Intelligenza Artificiale e Offerte Personalizzate: il Machine Learning per una Customer Experience personalizzata

                

Il Machine Learning (in italiano Apprendimento Automatico) è una branca dell’Intelligenza Artificiale basata sull'idea che i sistemi possano imparare dai dati per poi riuscire ad identificare schemi e prendere decisioni con un intervento umano ridotto al minimo. Alla base del Machine Learning ci sono una serie di algoritmi che, partendo da dati grezzi, imparano a svolgere determinati compiti migliorando, tramite l’esperienza, le proprie risposte, capacità e funzioni.   

                                 
Prima di parlare degli strumenti e delle tecniche di machine learning attuali, che possono essere utilizzati per raggiungere l’obiettivo sopra citato, dobbiamo considerare le 3 principali fonti di dati che possono essere processate dai sistemi di ML.                      

Lo storico delle interazioni con i clienti, siano esse acquisti, questionari, prenotazioni, riunioni o altri scambi, rappresenta una preziosissima fonte di dati per i sistemi di ML. Il sistema CRM è infatti una risorsa fondamentale di questo tipo di dati ed è importante che catturi il maggior numero di interazioni possibili, sia online che offline. 

La valutazione dei prodotti e servizi da parte dei clienti è alla base dei servizi di personalizzazione o di customizzazione in aziende come Amazon, Netflix e Spotify. Le valutazioni non devono essere necessariamente esplicite  (in forma di punteggio numerico o commento descrittivo libero), possono anche essere implicite e manifestarsi attraverso le scelte o il comportamento del consumatore.

              

Facciamo qualche esempio. La selezione di un prodotto specifico su un sito di e-commerce a fronte di un’ampia scelta di prodotti appartenenti alla stessa categoria può essere considerata una valutazione positiva implicita per l’offerta selezionata. Analogamente, se un cliente abituale diventa improvvisamente inattivo, dopo aver ricevuto un determinato prodotto o servizio, potrebbe significare che la qualità non ha soddisfatto le sue aspettative ed è quindi necessaria un’azione mirata per evitare il definitivo abbandono (customer churn). Queste decisioni, molto delicate e complesse su larga scala, rappresentano esattamente quel tipo di scenario in cui i sistemi di ML/IA possono fornire un supporto.    

Sebbene lo storico delle interazioni con il consumatore sia generalmente considerato la fonte principale di dati per prevederne il comportamento, le informazioni demografiche sui consumatori rimangono un input importante per la personalizzazione delle strategie di marketing.
          
Per capire meglio, introduciamo il concetto di sistemi di raccomandazione, che applicano la logica del collaborative filtering. Questi non si basano più sul comportamento del singolo consumatore per suggerire un certo prodotto o servizio, ma sulle similarità tra le scelte di più utenti. In questo caso, le affinità tra diversi consumatori si basano su dati demografici quali la fascia d’età, la localizzazione, il canale di vendita preferito, lo storico degli acquisti, e così via.
              
Ora che abbiamo individuato i principali tipi di dati che possono essere inseriti nel sistema di machine learning, analizziamo alcune tecniche di ML/AI che possono essere usate per creare una strategia di marketing personalizzata. Tali tecniche sono oggetto di studio della divisione di Research & Development della piattaforma Comarch Loyalty Management.  

Le ANN (Artificial Neural Networks) sono una categoria di software progettata sul modello del funzionamento del cervello umano e del sistema nervoso.

           

Da una prospettiva marketing, i sistemi basati sulle ANN possono essere utilizzati per assistere o automatizzare completamente alcuni processi di decision making. Per calcolare le previsioni, le ANN hanno bisogno di alcuni dati di riferimento necessari per il processo di training. Tornando a uno degli esempi precedenti, tutti i dati raccolti su un unico consumatore, da quelli demografici ai dettagli su tutte le interazioni con l’azienda, possono essere utilizzati a questo scopo.

               

Le ANN sono infatti in grado di processare enormi quantità di dati e adattare i loro calcoli in base ai dataset di training che ricevono. Ciò vuol dire che lo stesso modello può essere riutilizzato per ogni nuovo consumatore, in quanto è in grado di adattarsi migliorando le previsioni senza alcun tipo di input manuale aggiuntivo o correzione. Una rete artificiale neurale propriamente “allenata” può essere utilizzata in svariati modi:

L’ANN è una tecnologia molto potente e versatile: per questo, la stragrande maggioranza delle soluzioni di machine learning sono interamente o parzialmente basate proprio su questo sistema o su una sua sottocategoria.

Un’altra tecnica interessante di machine learning è un metodo originariamente sviluppato per l’eleborazione del linguaggio naturale, chiamata Natural Language Processing [NLP].

            

Il suo obiettivo è quello di individuare il senso latente di una parola analizzando altre parole che sono utilizzate spesso in stretto collegamento con la prima o in un contesto simile. Dal punto di vista marketing, questo approccio consente ai prodotti simili di essere riconosciuti analizzando gli articoli che sono spesso acquistati insieme. Facciamo un esempio pratico; se i prodotti A e B sono frequentemente acquistati con i prodotti C, D e E, è probabile che ci sia una relazione tra A e B: i prodotti appartengono alla stessa categoria, sono acquistati dai consumatori simili, sono complementari, e così via.

            

Individuando simili relazioni tra i prodotti, è possibile consentire ad un’azienda di eseguire una campagna di up-selling o cross-selling. Utilizzando l’esempio precedente, se il prodotto B fosse la versione più costosa del prodotto A, l’attività di marketing che promuove il prodotto B ai consumatori che avevano acquistato A in passato, potrebbe essere lanciata con l’obiettivo di vendere un brand premium ad un target di gruppo idoneo.

Analogamente, in caso di esaurimento del prodotto B, si potrebbe offrire il prodotto A ai consumatori come potenziale sostituto.

Come già detto in precedenza, il collaborative filtering è uno dei metodi di automatic prediction più utilizzati dai sistemi di raccomandazione convenzionali. E’ basato sul presupposto che i consumatori caratterizzati da uno storico di acquisti analogo e rating simili per gli stessi prodotti siano più propensi a fare gli stessi acquisti in futuro. Sulla base di questo principio, l’algoritmo suggerirà a un cliente tutti i prodotti valutati con rating alti da parte degli utenti simili a lui, risultando potenzialmente molto efficace.

             

Visto il successo ottenuto dalle tecniche di machine learning, oggi sempre più aziende stanno adottando queste tecnologie per migliorare i propri risultati di business. La soluzione più diffusa è utilizzare una rete artificiale neurale “profonda” (multi-stratificata), più comunemente sotto forma di un autoencoder. Un autoencoder è una particolare tipologia di ANN usata per un’efficiente decodifica dei dati attraverso un apprendimento non supervisionato.

                     

In conclusione, il vantaggio maggiore dei sistemi di machine learning è che sono stati progettati per processare una grande quantità di dati e per individuare in modo automatico modelli che altrimenti sarebbero stati quasi impossibili da rilevare.

                  

I risultati effettivi derivati dall’utilizzo del machine learning per il marketing personalizzato dipendono da una serie di fattori, come il volume e la qualità dei dati utilizzati per il processo di training dell’algoritmo. Anche se non sempre rappresentano la soluzione migliore per tutti i tipi di aziende, investire nei sistemi che si basano sul ML offre sicuramente un potenziale per l’ottimizzazione dei processi di marketing, riducendo i costi generali delle campagne e migliorando il tasso di conversione.