Reply ti permette di entrare a far parte di una realtà formata da persone da tutto il mondo con la passione per la tecnologia, la capacità di immaginare ed esplorare nuove soluzioni, la voglia di innovare e sfidare lo status quo.Vuoi unirti alla squadra?
Le aziende orientate al B2C sono state le prime a rispondere alle trasformazioni delle aspettative dei clienti, basti pensare ad Amazon, Netflix, Walmart e Spotify. In modi diversi, la nostra esperienza come cliente di questi brand va al di là dei semplici prodotti che acquistiamo da loro, si tratta soprattutto dell’esperienza riguardo l’acquistare da loro.
Ad esempio, ogni lunedì oltre 100 milioni di utenti di Spotify trovano ad attenderli una nuova playlist; si chiama "Discover Weekly" ed è una combinazione personalizzata di 40 canzoni che non hanno mai ascoltato, ma che probabilmente adoreranno.
Questa funzionalità dimostra che esiste un grado elevato di coinvolgimento del cliente e, nello stesso tempo, che i motori di recommendation sono divenuti un aspetto cruciale dell'esperienza online degli utenti.
Pensate a un motore di recommendation come a una scatola nera che prende dati in input (correlati all'interazione utente-elemento) e produce in output una lista di elementi accoppiati e ordinati da un punteggio: tale punteggio è l'indice di probabilità che l'utente apprezzi quell'oggetto.
I motori di recommendation raccolgono dati storici e in tempo reale dai clienti, eventi in serie temporali come la frequenza delle visite a un sito Internet, le pagine visitate, il tempo trascorso su pagine specifiche, i prodotti cliccati e gli acquisti effettuati, al fine di trovare relazioni tra i prodotti e i servizi sulla base di proprietà intrinseche degli oggetti. Tutte le interazioni dei clienti su differenti canali devono essere raccolte e analizzate per offrire una Customer Experience interattiva, interessante, conveniente e accessibile. In mercati come la vendita al dettaglio, i motori di recommendation hanno mostrato di generare in media un aumento delle entrate pari al 3-5% e un aumento del 30-70% per visitatore.
Oggi le tecnologie di Machine Learning stanno divenendo mainstream, strumenti come Apache Spark o PredictionIO offrono un set di algoritmi di recommendation già implementati e ben collaudati che consentono a chiunque di costruire il proprio sistema di recommendation.
Reply ha creato il framework Robotics for Customers, che consente ai clienti di costruire un sistema di recommendation, in modo efficiente ed efficace, che può essere facilmente integrato in tutte le piattaforme esistenti.
L’approccio data-driven parte dalle prime fasi del ciclo di vita dello sviluppo; questa fase costituisce un aspetto molto importante quando si costruiscono sistemi di recommendation. Il semplice processo del rilascio di codice senza esecuzione di A/B Test espone il progetto a un’elevata probabilità di fallimento. Il framework Robotics for Customers offre una serie di passaggi agili e di piccole dimensioni per ridurre/eliminare ogni possibile punto di fallimento:
• Validazione: in questa fase, si utilizza il dataset a disposizione per capire e definire le metriche del successo del progetto. È importante definire le metriche del successo in questo momento al fine di chiarire gli obiettivi del progetto e impedire che il risultato degli A/B test diano un’errata impressione. Queste metriche devono essere definite considerando i seguenti tre aspetti: - Pubblico: quanto è grande il pubblico che si sta raggiungendo? - Profondità: qual è il grado di penetrazione del pubblico? - Mantenimento: quanti, fra gli utenti raggiunti, vengono mantenuti? • Prototipo: consegna di un primo piccolo prototipo; • A/B Test – Raffinamenti successivi: questa fase può includere molte iterazioni, vengono usate ulteriori sessioni di A/B test su gruppi sempre più grandi in modo da assicurare un feedback costante sul prototipo; questi feedback saranno usati al fine di migliorare il prototipo originale; • Rilascio: rilascio del prodotto in produzione.
Il framework Customer Robotics è stato adottato con successo in progetti e iniziative in diversi domini, aiutando i clienti a costruire Recommendation System time-to-value in modo economicamente efficiente.
Al fine di scegliere il Recommendation System appropriato, è necessario considerare alcune questioni; l'algoritmo migliore non è sempre quello che fornisce i suggerimenti più corretti in generale. In un insieme di dati che appartiene a diversi gruppi (o classi), come gruppi di elementi o generi differenti, la precisione dei suggerimenti può essere differente per tipi differenti di elementi (o prodotti). Questo significa che alcuni utenti otterranno suggerimenti accurati, mentre altri, che preferiscono altri tipi di elementi che sono più difficili da prevedere, otterranno una precisione significativamente minore. Abbiamo identificato quattro diversi fattori che rappresentano importanti questioni da affrontare quando si prendono decisioni sulla scelta dell'algoritmo; eccoli di seguito:
• modalità di valutazione, riguardano l’interazione utente-elemento (o prodotto) e sono di due tipi: - implicita: quando l'interazione prodotto/utente è un valore binario (1 se esiste una interazione tra l'utente e il prodotto, 0 altrimenti); - esplicita: quando l'utente valuta esplicitamente il prodotto (la maggior parte delle volte utilizzando una scala da 1 a 5) • interazione utente-oggetto: il suggerimento fornito sfrutta l'analisi di un solo evento comportamentale per l'interazione utente-elemento, o forse la combinazione della co-occorrenza di più eventi (utente/acquista/oggetto, utente/cerca/oggetto, ecc.); • tempo computazionale: la maggior parte dei Recommendation System richiede una computazione in batch per offrire una previsione, dunque il tempo computazionale è un parametro importante per valutare le prestazioni di un algoritmo di recommendation; • capacità esplicativa: il modello deve essere auto-esplicativo; la previsione prevista deve avere senso;
Reply ha acquisito un’approfondita conoscenza nella risoluzione di questo genere di problemi in numerosi mercati, consentendo alle diverse aziende di identificare il giusto algoritmo o persino di testarne con facilità un intero gruppo.
Reply ha sviluppato numerosi PoC utilizzando tecnologie Big Data open source e che ora sono disponibili come soluzioni pacchettizzate che consentono di:
• costruire e rilasciare rapidamente in produzione un motore di recommendation come un micro-servizio indipendente dall’ecosistema con algoritmi personalizzabili; • rispondere a interrogazioni dinamiche in tempo reale una volta rilasciati come micro-servizi; • valutare e raffinare sistematicamente numerose varianti dell'algoritmo; • unificare i dati da sorgenti multiple in batch o in tempo reale per analisi predittive; • velocizzare la modellazione degli algoritmi di Machine Learning con processi sistematici e misure di valutazione predefinite; • supportare librerie di Machine Learning popolari come Spark MLLib e OpenNLP; • implementare modelli di Machine Learning propri e incorporarli senza problemi nel proprio motore di recommendation; • semplificare la gestione dell'infrastruttura dati: questa soluzione completa può essere predisposta facilmente come container Docker in modo da renderla compatibile con installazioni cloud e on-premise.