Cos’è un sistema di raccomandazioni?

Hai presente quando Netflix suggerisce uno spettacolo e pensi: "Come faceva a saperlo?" O quando Amazon ti mostra prodotti che sono stranamente perfetti per te? Questo è un sistema di raccomandazioni al lavoro. Fondamentalmente è un software che esamina ciò che tu (e le persone come te) avete fatto in passato e lo usa per indovinare cosa probabilmente vorrai dopo.

La buona notizia? Non è necessario essere Netflix per crearne uno. Se sei uno sviluppatore solista che crea un'app, un blog o un negozio online, puoi aggiungere consigli per invogliare i tuoi utenti a tornare. Analizziamo come funzionano effettivamente queste cose, in un inglese semplice, con esempi reali che puoi seguire.

I due approcci principali (con esempi reali)

Ci sono in realtà solo due idee fondamentali dietro ogni sistema di raccomandazione. Una volta compresi questi, tutto il resto sono solo variazioni sul tema.

1. Filtraggio collaborativo: "Alle persone come te piacciono anche..."

Questo approccio esamina ciò che hanno fatto utenti simili. Non importaChe cosail contenuto in realtà lo è. Nota solo modelli di comportamento.

Esempio del mondo reale:Supponiamo che tu stia creando un'app per la recensione di libri. L'utente A ha adorato i libri n. 1, n. 2 e n. 3. L'utente B ha adorato i libri n. 1 e n. 2 ma non ha ancora visto il libro n. 3. Il filtraggio collaborativo dice: "Probabilmente anche l'utente B apprezzerà il libro n. 3, perché ha gli stessi gusti dell'utente A".

Questo è esattamente il modo in cui funziona la playlist "Discover Weekly" di Spotify. Trova gli utenti con abitudini di ascolto simili alle tue, quindi consiglia i brani che hanno amato e che non hai ancora ascoltato.

2. Filtraggio basato sul contenuto: "Perché ti è piaciuta questa cosa specifica..."

Questo approccio esamina le caratteristiche effettive di ciò con cui un utente ha interagito, quindi trova più elementi con tratti simili.

Esempio del mondo reale:Stai creando un'app per ricette. Un utente continua a salvare ricette di pasta vegetariana che richiedono meno di 30 minuti. Il filtraggio basato sui contenuti consiglierebbe altri piatti veloci di pasta vegetariana, anche se nessun altro utente li ha ancora provati, perché theingredienti e attributicorrispondere a ciò che questo utente preferisce chiaramente.

La barra laterale "Video correlati" di YouTube funziona in questo modo. Esamina i tag, il titolo e la categoria di ciò che stai guardando, quindi trova i video con attributi simili.

Due tipi di sistemi di raccomandazione

👥

Filtraggio collaborativo
"Anche gli utenti come te si sono divertiti..." (Spotify, Amazon)

🔍

Filtraggio basato sul contenuto
"Perché questo oggetto ha caratteristiche simili..." (YouTube, Netflix)

🧪

Ibrido (il meglio di entrambi)
Combina entrambi per ottenere risultati migliori (cosa fanno le app più grandi)

📈

Basato sulla popolarità (avvio più semplice)
"I più popolari questa settimana": non sono necessari dati utente

⏱️

Aggiornamenti in tempo reale
Adattati istantaneamente man mano che gli utenti interagiscono con la tua app

Che dire degli incorporamenti? (È più semplice di quanto sembri)

Sentirai spesso il termine "incorporamenti" nei tutorial del sistema di consigli. Sembra intimidatorio, ma l’idea è semplicissima.

Pensala in questo modo: immagina che ogni utente e ogni elemento della tua app venga posizionato su una mappa gigante. Gli utenti a cui piacciono cose simili finiscono vicini sulla mappa. Anche gli oggetti simili finiscono vicini tra loro. Un "incorporamento" è semplicemente le coordinate (la posizione) di un utente o di un elemento su quella mappa.

Esempio del mondo reale:In un'app musicale, un utente che ascolta jazz, blues e soul verrebbe posizionato vicino a quei generi sulla mappa. Un utente che ascolta metal e punk si troverebbe in un'area completamente diversa. Quando esce un nuovo album jazz, il sistema controlla quali utenti sono “vicini” al jazz sulla mappa e glielo consiglia.

