Che cos'è il collaborative filtering nella moda?
Metodo di raccomandazione che suggerisce elementi in base alle scelte di utenti simili, anziché agli attributi di prodotto.
In breve
Il collaborative filtering (filtraggio collaborativo) è un metodo di raccomandazione che suggerisce articoli in base a ciò che hanno scelto utenti simili, anziché in base agli attributi del prodotto. Nel wholesale di moda può suggerire modelli a un retailer perché retailer comparabili li hanno ordinati insieme.
Come funziona nella pratica?
L'idea di fondo è che chi ha fatto scelte simili in passato le farà di nuovo. Il sistema osserva gli schemi di ordini, visualizzazioni o acquisti di molti utenti. Se i retailer che hanno acquistato un certo modello di maglieria tendevano a ordinare anche un determinato pantalone, il sistema suggerirà quel pantalone a un nuovo acquirente della maglia. Non ha bisogno di sapere che aspetto abbia nessuno dei due prodotti.
Esistono due approcci comuni:
- Basato sugli utenti: trovare clienti simili a questo e suggerire ciò che hanno ordinato.
- Basato sugli articoli: trovare gli articoli scelti spesso insieme all'articolo in questione.
Gli impieghi nella moda comprendono suggerimenti di assortimento in un portale B2B, funzioni 'spesso acquistati insieme' nell'e-commerce e l'individuazione di opportunità di cross-selling per gli agenti di vendita.
Perché è importante?
Il collaborative filtering coglie il comportamento d'acquisto reale, comprese combinazioni che le regole basate sugli attributi non prevederebbero. Può rivelare come i diversi tipi di negozio costruiscono i propri assortimenti e aiutare i clienti più piccoli a beneficiare delle scelte di retailer comparabili.
Come lo utilizza l'IA?
Il collaborative filtering è una tecnica centrale dei sistemi di raccomandazione e dei motori di personalizzazione. Le versioni moderne usano il machine learning per individuare schemi nascosti e sono di solito combinate con metodi basati sui contenuti e con il clustering di clienti o consumatori.
Errori comuni
- Cold start. I prodotti nuovi che nessuno ha ancora acquistato non possono essere raccomandati, un problema rilevante nella moda stagionale.
- Bias di popolarità. I bestseller vengono raccomandati di più, il che può soffocare le novità.
- Dati scarsi. Brand più piccoli o categorie di nicchia possono avere troppo pochi ordini per schemi affidabili.
- Cecità al contesto. I risultati vanno filtrati per mercato, stagione e disponibilità.
Domande frequenti
Che cos'è il problema del cold start nelle raccomandazioni di moda?
Si verifica quando un nuovo prodotto o un nuovo cliente non ha storico, per cui il collaborative filtering non può raccomandarlo. Per colmare la lacuna si usano metodi basati sugli attributi e modelli simili del passato.
In che cosa il collaborative filtering differisce dal filtraggio basato sui contenuti?
Il collaborative filtering si basa sul comportamento di utenti simili, mentre il filtraggio basato sui contenuti confronta attributi di prodotto come categoria, colore e tessuto.
