Amazon, il colosso delle vendite online fondato da Jeff Bezos nel 1994, è ormai utilizzato da milioni di persone in tutto il mondo. Uno dei punti di forza del sito è la capacità di suggerire agli utenti articoli che potrebbe essere loro interesse acquistare; tale funzione è codificata dall’algoritmo “Item-to-Item Collaborative Filtering”.
L’algoritmo analizza gli interessi degli utenti in base ai precedenti acquisti (e non solo…) e propone prodotti che ritiene ad essi affini. Un altro fattore decisivo è la capacità che esso ha di sfruttare gli acquisti effettuati da altri acquirenti per fare raccomandation più efficaci. A tale scopo viene costruita una matrice nella quale vengono raccolti i prodotti che, generalmente, sono comperati insieme: questo permette al sito di proporre acquisti complementari a quelli fatti precedentemente. Il risultato è che ogni utente ha un suo store online personalizzato e inoltre è possibile effettuare stime sul numero di utenti che compreranno un determinato prodotto.
L’obiettivo dell’algoritmo può essere ben riassunto da una frase tratta da un articolo di Smith e Linden, “The test of time”, in cui viene scritto così: “It’s computers helping people help other people, implicity and anonymously”.
Anche il tempo di calcolo ha un ruolo fondamentale nell’implementazione dell’algoritmo. Esso è decisivo sotto due punti di vista: il primo è la rapidità con cui il sito deve rispondere agli stimoli dell’utente, elaborando un numero enorme di dati e dando risposte immediate; il secondo è la tempistica con cui proporre le raccomandation. L’algoritmo deve essere in grado di analizzare l’effettiva causalità fra due acquisti e proporre il suggerimento in tempi utili.
Le raccomandation sono il futuro dell’interazione digitale. Esse sono già alla base di moltissimi siti di successo che usiamo quotidianamente come YouTube e Netflix.
Referenze: