Ecommerce e Intelligenza Artificiale: i Prodotti Raccomandati

I prodotti raccomandati sono fondamentali in un progetto di Marketing Automation per ecommerce, contribuendo significativamente alle entrate complessive: le raccomandazioni di prodotti rappresentano il 31% dei ricavi dell’ecommerce.

Nel secondo appuntamento del ciclo di live dedicate all’Intelligenza Artificiale applicata all’ecommerce, Francesco Chiappini e Daniele Pinazzi, rispettivamente CEO & Founder e CTO di Ecommerce School, hanno analizzato l’importanza dei prodotti raccomandati nell’ecommerce e come gli algoritmi di intelligenza artificiale stanno rivoluzionando questa funzionalità.

L’impatto dei Prodotti Raccomandati: il caso Amazon

Amazon ha riportato che il 35% delle sue vendite proviene dal suo motore di raccomandazione.

Le modalità implementate sono multiple e spaziano dai consigli in pagina prodotto a quelli in conferma ordine a quelli in homepage.

Le sessioni senza interazioni con le raccomandazioni registrano un AOV (Average Order Value) di 44,41 dollari. 

Questo valore aumenta del 369% quando gli utenti interagiscono con una singola raccomandazione, continuando a crescere fino a stabilizzarsi intorno ai 5 clic.

Importante notare che questo studio, condotto su più settori, evidenzia l’incremento relativo piuttosto che l’importo nominale.

Le raccomandazioni di prodotto riducono significativamente l’abbandono del carrello, migliorando la percentuale fino al 4,35%. 

Si è notato che l’effetto si inverte dopo un certo livello di interazione, il che riflette il comportamento degli acquirenti in fase di ricerca che utilizzano le raccomandazioni per scoprire prodotti.

I principali vantaggi dell’utilizzo dei Prodotti Raccomandati

I principali vantaggi di utilizzare le raccomandazioni di prodotti si possono così sintetizzare:

– Aumento del Valore Medio dell’Ordine (AOV)

– Miglioramento del Tasso di Conversione

– Riduzione dell’Abbandono del Carrello

– Incremento della Fedeltà del Cliente

– Promozione prodotti stagionali

– Ottimizzazione dell’inventario

– Raccolta Dati e Insights sui Clienti

Le raccomandazioni di prodotti per pagina 

Le raccomandazioni di prodotto devono essere ben strutturate e personalizzate per ogni pagina dell’ecommerce. Dall’homepage alla scheda prodotto e al carrello, è fondamentale utilizzare algoritmi appropriati basati sugli obiettivi specifici di ogni fase del processo di acquisto.

Raccomandazioni in Home Page

Per massimizzare l’impatto delle raccomandazioni di prodotto sulla homepage di un sito ecommerce, è cruciale adottare un approccio segmentato che tenga conto delle diverse categorie di utenti: dai nuovi visitatori ai clienti fedeli che hanno effettuato ripetuti acquisti. 

Questa segmentazione consente di fornire un’esperienza più mirata e pertinente a ciascun gruppo, migliorando così l’engagement e la probabilità di conversione.

Raccomandazioni in Category Page

Molto traffico arriva sulle pagine di categoria per ricerche generiche bisogno/problematica/categoria prodotto.

Le raccomandazioni nella pagina categoria generano l’ Effetto Primacy, aiutando l’utente a restringere il campo di ricerca, soprattutto in caso di acquisto di routine o complesso.

Possono essere molto utili per gestire le eccedenze di Stock in magazzino.

Raccomandazioni in Pagina Prodotto

La pagina di prodotto è una pagina fondamentale perché in molti settori la maggior parte del traffico arriva qui.

L’utente ha già espresso una scelta, con le raccomandazioni lo aiutiamo a validare la sua scelta, trovare il prodotto migliore per il suo bisogno.

L’obiettivo delle raccomandazioni nella scheda prodotto è di aumentare lo scontrino medio (upselling e cross-selling). 

Non dimentichiamo tuttavia l’obiettivo principale, che è garantire una buona UX facilitando l’utente nella navigazione e ricerca del prodotto più adatto alla sua esigenza.

Raccomandazioni in Pagina Carrello

La pagina carrello è una pagina fondamentale dove l’utente è prossimo a concludere la conversione. L’intento di acquisto è molto elevato.

Con le raccomandazioni aiutiamo il cliente a completare il suo carrello con prodotti correlati o di acquisto impulsivo.

L’obiettivo delle raccomandazioni nella pagina carrello è ancora aumentare lo scontrino medio (cross-selling).

