"Più clic significano migliori consigli" è una delle ipotesi più popolari nell'ecommerce, e uno dei modi più facili di fraintendere le prestazioni. Un motore di raccomandazione di prodotti può attirare l'attenzione e aggiungere un articolo al carrello mentre continua a non generare nuovi ricavi, o causare problemi per l'evasione e la fiducia dei clienti.

Per i proprietari di negozi e i team operativi, la domanda utile non è se gli acquirenti rispondono. È se i consigli cambiano ciò che i clienti acquistano in un modo che avvantaggia l'azienda senza creare un'esperienza post-acquisto peggiore.

Indice dei contenuti

Cosa fa effettivamente un motore di raccomandazione di prodotti

Un utile assistente di negozio ricorda cosa ha navigato o acquistato un cliente, nota cosa sta cercando adesso e suggerisce un elemento successivo rilevante. Un motore di raccomandazione di prodotti automatizza quel compito nel catalogo di un negozio. Raccoglie segnali, classifica i possibili prodotti e presenta un elenco breve adatto alla situazione attuale del cliente.

Il motore funziona con tre tipi di input:

  • Il catalogo: Prodotti, varianti, prezzi, stock e attributi come colore o taglia.
  • Comportamento: Azioni come visualizzare un prodotto, aggiungerlo a un carrello, acquistarlo o ignorare un suggerimento.
  • Contesto: Cosa sta facendo il cliente adesso, ad esempio visualizzare una pagina di prodotto, controllare un carrello o modificare un ordine esistente.

Converte questi input in un elenco classificato di suggerimenti, non una risposta unica e definitiva. Questa distinzione è importante perché i clienti di solito si concentrano sugli articoli posizionati in alto. Un suggerimento può essere rilevante in generale ma comunque inadatto al momento se il prodotto è esaurito, incompatibile con l'ordine esistente o non correlato a quello che il cliente sta cercando di fare.

Un commesso di un negozio che consiglia una bottiglia d'acqua a un cliente con l'aiuto di un motore di raccomandazione AI.

I suggerimenti rispondono al contesto

La ricerca e i suggerimenti risolvono problemi diversi. La ricerca risponde a una query digitata: il cliente dice cosa vuole trovare. Un suggerimento risponde alla situazione del cliente senza richiedere una query.

Supponiamo che un cliente acquisti calzini da corsa e, prima della spedizione, il negozio offra un paio che assorbe l'umidità in un altro colore. Questo suggerimento si basa sull'ordine corrente e sul catalogo dei prodotti. Indipendentemente dal fatto che un sistema utilizzi regole semplici o un modello più complesso, il test è lo stesso: ha senso l'articolo in quel punto nel percorso del cliente?

I team che scelgono dove applicare l'automazione possono confrontare diverse strategie di raccomandazione basate su AI per l'ecommerce, soprattutto quando decidono come combinare i segnali comportamentali con il contesto del prodotto e della pagina. La misura centrale non è quanto suoni avanzato il motore. È se gli articoli che posiziona per primi sono utili in quel momento esatto.

Approcci di Raccomandazione Confrontati per Dati e Costi

Un negozio non ha bisogno di un modello complesso per iniziare a consigliare prodotti. Il punto di partenza giusto dipende da ciò che il team conosce del suo catalogo e dei suoi clienti, e da quanti dati può utilizzare per fare un abbinamento.

