È possibile personalizzare uno store online per ogni singolo utente? Possiamo suggerire ai nostri utenti cosa comprare, assecondando i loro gusti e le loro esigenze? L'apporccio al Machine Learning può trasformare i Big Data in Smart Data, aprendo un mondo di possibilità per marketing mirato, up-selling e cross-selling sia nel mondo digitale che negli store fisici.

1. Nicole Bartolini <nb@ideato.it>
Cloud, Intelligenza
Artificiale ed e-commerce
Suggerisci ai tuoi utenti cosa comprare

2. Nicole Bartolini <nb@ideato.it>

3. Nicole Bartolini <nb@ideato.it>
Vogliamo…
suggerire
alla gente
cosa
comprare

4. Nicole Bartolini <nb@ideato.it>
Vogliamo
un bot per
suggerire
alla gente
cosa
comprare

5. Nicole Bartolini <nb@ideato.it>

6. Nicole Bartolini <nb@ideato.it>

7. Nicole Bartolini <nb@ideato.it>
Facciamo un
passo indietro…

8. Nicole Bartolini <nb@ideato.it>
Motori di ricerca
Fonte dati statica (anche se ampia), query dinamiche

9. Nicole Bartolini <nb@ideato.it>
Motori di suggerimenti
Fonte dati dinamica (ma su un dominio preciso),
query statiche

10. Nicole Bartolini <nb@ideato.it>
Motori di suggerimenti
• Non personalizzati
• Content-Based
• Filtraggio
Collaborativo

11. Nicole Bartolini <nb@ideato.it>
Motori di suggerimenti
non personalizzati

12. Nicole Bartolini <nb@ideato.it>
Non personalizzati

13. Nicole Bartolini <nb@ideato.it>
Non personalizzati

14. Nicole Bartolini <nb@ideato.it>
Non personalizzati

15. Nicole Bartolini <nb@ideato.it>
Non personalizzati

16. Nicole Bartolini <nb@ideato.it>
Non personalizzati

17. Nicole Bartolini <nb@ideato.it>

18. Nicole Bartolini <nb@ideato.it>
Hotel A Hotel B Hotel C
Luca 3 5
Sara 3
Mattia 1 0
Andrea 4
AVG 3.5 3 0

19. Nicole Bartolini <nb@ideato.it>
Motori di suggerimenti
content-based

20. Nicole Bartolini <nb@ideato.it>
Content-Based
• Gli utenti votano item (film, libri, …)
• Noi costruiamo un modello sui gusti degli utenti
• Cerchiamo per item simili basandoci sul modello
creato

21. Nicole Bartolini <nb@ideato.it>
Content-Based Problems
• Bisogna conoscere il contenuto degli item
• Cold start per gli utenti: è necessario molto tempo
per conoscere i gusti di tutti gli utenti
• Cosa succede se i gusti cambiano?

22. Nicole Bartolini <nb@ideato.it>
Motori di suggerimenti
a filtraggio collaborativo

23. Nicole Bartolini <nb@ideato.it>
Seleziono persone con
gusti simili a me.
Se altri utenti
condividono i miei gusti,
voglio conoscere la loro
opinione.
Filtraggio
collaborativo
User-User

24. Nicole Bartolini <nb@ideato.it>
Vengono suggeriti degli
item con caratteristiche
simili a quelli per cui ho
espresso una preferenza
in passato.
Filtraggio
collaborativo
Item-Item

25. Nicole Bartolini <nb@ideato.it>
Collaborative Filtering Problems
• Cold start per gli utenti
• Cold start per gli item
• Sparsità: soltanto alcuni item saranno votati
• Scalabilità: all’aumentare del numero di rating il
costo di aggiornamento diventa molto alto

26. Nicole Bartolini <nb@ideato.it>
Motori di
suggerimenti ibridi?

27. Nicole Bartolini <nb@ideato.it>
Il nostro case
study

28. Nicole Bartolini <nb@ideato.it>
Il cliente
e-commerce di libri
sia digitali che cartacei,
diverse tipologie/
categorie di prodotti,
carrelli separati

29. Nicole Bartolini <nb@ideato.it>
L’esigenza:
suggerire titoli
da aquistare
• Chi ha comprato X ha
comprato anche Y
• Ti potrebbe interessare
anche…

30. Nicole Bartolini <nb@ideato.it>
PredictionIO

31. Nicole Bartolini <nb@ideato.it>
choosing the tool

32. Nicole Bartolini <nb@ideato.it>
L’event server

33. Nicole Bartolini <nb@ideato.it>

34. Nicole Bartolini <nb@ideato.it>
Pattern
utente — azione — item
• User 1 ha comprato il prodotto X
• User 2 ha visto il prodotto Y
• User 1 ha aggiunto il prodotto Z nel carrello

35. Nicole Bartolini <nb@ideato.it>
• rating
• like
• acquisto
• visita
Modellazione degli eventi:
quali dovremmo
tracciare?

36. Nicole Bartolini <nb@ideato.it>
Implementazione

37. Nicole Bartolini <nb@ideato.it>
Machine
Learning

38. Nicole Bartolini <nb@ideato.it>
Machine Learning
Tradizionale

39. Nicole Bartolini <nb@ideato.it>
Due tipi di
suggerimento
• Raccomandazione:
chi ha comprato X
ha comprato
anche…
• Similitudine: ti
potrebbe interessare
anche…

40. Nicole Bartolini <nb@ideato.it>
I nostri eventi
• Vista: visita alla pagina
del singolo elemento
• Like: aggiunta al carrello
o alla wishlist
• Conversione: acquisto

41. Nicole Bartolini <nb@ideato.it>
La nostra
implementazione
• 4 engines: 2 per i libri,
2 per gli ebooks
• Training dell’algoritmo
ogni notte
• Registrazione degli
eventi in batch per
evitare lentezza del
sistema

42. Nicole Bartolini <nb@ideato.it>
Cold Start
Se non abbiamo un
numero sufficiente di
suggerimenti, il
sistema passa in
automatico ad un
motore di suggerimenti
non personalizzati
(come avviene per gli
utenti anonimi)

43. Nicole Bartolini <nb@ideato.it>
Infinite possibilità
di utilizzo

44. Nicole Bartolini <nb@ideato.it>
Suggerimenti sui
comportamenti
degli utenti

45. Nicole Bartolini <nb@ideato.it>
Email personalizzate
sui gusti degli utenti
e nuovi eventi correlati ai click su email

46. Nicole Bartolini <nb@ideato.it>
Offerte su item
presenti nei carrelli
abbandonati

47. Nicole Bartolini <nb@ideato.it>
Esperienza utente
personalizzata per
il singolo

48. Nicole Bartolini <nb@ideato.it>
implementation
http://raas.ideato.it

49. Nicole Bartolini <nb@ideato.it>
Voice User
Interface

50. Nicole Bartolini <nb@ideato.it>
Promuovere i propri
prodotti o servizi

51. Nicole Bartolini <nb@ideato.it>
Integrare il
proprio prodotto
in casa dell’utente

52. Nicole Bartolini <nb@ideato.it>
https://alexa.ideato.it

53. Nicole Bartolini <nb@ideato.it>
Grazie