I Recommender System: come le piattaforme digitali suggeriscono contenuti su misura per gli utenti

“Chi ha acquistato questo articolo ha acquistato anche”, “Spesso comprati insieme”, “Consigliati per te”, “Perché hai guardato…” sono solo alcune delle frasi che possiamo trovare ormai in qualunque sito di e-commerce, di streaming, nei social network, e più in generale in qualsiasi piattaforma dove possano essere introdotti i suggerimenti per rendere l’esperienza dell’utente migliore e personalizzata. Spesso, se non sempre, questi suggerimenti sono fatti su misura per i nostri gusti e ci chiediamo come facciano tali piattaforme a sapere in qualsiasi momento cosa potrebbe servirci o cosa vorremmo vedere. Ora come ora è diventato talmente normale leggere le frasi che ho citato all’inizio che non ci si chieda cosa ci sia dietro precisamente. In questa tesi verranno analizzati proprio questi sistemi, facenti parte ormai della nostra quotidianità, i Recommender System. Tali strumenti, sono in grado di osservare e analizzare il comportamento dell’utente, filtrando la grande mole di informazioni da esso prodotte e offrendo suggerimenti che incontrano le sue preferenze. I sistemi di raccomandazione sono stati implementati non solo per offrire un’esperienza personalizzata per l’utente, ma anche per evitare che l’utente perda tempo nella ricerca dei contenuti desiderati tra i milioni disponibili. La trattazione è divisa in tre capitoli. Nel primo capitolo verrà fornita una panoramica generale dei Recommender System, concentrandosi sul funzionamento delle tecniche principali, quali il content-based e il collaborative filtering, che in particolari casi potrebbero anche lavorare insieme dando vita a sistemi di raccomandazione ibridi. Oltre a queste verranno citati anche altri metodi alternativi ma meno utilizzati. Si vedrà anche che tali sistemi offrono una soluzione al problema dell’information overload, ossia la perdita di concentrazione dell’utente dovuta al sovraccarico di informazioni a cui è esposto mentre sta eseguendo una qualsiasi ricerca. Proseguendo con il secondo capitolo verrà descritta la tecnica di clustering con i metodi annessi, utile per raggruppare gli utenti in insiemi, detti cluster, più o meno omogenei a seconda dei loro interessi. Verrà introdotto anche il concetto di distanza, fondamentale per il modo di riunire gli utenti nei diversi raggruppamenti. Infine, nell’ultima parte del capitolo, verranno analizzati i due approcci di valutazione di un sistema di raccomandazione, indicando anche le metriche che misurano l’efficacia dell’algoritmo preso in considerazione. Infine, il terzo capitolo si soffermerà sul campo di applicazione principale dei Recommender System, il digital marketing, introdotto confrontandolo con le metodologie del marketing tradizionale. Poi si specificherà il ruolo dei sistemi di raccomandazione nelle piattaforme di e-commerce e di streaming e il loro funzionamento in Netflix e Spotify. Per concludere verranno analizzati il paradosso della personalizzazione, che si verificherà nel caso in cui la raccolta dei dati per la personalizzazione dei contenuti diventasse troppo invadente, facendo sentire l’utente costantemente sotto osservazione, e i problemi di privacy che potrebbero riscontrarsi in particolari situazioni.