Machine learning per la customer experience nell'e-commerce omnicanale
Uno sguardo dentro il progetto IDDASS
Il progetto IDDASS, realizzato nel 2016 e nel 2017 in collaborazione con l'Università di Ginevra e la CTI (oggi Innosuisse), ha sviluppato una libreria software avanzata per analizzare il comportamento dei clienti durante le sessioni di acquisto nei negozi fisici. La tecnologia combina un riconoscimento preciso dei pattern di comportamento con l'integrazione di dati online e offline, per costruire un quadro completo della customer experience e offrire incentivi all'acquisto personalizzati. Il progetto, il secondo progetto di machine learning di Aioma, mostra come posizionamento indoor e analisi comportamentale migliorino la fidelizzazione dei clienti e le decisioni nel retail.
L'inizio
Nel 2016 e nel 2017 ho avuto la possibilità di lavorare come partner industriale a un progetto importante con l'Università di Ginevra e la Commissione per la tecnologia e l'innovazione (CTI), oggi Innosuisse. Il progetto, chiamato IDDASS (Interests Detection During a Shopping Session), è il secondo progetto di machine learning della mia ex azienda Aioma. Qui presento gli aspetti principali e i risultati del progetto, che dovrebbero interessare in particolare gli imprenditori del settore software.
Il progetto IDDASS in sintesi
IDDASS è una libreria software che analizza il comportamento degli utenti durante una sessione di acquisto in un negozio fisico. L'innovazione del progetto sta nell'alta precisione con cui i pattern di comportamento vengono registrati e valutati. L'obiettivo era integrare IDDASS in un'app di loyalty che gira su smartphone. L'app combina i dati raccolti con gli strumenti di analisi e-commerce già in uso e crea un collegamento tra dati online e offline. Così si ottiene una conoscenza più completa della customer experience lungo l'intero ciclo di vita: il cliente viene accompagnato dall'interazione online fino all'esperienza di acquisto fisica e premiato con bonus digitali.
Basi tecnologiche e sfide
Il progetto ha combinato diverse tecnologie avanzate:
- Posizionamento indoor: integrando tecnologie di posizionamento indoor e diversi sensori dello smartphone (con beacon BLE), abbiamo potuto registrare il comportamento dei clienti in tempo reale.
- Analisi comportamentale e machine learning: i dati registrati sono serviti a identificare pattern di comportamento e a prendere decisioni di mercato.
- Integrazione dei dati: la combinazione di dati online e offline ha permesso di creare profili cliente dettagliati e di personalizzare l'esperienza di acquisto.
Scenari di utilizzo
Uno scenario tipico mostra cosa sa fare IDDASS
Daniel visita per la seconda volta in una settimana il sito di Jelmoli e guarda un paio di scarpe nere. Le guarda online ma non le compra, perché prova sempre le scarpe nuove prima. Mentre va al lavoro, la sua app di loyalty lo avvisa delle offerte speciali del negozio più vicino. Appena entra nel negozio, l'app si avvia in automatico e gli mostra gli articoli rilevanti. Il comportamento di Daniel nel negozio, per esempio le aree che visita e il tempo che ci passa, viene registrato e analizzato. Su questi dati Daniel riceve offerte personalizzate e promemoria che influenzano positivamente la sua decisione di acquisto.
Prototipo e utilizzo
Un primo prototipo è stato usato negli uffici di Origammi a Zurigo. La versione demo mostrava agli interessati come funziona la tecnologia e quale valore aggiunto porta. Per esempio venivano registrati i movimenti di un cliente nel negozio per migliorare l'esperienza di acquisto.
Collaborazione e realizzazione
Il progetto è stato una collaborazione tra TaM e Origammi, con Origammi che ha integrato i risultati della ricerca nel suo prodotto ECHOO. ECHOO aumenta la fidelizzazione dei clienti e fornisce ai negozianti dati di qualità. IDDASS, come ultimo componente, si inserisce in questo quadro e collega dati online e offline senza interruzioni.
Risultati e pubblicazioni
Dal progetto sono nate diverse pubblicazioni scientifiche, tra cui:
- UltraSense: a Self-Calibrating Ultrasound-Based Room Occupancy Sensing System
- A Multi-Objective Optimisation Methodology of Tuning Indoor Positioning Systems
Queste pubblicazioni sottolineano il valore scientifico e tecnologico del progetto.
Conclusione
Il progetto IDDASS mostra come si arrivi a capire davvero il comportamento dei clienti combinando machine learning, posizionamento indoor e integrazione dei dati. Per gli imprenditori del software offre indicazioni utili sulle possibilità dell'analisi comportamentale e sullo sviluppo di soluzioni innovative che rafforzano la fidelizzazione e allo stesso tempo forniscono dati preziosi per le decisioni di business.
IDDASS non è stato solo un successo tecnologico, ma anche un esempio di collaborazione produttiva tra ricerca e industria. Gli imprenditori del software possono trarre molto da partnership di questo tipo: ottengono accesso a ricerca e tecnologie recenti e le trasformano in prodotti vendibili.