Shopping online, ecco come cambierà grazie all’intelligenza artificiale

Questo articolo è stato pubblicato da questo sito

Spesso ci si pensa poco, perché il tema dell’intelligenza artificiale è di frequente orientato a fronti e traguardi ben più ambiziosi, dalla salute all’automotive. Ma quanto potrebbe cambiare lo shopping online se fosse più intelligente, se riuscisse a capire i nostri gusti e le nostre preferenze quasi meglio e prima di noi? No, non è il caso dei bot – per esempio su Messenger – con cui comunque c’è da intavolare un’interazione dialogica. Piuttosto della natura metamorfica delle piattaforme di ecommerce. Che grazie al machine learning e alle soluzioni di intelligenza artificiale potrebbero in teoria essere in grado di cambiarci sotto gli occhi. Adattandosi all’esperienza di acquisto e svincolandosi così dai molti ma ancora imperfetti strumenti di shopping che tuttavia ci sono poco utili.

I percorsi sono diversi. Si parte per esempio con i filtri di ricerca, tradizionalmente croce e delizia degli amanti dello shopping online. Spesso sono troppi e non aiutano in termini di navigazione, perché confondono le idee.

Più spesso sono pochi e imprecisi. In ogni caso sono del tutto fuori dalle necessità di una user experience di nuovo livello, veloce ed efficiente. Se le piattaforme riuscissero a imparare non solo da una manciata di dati relativi alle nostre precedenti transazioni ma anche da ciò che stiamo facendo in uno specifico momento – in base, per esempio, alle parole digitate e alle categorie in cui abbiamo scavato più a lungo nel corso di quella o precedenti sessioni – potrebbero proporci dei filtri personalizzati. Cioè parametri che di base non esistono e che non sono a disposizione di tutti ma che in un certo momento riusciamo a visualizzare perché il sistema ha capito che cerchiamo uno specifico tipo di prodotto, estraneo alle caratteristiche tradizionali (perché magari ne incrocia due poco diffuse). In questo modo non solo l’acquirente arriverebbe prima all’obiettivo ma, ovviamente, godrebbe di una fase di ricerca più lineare. Individuando davvero ciò che cerca e, potenzialmente, abbattendo anche i costi di reso e rimborso.

Tutto questo si collega ad altri due aspetti simili ma che vivono di vita propria: le categorie merceologiche e i bundle, cioè i pacchetti suggeriti, le combinazioni offerte insieme a un determinato prodotto. Procediamo con ordine. Le categorie costituiscono l’altro lato della medaglia dei parametri: con i meccanismi di machine learning dovrebbero essere in grado di fioccarne di personalizzate in tempo reale.

Un esempio? Tipicamente, quello di attributi che di base il venditore non assegnerebbe mai a un prodotto (magari perché informali, sfumati, poco professionali) ma che i consumatori, invece, in qualche modo collegano. Magari anche in virtù di mode o del marketing. E utilizzano sia sui motori di ricerca esterni che interni per connotare in linguaggio naturale e spontaneo ciò che stanno cercando. Se l’intelligenza artificiale riesce ad assegnare un peso a una certa parola inserita, cioè un peso di significato per l’utente che sta cercando un prodotto, può creare in automatico una categoria nuova di zecca sotto la quale raccogliere tutti i prodotti che, in qualche modo, ritiene affini a quei desideri. E questo senza che nessuno, dal backend di gestione della piattaforma, in fase di inserimento di un certo oggetto, abbia mai etichettato alcunché con l’attributo che l’utente gli ha assegnato per questioni culturali e sociali. Si capisce che il salto è epocale: da un’esperienza sostanzialmente statica, fatta sì di big data ma fermi e raccolti dal passato, a una dinamica che a quelli già raccolti aggiunge connessioni e suggerimenti frutti di capacità di calcolo ben diverse.

Stesso discorso per le combinazioni d’acquisto che molte piattaforme, come Amazon, al momento gestiscono in modo piuttosto basilare. Consigliandoci magari un paio di prodotti che altri utenti hanno acquistato insieme a quello che stiamo valutando. E basta. Un consiglio del tutto privo di personalizzazione – che è la parola chiave dello shopping, su e giù dalla rete – e che appunto fa leva solo sui dati degli acquisti passati. Senza per giunta proporci alcun genere di sconto o promozione per un acquisto in pacchetto. Con gli algoritmi di deep learning anche questo passaggio potrebbe raffinarsi: quei bundle potrebbero offrirci non solo prodotti affini in termini merceologici ma anche in qualche modo legati all’utente in virtù del suo atteggiamento di navigazione. L’esperienza potrebbe dunque farsi più smart sia nel capire cosa mettere insieme che nella proposta di sconti e promozioni. E potrebbe essere una mossa utile anche a far emergere nicchie e micronicchie di consumatori che altrimenti non sarebbero mai venute a galla. Precludendo magari un allargamento del business.

“Per le aziende di vendita al dettaglio che vogliono competere e differenziarsi dai concorrenti questo è un fronte fondamentale per sfruttare data analytics e machine learning”, ha spiegato John Bates, product manager di Adobe Marketing Cloud, a Time. Gli ha fatto eco Andrew Zhai, ingegnere che lavora per le ricerche visuali di Pinterest: “Per lo shopping i miglioramenti alla ricerca online significano nuovi modi di trovare prodotti a cui sei interessato ma che non hai le parole per spiegare”. Lui parla di ricerca visuale ma in fondo il principio è lo stesso: dev’esserci qualcuno in grado di aiutarci e, per certi versi, effettuare dei collegamenti al posto nostro.

Non è un caso che, al netto dello sviluppo interno, mosse in questo senso non ne siano mancate. Lo scorso autunno, per esempio, la celebre piattaforma di artigianato Etsy ha acquistato Blackbird Technologies per sfruttarne le capacità di riconoscimento d’immagine ma anche di analisi del linguaggio naturale all’interno delle funzioni di ricerca. La stessa Adobe si sta lanciando molto oltre il discorso, creando programmi che consentano addirittura alle persone di realizzare i prodotti che desiderano. E funzionare così da autentici stimoli dal basso per i brand e i rivenditori, che sapranno come orientarsi. Serve dunque un ecommerce camaleontico, che anticipi i desideri degli utenti non tentando di azzeccarli ma capendoli mentre nascono.

Per sostenere questo genere di sviluppi servono i cosiddetti algoritmi genetici, una classe che tende a misurare l’efficacia dei suoi stessi frutti e a sviluppare nuove soluzioni di ricerca sulla base dei risultati precedenti. Stimoli, idee, parole chiave, magari immagini e video: gli algoritmi devono mescolare tutto insieme, aiutando la piattaforma sui cui stiamo acquistando a proporci categorie e filtri su misura e perfezionarsi in base a ciò che, alla fine, avremo effettivamente ordinato.