Le tipologie di algoritmi

Esistono diverse tipologie di algoritmi per le raccomandazioni di prodotto:

• Raccomandazioni Manuali: Per ogni prodotto vengono indicati manualmente dei prodotti correlati che possono interessare al cliente. Questa selezione è spesso frutto dell’esperienza del venditore e può essere efficace su cataloghi piccoli e in presenza di pochi dati di vendita.
• Raccomandazioni Sociali: Sfruttano le reti e le interazioni sociali degli utenti per suggerire prodotti basati su ciò che piace o viene raccomandato dai loro amici o influencer seguiti. Solitamente si tratta di impostazioni manuali derivanti da campagne marketing o ricerca sui social network.
• Content-Based Filtering: Usa gli attributi (categoria, recensioni, taglie, colori, attributi vari etc) dei prodotti rispetto allo storico delle vendite per prevedere la probabilità di acquisto su un prodotto specifico. Si basa sulla tecnica statistica modello multi attributo o analisi congiunta.
• Collaborative Filtering: Prevede le scelte dei clienti usando informazioni di acquisto di altri clienti simili. Si basa su algoritmi come il nearest neighbor (vicino prossimo) che calcolano la similarità tra i clienti. Quando un gruppo di clienti (segmento) compra un determinato articolo, il sistema proporrà lo stesso articolo a diversi clienti che mostrano preferenze o inclinazioni di acquisto simili
• Modello Ibrido: Combina il Collaborative Filtering e il Content Filtering per affrontare il problema della scarsità di dati, migliorando la capacità di fare previsioni accurate.
  
  Un esempio di come funzionano i sistemi di raccomandazione ibridi si può vedere all’opera su Netflix:

• Analizzano cosa guardano e cercano gli utenti, trovando poi altri utenti con gusti simili
• Suggeriscono elementi che hanno caratteristiche in comune con quelli che un utente ha già apprezzato.

La mappa psicometrica

Quello che permette agli algoritmi di funzionare è la mappa psicometrica, uno spazio n-dimensionale popolato da nodi rappresentanti i singoli utenti. 

Il posizionamento è influenzato da fattori come: feedback, acquisti, wishlist, navigazione, tempo di navigazione, dati demografici, dati geografici, etc…

Mira a personalizzare raccomandazioni analizzando le caratteristiche psicologiche degli utenti non facilmente rilevabili, come ad esempio la preferenza per la sostenibilità o l’identificazione con un brand. 

Questo approccio supera l’analisi delle somiglianze di prodotti o acquisti precedenti, focalizzandosi sulle vere motivazioni di acquisto.

Il modello auto-logistico utilizza una mappa psicometrica per collocare clienti e prodotti nello stesso spazio psicologico.

La probabilità di acquisto di un prodotto dipende dalla distanza relativa del cliente rispetto agli altri clienti sulla mappa.

Attraverso questo metodo possiamo mostrare a ogni utente i prodotti che acquisterà con più probabilità.

Come implementare i Prodotti Raccomandati con l’AI

Le principali sfide legate all’implementazione di questi algoritmi sono:

Costi: Sono mediamente più costosi in termini di necessità hardware o di licenze per sistemi esterni

Implementazione tecnica: Integrare soluzioni esterne di IA richiede coordinamento tecnico e può presentare sfide di compatibilità con sistemi esistenti

Completezza e pulizia dei dati: La qualità delle raccomandazioni dipende dalla disponibilità di dati completi e puliti forniti

Alcuni esempi

AMAZON PERSONALIZE

Permette di sviluppare applicazioni personalizzate con la tecnologia AI di Amazon per raccomandazioni efficaci.

Tecnologia Amazon: Utilizza la tecnologia di raccomandazione di Amazon per risultati ottimizzati.

Gestisce Dati Incompleti: Valorizza dati parziali per raccomandazioni di alta qualità.

ALGOLIA – AI Recommendations

Offre un marketing personalizzato 1:1 che si adatta al contesto e ai comportamenti specifici degli utenti.

Analisi del contesto: Il modello di IA consente di analizzare il contesto dell’utente, adattando le proposte a seconda delle informazioni ottenute

Alternative in tempo reale: Se un prodotto non dovesse essere disponibile, confronta le immagini in tempo reale per trovare articoli correlati

BARILLIANCE – Recommendations Engine

Analizza i dati di comportamento sul web per consigli istantanei e integrazione nelle email.

Rotazione Inventario: Promuove prodotti meno visibili, bilanciando le vendite e riducendo gli stock in eccesso.

Gestione No-Code: Consente di personalizzare facilmente le raccomandazioni senza necessità di competenze tecniche, rendendo l’adozione semplice e veloce.

VUE – AI Customer Hub 

Potenzia l’esperienza cliente omnicanale, garantendo una un’efficace unificazione dei dati su tutti i touchpoint.

Omnicanalità e Unificazione Dati: Integra dati da più canali per offrire una vista unificata del cliente, migliorando la coerenza dell’esperienza di acquisto.

Automazione del Marketing: Integra l’IA nella personalizzazione dei flussi di Marketing Automation.

In conclusione, trasformando dati e comportamenti passati in intuizioni future, queste tecnologie AI consentono di anticipare le preferenze degli utenti, offrendo raccomandazioni personalizzate, spostando l’approccio da reattivo a proattivo e ridefinendo l’esperienza di acquisto attraverso la previsione e l’innovazione.