SUADES – RECOMMENDER SYSTEM – SISTEMA DI RACCOMANDAZIONE INNOVATIVO

Azioni efficaci in grado di anticipare le scelte del consumatore e spingerlo a comprare più volte uno stesso prodotto (up-selling) oppure prodotti completamente diversi da quelli già acquistati (cross-selling).

DESCRIZIONE ( scarica flyer )
L’impiego di una strategia di marketing che ponga il cliente e la sua soddisfazione come principale obiettivo, per una impresa, comporta una trasformazione dei tradizionali modelli di business e l’adozione di un nuovo sistema di organizzazione che pone l’esigenze del cliente al centro di tutto.

Il raggiungimento di tale obiettivo prevede l’implementazione di sistemi informatici che siano capaci, in maniera automatica, mediante un processo di auto-apprendimento, di comprendere il mutevole atteggiarsi del comportamento del cliente ed anticiparne le mosse.

Così, la possibilità di suggerire prodotti automaticamente secondo il profilo specifico del cliente, risulta essere una azione di marketing particolarmente utile ed efficace.

I sistemi di raccomandazione si classificano in tre categorie:
• sistemi di raccomandazione content-based: all’utente saranno consigliati prodotti con caratteristiche simili a quelli già acquistati (da lui) in passato;
• sistemi di raccomandazione collaborative-filtering: all’utente verranno suggeriti prodotti che sono piaciuti ad altri utenti a lui molto simili;
• sistemi di raccomandazione ibridi: combinano le caratteristiche dei sistemi content-based e collaborative-filtering;

I nostri innovativi sistemi di raccomandazione, realizzati in collaborazione con Ingenium, Spinoff del Politecnico di Bari, sono del tipo “context-aware recommender”.

Sono sistemi ibridi, costruiti in base alle specifiche esigenze del cliente, e considerano anche i dati contestuali, cioè “informazioni” addizionali (di contorno) che condizionano l’acquisto ed inducono lo stesso consumatore ad assumere comportamenti differenti, infatti l’inserimento della variabile contestuale migliora in maniera significativa la capacità di predire l’atteggiamento del consumatore.

Tenere traccia dei dati di contesto, come ad esempio il fine dell’acquisto, consente automaticamente al sistema la comprensione ed individuazione di pattern che descrivono il comportamento di acquisto dell’utente in maniera più dettagliata. Una ulteriore ed efficace informazione che il recommender system considera quando genera suggerimenti di acquisto è la redditività dei prodotti (il margine di profitto).