Approccio Cosa Utilizza Dati Necessari Debolezza Principale
Bestseller e popolarità Conteggi delle vendite in tutto il negozio Cronologia ordini Favorisce articoli già popolari
Basata sui contenuti Attributi del prodotto come tipo, colore e taglia Dati prodotto puliti Ripete articoli simili con poca sorpresa
Filtro collaborativo da articolo a articolo Articoli acquistati o visualizzati insieme Volume elevato di dati di co-acquisto Debole per i nuovi prodotti
Ibrido Regole candidate, attributi e comportamento Dati prodotto più comportamento Più ingegneria e monitoraggio
Regole e curatela manuale Collezioni o prodotti selezionati dal commerciante Giudizio del commerciante Non si adatta ai clienti

Abbina il metodo ai dati del negozio

I best seller sono un'alternativa pratica quando un negozio ha poca cronologia comportamentale. Hanno bisogno solo di dati degli ordini, ma la popolarità può auto-rafforzarsi: i prodotti che già si vendono bene continuano ad essere messi in evidenza. Le raccomandazioni basate sui contenuti utilizzano gli attributi del catalogo, quindi possono aiutare ad abbinare un cliente a un prodotto simile anche quando il negozio ha dati di interazione limitati. Il loro punto debole è la ripetizione. Se un cliente visualizza una giacca blu, il motore potrebbe continuare a mostrare giacche simili invece di offrire un'alternativa utile.

Il filtro da articolo ad articolo utilizza le relazioni tra i prodotti che i clienti visualizzano o acquistano insieme. Ha bisogno di una quantità sufficiente di attività rilevante affinché tali relazioni abbiano significato, e un prodotto appena inserito potrebbe non avere ancora quella cronologia. I sistemi ibridi combinano i vari approcci, il che può rendere i suggerimenti più utili in diverse situazioni, ma richiedono anche più lavoro per essere costruiti e monitorati. Le regole manuali e la cura danno ai commercianti il controllo su quali collezioni o prodotti compaiono, ma gli articoli selezionati non si adattano al comportamento di ogni cliente.

Le sole garanzie sulla privacy non eliminano il rischio di bias di popolarità. La ricerca sui sistemi di raccomandazione federata descrive come i modelli possono comunque favorire i prodotti più popolari, mentre la privacy, l'equità, la trasparenza e la sicurezza possono richiedere una valutazione congiunta. Questo è un motivo per iniziare con il contesto attuale, la compatibilità e la disponibilità dove possibile, spiegare perché un prodotto è apparso e verificare se l'esposizione favorisce gli stessi articoli ad alto volume. Un utile complemento a questo lavoro è questa guida al monitoraggio dei KPI dei sistemi di raccomandazione dei prodotti, che può aiutare i team a mantenere l'attenzione sui risultati oltre che sull'attività.

Per un negozio con pochi ordini, inizia con i best seller e le scelte curate. Pulisci gli attributi dei prodotti prima di aggiungere l'abbinamento per attributi. Introduci i metodi comportamentali solo quando la cronologia degli ordini rende significative le relazioni tra articoli. Mantieni visibile il motivo di ogni suggerimento, in modo che un cliente con poca cronologia possa comunque capire perché è apparso.

Come il filtro da articolo ad articolo ha reso pratiche le raccomandazioni

Nel 2003, Amazon ha pubblicato "Amazon.com Recommendations: Item-to-Item Collaborative Filtering". Invece di cercare di abbinare direttamente ogni cliente con ogni altro cliente, l'approccio ha confrontato i prodotti che venivano frequentemente visualizzati o acquistati insieme. Un sistema potrebbe precalcolare tali relazioni tra articoli e recuperare i prodotti rilevanti durante una sessione di acquisto, rendendo le raccomandazioni più pratiche per un catalogo molto ampio. Questo resoconto storico e i limiti delle affermazioni di vendita ampiamente ripetute sono discussi nella ricerca sui sistemi di raccomandazione e il loro impatto commerciale.

Un'infografica intitolata Come il filtro da articolo ad articolo ha reso pratiche le raccomandazioni, che mostra una sequenza temporale di tre fasi dal 2003.

Leggi le affermazioni di ricavi nei titoli con cautela

Il vantaggio pratico del metodo riguardava come trovare prodotti correlati in modo efficiente. Per un negozio più piccolo, la stessa logica ha un prerequisito: deve esserci un'attività di co-acquisto sufficiente affinché una coppia di prodotti abbia un significato utile. Senza quella cronologia, un fallback più semplice è più difendibile rispetto al trattamento delle connessioni deboli come segnali affidabili.

Le cifre commerciali associate alle raccomandazioni di Amazon necessitano di un'interpretazione attenta. Le stime collocano il contributo dell'ecosistema di raccomandazione a circa il 10-30% dell'attività del sito o dei ricavi, ma quelle stime non sono misurazioni causali definitive. Un'affermazione ampiamente ripetuta secondo cui le raccomandazioni rappresentano il 35% delle vendite Amazon è stata attribuita a un rapporto McKinsey del 2013, ma Amazon non l'ha confermato pubblicamente e la metodologia non è chiaramente divulgata.

Un'analisi indipendente di registri di navigazione anonimizzati da 2,1 milioni di utenti Amazon in nove mesi ha rilevato che almeno il 75% dell'attività correlata alle raccomandazioni probabilmente si sarebbe verificato senza raccomandazioni, secondo la stessa ricerca. Questo risultato non significa che le raccomandazioni non abbiano valore. Significa che i clic e gli acquisti osservati possono includere attività che i clienti avrebbero generato comunque.

Considera i clic sulle raccomandazioni come prova di attenzione, non come prova di ricavi incrementali.

Per i team che considerano la personalizzazione che utilizza informazioni sui clienti, le scelte tecniche dovrebbero affiancarsi a pratiche chiare di gestione dei dati. Un manuale pratico su l'applicazione del GDPR ai testi promozionali può aiutare a inquadrare le questioni sulla privacy intorno all'attività promozionale, anche se le raccomandazioni necessitano comunque di una valutazione specifica al contesto.

Dove Appaiono le Raccomandazioni nel Customer Journey

Una raccomandazione adatta a qualcuno che sta navigando in una pagina di prodotto potrebbe essere disruptive al checkout. Il posizionamento giusto dipende dall'intento dello shopper, dalle informazioni disponibili al motore e dal rischio operativo di mostrare un articolo inadatto.

Un diagramma che illustra le quattro fasi di un customer journey in cui appaiono le raccomandazioni, dall'esplorazione al dopo-vendita.

Posizionamento Intento dell'acquirente Fonte tipica Rischio principale
Pagina prodotto Navigazione e confronto Prodotti correlati, stesso marchio Near-duplicate irrilevanti
Carrello Pronto per l'acquisto, verifica del valore Articoli frequentemente acquistati insieme, bundle Distrae dal checkout
Checkout Impegnato e sensibile al prezzo Componenti aggiuntivi a basso prezzo, articoli soglia Addebiti a sorpresa nel flusso
Pagina stato ordine In attesa, potrebbe voler apportare modifiche Best seller, selezioni di collezioni Offerte in conflitto con l'invio
Flusso di modifica dell'ordine Correzione o aggiunta a un ordine esistente Varianti e articoli compatibili Aggiunge articoli che non possono essere spediti insieme
Dopo la conferma Soddisfatto, eventualmente aperto a ulteriori acquisti Articoli correlati con un motivo chiaro Sembra invadente se ripetuto

Adatta il posizionamento alla decisione

Su una pagina prodotto, il cliente sta esplorando e confrontando. I prodotti correlati o articoli dello stesso marchio possono ampliare la scelta, mentre i near-duplicate possono sembrare rumore. Nel carrello, l'acquirente è più vicino all'acquisto e potrebbe apprezzare un suggerimento di bundle o articoli frequentemente acquistati insieme. Ma una promozione che distrae l'attenzione dal completamento del checkout può minarne lo scopo.

Al checkout, un componente aggiuntivo a basso costo può adattarsi a un acquirente già impegnato, ma il cambio di prezzo deve essere chiaro prima della conferma. Gli addebiti poco chiari o tardivi possono fare in modo che un consiglio utile sembi una sorpresa. Sulla pagina di stato dell'ordine, i clienti potrebbero essere in attesa o cercare un modo per apportare una modifica. I best seller o le selezioni di collezioni possono essere appropriate, a condizione che l'offerta non sia in conflitto con l'invio.

Il flusso di modifica dell'ordine richiede più della semplice pertinenza generale. Un cliente che modifica un ordine esistente ha bisogno di prodotti che si adattino agli articoli già presenti e che possono comunque essere evasi in tempo. Un'offerta che crea un problema di spedizione o inventario può trasformare una modifica conveniente in lavoro extra per il cliente e il team operativo. Dopo la conferma, i prodotti correlati possono adattarsi a un acquirente ancora interessato, ma ripetere le offerte può sembrare invadente.

I negozi che pianificano un posizionamento post-acquisto possono utilizzare questa panoramica dei post-purchase upsells su Shopify per considerare come le offerte si adattano insieme alle modifiche degli ordini. Scegli i posizionamenti in base al compito del cliente, non solo in base a quante opportunità il sito ha di mostrare un prodotto.

Metriche che mostrano se i consigli funzionano

Un modello di raccomandazione può ridurre il suo errore di valutazione mentre rende peggiore l'ordine dei pochi prodotti che un acquirente vede. Per questo motivo la sola previsione di valutazione è un obiettivo scarso per un posizionamento di ecommerce. La domanda più pratica è se il motore classifica prodotti utili e idonei vicino al top.

Utilizza misure offline per confrontare i ranking

Per un elenco classificato, NDCG@K premia gli elementi rilevanti di più quando compaiono vicino alla parte superiore. Una revisione offline può utilizzare NDCG@5 o NDCG@10, insieme a Recall@K, Hit Rate e MAP@K, per valutare se il motore sta trovando e dando priorità ai prodotti rilevanti. Una valutazione di benchmark accademico che confronta MAP@10, NDCG@10, Precision@10, Recall@10 e MRR illustra perché una singola misura non può catturare tutti gli aspetti della qualità della raccomandazione, come descritto in questo studio sulle metriche di valutazione dei sistemi di raccomandazione.

La copertura e la diversità aggiungono una prospettiva diversa: aiutano a mostrare se il motore ripropone ripetutamente gli stessi prodotti invece di attingere da un catalogo più ampio. I controlli di idoneità dovrebbero anche escludere i prodotti che non possono essere venduti nella situazione. Per una modifica dell'ordine, ciò significa considerare la compatibilità con l'ordine esistente, le scorte, i tempi di evasione, le restrizioni di destinazione e le regole del venditore. Un punteggio di rilevanza elevato non rende un articolo non disponibile o non spedibile una buona raccomandazione.

Metrica Fase Cosa ti dice Aspetti da considerare
NDCG@10 Offline Come sono ordinati i primi dieci elementi Ignora se gli elementi possono essere spediti con l'ordine
Recall@K Offline Quota di elementi rilevanti catturati nell'elenco Può premiare elenchi più lunghi
Copertura e diversità Offline Quanto del catalogo viene visualizzato Gli elenchi ampi possono sembrare poco focalizzati
Tasso di aggiunta al carrello Online Interesse immediato in un articolo visualizzato I clic possono sopravvalutare l'impatto
Valore dell'ordine incrementale Online Ricavi aggiuntivi rispetto a un gruppo di controllo Richiede un gruppo di controllo per essere valido
Tasso di allegato Online Quota di ordini con un componente aggiuntivo accettato I tassi bassi segnalano una scarsa rilevanza
Tasso di rimborso o cancellazione Online Danno causato dagli articoli consigliati Appare dopo, successivamente all'acquisto

Utilizza i risultati online per decidere cosa rimane attivo

Le metriche offline aiutano i team a selezionare e confrontare i candidati. Non provano che il motore migliori i risultati aziendali. I test online devono misurare il tasso di aggiunta al carrello, il valore dell'ordine incrementale, il tasso di allegato e l'impatto su cancellazioni o rimborsi. Questi risultati aiutano a distinguere un articolo che attrae interesse da uno che contribuisce valore dopo il completamento dell'ordine.

Un team dovrebbe anche decidere per quanto tempo osservare gli effetti successivi. Un componente aggiuntivo può inizialmente sembrare un successo, quindi generare rimborsi o problemi operativi che una visualizzazione basata sui clic non cattura. Per un negozio Shopify che valuta l'effetto sulla dimensione del carrello, questa guida al valore medio dell'ordine Shopify può aiutare a chiarire la misura aziendale senza renderla un sostituto per un gruppo di controllo.

Le metriche offline aiutano a scegliere i candidati. I risultati online determinano se il motore merita il suo posto.

Esegui un test di controllo prima di fidarti delle entrate delle raccomandazioni

Il comportamento post-acquisto è scarso e solitamente implicito. Un clic su un prodotto, un'aggiunta durante la modifica dell'ordine, una suggestione accettata e un acquisto successivo possono essere trattati come segnali positivi, con pesi diversi. Un'impressione senza interazione è più difficile da interpretare: l'acquirente potrebbe non aver notato il prodotto, quindi non dovrebbe automaticamente contare come un rifiuto.

Una pipeline di raccomandazioni può generare candidati da prodotti più venduti, prodotti co-acquistati, prodotti correlati, vincoli di collezione e scelte curate. Un classificatore di secondo livello può quindi ponderare caratteristiche come l'ordine corrente, i dettagli del prodotto, l'inventario, il margine e i vincoli operativi. I guadagni del modello offline possono essere utili, ma non garantiscono che i clienti spenderanno di più o che l'attività di ordine extra sarà utile.

Ad esempio, un grande benchmark MovieLens ha riportato NDCG@10 di 0,415 per LightGCN rispetto a 0,353 per KNNBaseline, un miglioramento relativo del 17%. Quel risultato dimostra un guadagno di benchmark, non un incremento commerciale garantito per un negozio di e-commerce. Lo stesso studio discute la necessità di convalidare i risultati aziendali e descrive un aumento dei ricavi del 5-15% dalla personalizzazione basata su raccomandazioni in alcuni business, un intervallo che dipende dall'implementazione e dal contesto piuttosto che fungere da previsione (i risultati dello studio sui modelli di raccomandazione e la valutazione commerciale).

Configura un confronto randomizzato

  1. Assegna gli acquirenti in modo casuale. Mantieni un gruppo idoneo a visualizzare raccomandazioni e tienilo lontano dall'altro gruppo come controllo.
  2. Utilizza lo stesso step cliente. Ad esempio, confronta gli acquirenti nello stesso flusso di modifica dell'ordine, piuttosto che confrontare posizionamenti separati o diversi tipi di ordini.
  3. Copri il ciclo di ordine completo. Includi il periodo in cui possono verificarsi modifiche, adempimenti e risultati di follow-up, in modo che il risultato non sia basato solo sull'accettazione immediata.
  4. Traccia sia i guadagni che i costi. Misura i ricavi incrementali di componenti aggiuntive, conversione, valore medio dell'ordine, accettazione della raccomandazione, latenza e guardrail operativi come eccezioni di adempimento.

Definisci la regola decisionale prima dell'inizio del test. Mantieni l'esperienza di raccomandazione quando produce margine incrementale positivo dopo i costi di adempimento e i reclami non aumentano. Riduci o fermalo se il risultato dipende da ricavi che sono compensati da costi aggiuntivi o problemi dei clienti.

Un flusso di modifica dell'ordine può essere una posizione di test utile perché l'acquirente sta già considerando una modifica a un ordine esistente. Mayra può raccomandare prodotti rilevanti mentre i clienti modificano un ordine, sulla pagina dello stato dell'ordine e dopo una modifica confermata. Un upsell accettato viene aggiunto allo stesso ordine e il nuovo totale si regola automaticamente tramite Shopify. Per i team che progettano esperimenti nel loro negozio, questa guida su l'ottimizzazione del tasso di conversione di Shopify offre contesto correlato sui test delle modifiche rispetto ai risultati aziendali.

Guardrails per danni, pregiudizi e fiducia prima del lancio

Un set di raccomandazioni che converte meno può comunque essere la scelta migliore. Supponiamo che un componente aggiuntivo aumenti le vendite ma non possa essere spedito con l'ordine originale, generi conflitti di inventario o cambi il prezzo o l'imposta in modo inaspettato per il cliente. La conversione immediata non cattura il costo della confusione o del lavoro aggiuntivo che ne seguono.

Una revisione utile misura il tasso di componenti aggiuntivi accettati e il margine incrementale dopo sconti e costi di adempimento, quindi verifica i resi o le cancellazioni per gli articoli consigliati, le eccezioni di adempimento e i reclami dei clienti. Segmenta questi risultati per tipo di modifica, destinazione, categoria di prodotto e tempo rimanente prima della spedizione. Questo approccio alla valutazione dei sistemi di raccomandazione sostiene il rilevamento dei danni, gli audit dei pregiudizi, la revisione della privacy, la spiegabilità, i controlli di affidabilità e i test basati su scenari insieme ai clic e alla conversione (ricerca sulla valutazione olistica delle raccomandazioni).

Il bias di popolarità è un altro rischio. Un sistema che preserva la privacy può comunque favorire i prodotti che già ricevono la maggiore visibilità. Controlla quali prodotti sono mostrati e accettati, confrontando gli articoli popolari con i sostituti utili e le scelte del catalogo meno esposte. Mantieni il motivo della raccomandazione specifico e onesto, ad esempio "spesso acquistato insieme a questo articolo" o "corrisponde alla variante selezionata". Durante una modifica dell'ordine, il cliente ha già espresso un'intenzione, quindi affidarsi molto al profilamento comportamentale può sembrare invadente piuttosto che utile.

C'è anche un problema di fiducia con i segnali persuasivi dei prodotti. In un sondaggio del 2024 su 1.750 acquirenti negli Stati Uniti e in Canada, 1WorldSync ha scoperto che il 67% ha affermato che le valutazioni, le recensioni e i contenuti inviati dai clienti li avevano persuasi ad acquistare un prodotto che non ritenevano di aver bisogno o di volere (annuncio del sondaggio degli acquirenti di 1WorldSync). Questo risultato riguarda i contenuti inviati dai clienti, non specificamente i motori di raccomandazione, ma sottolinea perché i nudge ripetuti dovrebbero essere testati per la fiducia nonché per la risposta.

Prima del lancio, verifica:

  • Compatibilità: L'articolo può essere spedito con l'ordine esistente?
  • Disponibilità: Le tempistiche di stock e spedizione consentono l'aggiunta?
  • Chiarezza del prezzo: Il cambiamento visualizzato corrisponde a quello che il cliente pagherà?
  • Spiegazione: Il motivo dichiarato per la raccomandazione è accurato?
  • Visibilità: I sostituti utili e meno popolari hanno una giusta possibilità di apparire?
  • Risultati: I reclami e i rimborsi rimangono accettabili tra i segmenti di clienti e ordini?

Mayra ‑ Order Edit & Cancel consente ai clienti Shopify di apportare modifiche agli ordini consentite e scoprire prodotti rilevanti durante una modifica, nella pagina dello stato dell'ordine o dopo aver confermato una modifica. Se stai valutando le raccomandazioni post-acquisto, visita Mayra ‑ Order Edit & Cancel per scoprire come le modifiche gestite dal cliente e le aggiunte di prodotti possono integrarsi nel flusso di lavoro del tuo negozio.