Una nascente azienda armata di un nuovo investimento di 12,3 milioni di dollari mira a mantenere la promessa di personalizzazione dell’e-commerce.
Un motore di personalizzazione mostra il prodotto giusto all’acquirente giusto al momento giusto.
In teoria, rende tutti felici. Gli acquirenti vedono prodotti pertinenti e coinvolgenti. I commercianti vendono di più.
Sembra abbastanza semplice. Pensa a un sito di e-commerce con prodotti in vendita. Quali articoli mostra il sito a un particolare utente per invogliare una vendita? Come fa a sapere cosa mostrare?
Dati adesso
A chiedersi “cosa mostrare” è Matteo Ruffini, chief science officer della start-up svizzera Albatros AIha descritto il problema risolto dalla sua azienda nel febbraio 2025 colloquio.
Molte soluzioni di personalizzazione e raccomandazione dell’e-commerce si basano sul comportamento storico degli acquirenti. I sistemi guardano indietro nel corso di mesi o anni, ad esempio negli acquisti e nelle ricerche.
Anche quelli di Albatross utilizzano dati comportamentali passati, ma hanno aggiunto un’analisi in tempo reale, proprio ora elemento predittivo.
Il prodotto Albatross, secondo per un collaboratore di Forbes, “cattura ogni azione dell’utente in una sessione e la trasmette in un modello di trasformatore (AI) che si comporta come un modello linguistico per intenti. Gli input sono triplette di eventi – utente, azione, oggetto – invece di parole. Il modello analizza non solo l’azione ma la sequenza di azioni e il contesto che le collega. Si aggiorna continuamente e risponde in millisecondi senza riqualificazione.”
In sostanza, l’azienda afferma di avere la prima infrastruttura AI per l’addestramento di modelli su eventi sequenziali e dal vivo.
Albatross afferma di avere la prima infrastruttura AI per l’addestramento di modelli su eventi sequenziali e dal vivo.
3 sfide
Albatross AI risolve almeno tre problemi di vecchia data con raccomandazioni di e-commerce predittive:
- Lunghi periodi di formazione.
- Categorizzazione dei nuovi acquirenti.
- Riavvii a freddo per i prodotti.
Formazione
Le raccomandazioni personalizzate e basate sui segmenti dipendono da modelli di machine learning che necessitano di tempo e dati per maturare. Possono essere necessarie settimane o mesi per raccogliere dati sufficienti per formulare raccomandazioni significative. Inoltre, il modello deve essere riqualificato spesso.
Alcune soluzioni di suggerimenti vengono addestrate in cicli, ad esempio giornalieri o settimanali, e richiedono grandi quantità di attività di acquisto storiche. Il risultato sono raccomandazioni che possono restare indietro rispetto ai segnali di domanda in rapido cambiamento, alle tendenze stagionali, all’impennata degli influencer o a momenti culturali imprevedibili (come la pandemia).
L’intento di un acquirente può cambiare oggi, ma se non avviene nel prossimo ciclo di formazione, il sistema non può reagire.
Piattaforme emergenti come Albatross esplorano l’apprendimento continuo o incrementale, riducendo la dipendenza dalla riqualificazione programmata e spostandosi verso modelli che riflettono sessioni attive.
Nuovi acquirenti
Una seconda sfida di lunga data è il modo in cui i sistemi di raccomandazione trattano i nuovi acquirenti. Storicamente, questi sistemi si basavano su classifiche basate sulla popolarità o su best-seller generici mentre aspettavano di raccogliere segnali sufficienti per la personalizzazione.
Personalizzazione senza cookie o probabile corrispondenza identitaria offre solo un sollievo limitato.
Il settore si sta ora spostando verso quella che potrebbe essere descritta come “personalizzazione del primo minuto”, nel senso che i segnali di intenti all’interno di una singola sessione – profondità di scorrimento, tempo di permanenza, schemi di rimbalzo, micro-hover, cambi di tema – diventano le inferenze principali.
L’obiettivo è ridurre il numero di interazioni necessarie per comprendere gli interessi e le intenzioni di un acquirente.
Inizio a freddo
Il terzo ostacolo è il problema del prodotto con avviamento a freddo.
Un catalogo e-commerce è raramente statico. Nuovi SKU arrivano ogni giorno; i mercati possono aggiungerne migliaia all’ora.
Gli attuali algoritmi di raccomandazione necessitano di dati di interazione prima di poter suggerire con sicurezza un articolo. Quindi i nuovi prodotti potrebbero rimanere sepolti.
Gli esperti di marketing possono contrassegnarli come nuovi e fornire un trattamento preferenziale nella ricerca e nelle pagine delle categorie. Ma quelle azioni possono vanificare lo scopo di raccomandazioni personalizzate.
Gli approcci all’intelligenza artificiale stanno iniziando a sfruttare l’incorporamento dei contenuti, la rappresentazione multimodale e la modellazione sequenziale per dedurre la probabile rilevanza prima che i dati sul coinvolgimento siano disponibili. In sostanza, l’intelligenza artificiale capisce molto meglio quali acquirenti apprezzeranno il nuovo prodotto.
La ricerca continua a scoprire modi per combinare metadati degli elementi, descrizioni testuali o basate su immagini e contesto della sequenza utente in modo che i nuovi elementi siano visibili il primo giorno.
Intelligenza artificiale e commercio
Le tre sfide si applicano ad altre tendenze dell’e-commerce e alla trasformazione dell’intelligenza artificiale in corso.
LLM come ChatGPT, Perplexity e Gemini stanno tentando di classificare i prodotti per le persone commercio agentivo. Eppure nessuno di questi darà risultati a meno che non sappiano interpretare l’intenzione di acquisto.
In breve, i motori di raccomandazione e gli agenti di acquisto basati sull’intelligenza artificiale stanno diventando confusi. La scoperta del prodotto e le decisioni di acquisto si stanno fondendo.
