, a causa dello scarso interesse riscosso, questo film non viene più suggerito.
In altre parole, i prodotti popolari diventano sempre più popolari e i prodotti meno conosciuti diventano sempre meno conosciuti.
[Lezione correlata: sistemi in cui il successo è la quota dei successi]
Gli algoritmi ibridi cercano di sopperire ai punti deboli di ciascun metodo combinandoli con un terzo.
Esercizio 1:
Fornisci esempi di almeno tre motori di raccomandazione che conosci.
Anche se non puoi necessariamente dirlo con certezza, su ciascuno di essi prova a capire quale dei tre metodi viene utilizzato.
Esercizio 2:
C’è qualcosa di cui senti la mancanza nell’offerta del mercato? Qualcosa che o non esiste affatto o la cui offerta non soddisfa le tue aspettative.
