Il filtraggio collaborativo, chiamato in inglese "collaborative filtering", è un insieme di tecniche, strumenti e servizi in grado di fornire informazioni predittive sugli interessi di uno o più utenti, partendo da un archivio di informazioni molto più ampio di preferenze di altri utenti.
Il filtraggio collaborativo è alla base di servizi e strumenti di raccomandazione: ogni volta che su un sito e-commerce stiamo visualizzando una scheda di un prodotto e trovate una sezione "Chi ha visto questo ha visto anche", oppure "Chi ha comprato questo ha comprato anche", state visualizzando una serie di suggerimenti personalizzati basati proprio su questo approccio.
Se queste espressioni vi richiamano alla mente delle frasi che trovate sul sito di Amazon, è normale: la loro esperienza nel collaborative filter inizia più di venti anni fa.
L’obiettivo del filtraggio collaborativo è migliorare l’esperienza d’acquisto di un utente, proponendogli raccomandazioni personalizzate e specifiche sulla base dei suoi interessi e comportamenti all’interno del sito.
In modo analogo quando su un sito di news o un quotidiano trovate a fine articolo un riquadro che riporta "Chi ha letto questo, ha letto anche", oppure "Potrebbero interessarti anche questi articoli", alla base ci sono soluzioni di filtraggio collaborativo più o meno sofisticate.
Esistono altri approcci che suggeriscono consigli agli utenti ma non sono filtraggio collaborativo e vale la pena parlarne per capire meglio la differenza rispetto a questa tecnica.
La prima soluzione è una ricerca per valori identici.
Immaginate una scheda di un libro di Lee Child, un noto scrittore di thriller.
Se nella scheda di uno dei suoi libri, trovate un riquadro "Altri libri dello stesso autore", di solito il contenuto di questo box è un semplice risultato di una ricerca nel database di altri libri dello stesso autore.
Stesso discorso se state guardando la scheda di un "Giallo Mondadori" e vi propongono "Altri libri della stessa collana" o "Altri libri sullo stesso argomento."
Quando su Amazon Video o Netflix vi propongono "Altri film dello stesso regista" o "altre serie tv con lo stesso attore", siamo di nuovo di fronte a ricerche di queso tipo.
Quando su un blog trovate la dicitura "Altri articoli dello stesso autore" oppure "Altri articoli della stessa categoria", il sistema sta usando questo approccio.
Una seconda soluzione è basata sul contenuto della scheda: nei riquadri analoghi ai precedenti mostri dei risultati dove i prodotti scelti contengono stesse parole.
Ad esempio, se sto visualizzando la scheda di un film di Harry Potter, potrei trovare tra i consigliati anche "Harry Potter e il castello di Hogwarts" della Lego, oppure la bacchetta magica di Harry Potter, perché contengono le stesse parole chiave.
Se su un sito di news parlo di come ottimizzare un testo per la SEO, potrei trovare tra gli articoli consigliati altri testi che contengono nel titolo, nella descrizione o nel contenuto la parola SEO.
Questi due approcci non sono quindi "filtraggio collaborativo".
Il filtraggio collaborativo si differenzia in modo radicale rispetto alle soluzioni precedenti perché per generare i contenuti dei riquadri di raccomandazione, si basa sul concetto che utenti simili hanno interessi simili.
Facendo un esempio molto semplice, se cinque persone comprano "La vita bugiarda degli adulti", l’ultimo libro di Elena Ferrante e poi a distanza di qualche settimana comprano "La giusta distanza" scritto da Sara Rattaro, mettendo uno dei due prodotti nel carrello è possibile che ci venga suggerito l’altro da comprare.
Questo è un esempio molto semplice, ma dovrebbe farvi capire la potenza di questo approccio.
Maggiori dati su comportamenti di visualizzazione e acquisto si riescono a raccogliere, maggiore sarà l’efficacia del filtraggio collaborativo e dei suggerimenti proposti.
Questo approccio ha tre punti di attenzione:
- su database di prodotti di centinaia di migliaia con decine di migliaia di utenti richiede un’infrastruttura tecnologica ben ottimizzata
- dato che si basa su interazioni tra utenti e prodotti, questo approccio è molto debole nel caso del “cold start”. Quando un nuovo prodotto o servizio viene aggiunto, non ci sono ancora relazioni che lo collegano ad altri utenti e questo approccio collaborativo non è in grado di suggerire in questo caso raccomandazioni.
- è una soluzione che “si mangia la coda”, dato che continuando a spingere sempre in relazione al prodotto A il prodotto B, si continuerà a rinforzare questo collegamento a scapito dei prodotti C e D.
Esiste una soluzione che permette di essere efficace in tutti questi contesti?
Noi l’abbiamo trovata e se vuoi capire come migliorare la ricerca del tuo e-commerce o del tuo portale di contenuti, scrivici subito!
Photo by John Schnobrich on Unsplash