Perché questo è importante se stai creando un'app da solo

Se sei uno sviluppatore solista, l'aggiunta anche di un semplice sistema di consigli può cambiare le regole del gioco per mantenere gli utenti coinvolti. Ecco perché:

Gli utenti rimangono più a lungo.Quando le persone vedono contenuti che sembrano scelti personalmente per loro, trascorrono più tempo nella tua app. Pensa a come continui a scorrere TikTok perché continua a mostrarti esattamente ciò che ti piace.
Gli utenti scoprono più contenuti.Se hai un blog con 200 post, la maggior parte dei visitatori vedrà solo gli ultimi. Una sezione "Potrebbe piacerti anche" può far emergere post più vecchi che sono ancora rilevanti per ciascun lettore.
Gli utenti tornano più spesso.I riepiloghi e-mail personalizzati ("Ecco le novità in base ai tuoi interessi") offrono alle persone un motivo per tornare. Ecco come Medium ti fa fare clic sugli articoli.

Come costruirne effettivamente uno (passo dopo passo)

Ecco una tabella di marcia pratica che non ti travolgerà:

Inizia monitorando ciò che fanno gli utenti.Prima di poter consigliare qualsiasi cosa, hai bisogno di dati. Tieni traccia di clic, Mi piace, salvataggi, tempo trascorso sulle pagine, acquisti e tutto ciò che ha senso per la tua app. Anche una semplice tabella di database comeid_utente | id_oggetto | azione | timestampè sufficiente per iniziare.
Inizia con l'approccio più semplice.Non passare direttamente al machine learning. Inizia con "articoli più popolari" o "gli utenti che hanno acquistato X hanno acquistato anche Y". Per una piccola app, alcune query SQL possono fornire consigli sorprendentemente buoni.
Laureati in una biblioteca quando sei pronto.Di PitoneBiblioteca a sorpresarende il filtraggio collaborativo estremamente semplice. Puoi avere un modello di raccomandazione funzionante in circa 20 righe di codice.Raccomandatori TensorFlowè fantastico se vuoi andare più a fondo.
Mantienilo fresco.I consigli diventano obsoleti rapidamente. Imposta un lavoro settimanale per riqualificare il tuo modello con nuovi dati. I gusti di un utente a gennaio potrebbero essere completamente diversi a marzo.

Se non vuoi realizzarlo da solo, i servizi gestiti possono gestire il lavoro pesante.AWS Personalizzati consente di inserire i tuoi dati e ottenere consigli tramite un'API.L'intelligenza artificiale dei consigli di Googlefa la stessa cosa. Entrambi hanno livelli gratuiti abbastanza generosi per le piccole app.

Costruisci il tuo primo sistema di raccomandazione

Tieni traccia delle azioni dell'utente

Registra clic, Mi piace, acquisti e tempo trascorso

Inizia in modo semplice

"Più popolare" o "anche acquistato" con query SQL di base

Aggiungi una libreria

Utilizza i suggerimenti Surprise o TensorFlow di Python

Riqualificazione settimanale

Mantieni aggiornati i consigli man mano che i gusti degli utenti cambiano

Misura ciò che funziona

Tieni traccia delle percentuali di clic sui tuoi consigli

Punti chiave

Non è necessario essere uno scienziato dei dati.Una semplice query "alle persone a cui è piaciuto X è piaciuto anche Y" può fare miracoli per una piccola app.
Inizia con quello che hai.Anche i dati di clic di base sono sufficienti per fornire consigli utili.
Esistono strumenti gratuiti che svolgono il lavoro pesante.Librerie come Surprise e servizi gestiti come AWS Personalize dispongono di livelli gratuiti perfetti per gli sviluppatori singoli.
Mantienilo fresco.Riqualifica il tuo modello regolarmente. Le raccomandazioni obsolete sono peggio di nessuna raccomandazione.
Misurare l'impatto.Tieni traccia se gli utenti fanno effettivamente clic sui tuoi consigli. In caso contrario, modifica il tuo approccio.

Conclusione

I sistemi di raccomandazione non sono solo per i giganti della tecnologia con enormi team di ingegneri. In qualità di sviluppatore solista, puoi iniziare con qualcosa di semplice come "il più popolare della settimana" e procedere gradualmente fino a suggerimenti personalizzati basati su dati utente reali. Gli strumenti sono gratuiti, le librerie sono adatte ai principianti e l’impatto sul coinvolgimento degli utenti può essere enorme.

La chiave è semplicemente iniziare. Tieni traccia del comportamento degli utenti, prova un approccio semplice e ripeti da lì. I tuoi utenti noteranno la differenza.

Per ulteriori letture, controllaGuida ai sistemi di raccomandazione di Google, AWS Personalizza, e ilDocumentazione della biblioteca a sorpresa.