I recommendation system cambiano le strategie comunicative delle Web TV e delle trasmissioni video over the top. Aziende e broadcaster stanno già riformulando le loro tecniche di advertising e di marketing attraverso contenuti video.
Come dimostra il recente sodalizio tra alldigital, azienda specializzata nelle soluzioni audio/video orientate al cloud, e IRIS.TV, realizzatrice di uno dei primi Recommendation system per materiali audiovisivi.
Il nuovo modello potrà essere adottato anche dai media televisivi tradizionali che potranno abbinare tale sistema a quelli già in uso, così da disporre di un valido strumento per l’analisi dei dati audience in grado di consentire migliori strategie di sviluppo in ambito marketing.
Recommendation system come funzionano
I Recommendation system, sono una realtà software quotidiana. Divenuti sempre più presenti e pervasivi per garantire un’elevata user experience.
I Reccomendation system studiano il nostro comportamento nel web, analizzano le nostre interazioni ed i dati che produciamo per consegnare il migliore dei risultati possibili
Tra tanti contenuti presenti nella rete delle reti, perdersi è più che semplice. Per rendere i dati più accessibili ed i contenuti più rintracciabili si sono creati degli algoritmi in grado di proporre contenuti in grado di rispondere alle nostre esigenze.
Ogni nostra visita ad una pagina web, ogni acquisto fatto presso un e-commerce, ogni volta che osserviamo un profilo sociale concedendo il nostro “Like” ad un post che c’ha particolarmente colpito, generiamo dati che parlano di noi e che possono essere analizzati da una sequenza finita di istruzioni (gli algoritmi) per tracciare il nostro profilo.
Questi algoritmi, si occuperanno di raccomandarci uno o più contenuti che presentano un certo grado di affinità nei confronti del profilo precedentemente calcolato.
Tali algoritmi prendono il nome di Raccomandation system e fondano il loro funzionamento su teorie matematiche e statistiche ben definite e note. Possiamo inoltre individuare tre grandi classi all’interno della famiglia dei sistemi di raccomandazione:
- Reccomendation system Knowledge Based: calcolano le raccomandazioni sulla base del dominio di conoscenza valutato sul solo utente in esame.
- Reccomendation system Collaborative Based: calcolano le raccomandazioni sulla base del dominio di conoscenza valutato sulle interazioni tra l’utente in esame e la rete sociale nella quale è immerso.
- Reccomendation system Ibridi: più complessi dei precedenti, sono composti da un insieme di tecniche che fanno uso di entrambe le precedenti filosofie di raccomandazione.
Dove si nascondono i Recommendation System
I Recommendation system sono tutt’oggi strumenti software in continua evoluzione ed il loro utilizzo diviene di fondamentale importanza in tutti quei contesti caratterizzati da una gran mole di dati. Sia che si parli di contenuti audio/video o che si prendano in cosiderazione documenti ed immagini i Recommendation system vengono utilizzati dai più grandi portali web e social network in maniera del tutto trasparente per l’utente finale.
La presenza di questi moduli software permette all’utente di fruire di contenuti che in alcuni casi possono risultare inaccessibili, visto il gran numero di dati che ogni giorno circola nel web. Allo stesso tempo, i Recommendation system permettono alle aziende di veicolare in maniera più efficace i propri contenuti pubblicitari, consentendo una visualizzazione mirata verso quegli utenti più interessati al proprio brand ed ai propri servizi o prodotti offerti.
Queste nuove tecnologie, stanno divenendo di uso comune anche e soprattutto tra le web-tv; la recente collaborazione tra alldigital e IRIS.TV darà origine a nuovi modi di concepire la trasmissione video over the top. Ciò porterà a nuovi modi di concepire l’advertising da parte dei broadcaster: le web-tv disporranno di nuove tecniche per veicolare i loro messaggi pubblicitari; i media televisivi tradizionali potranno abbinare tale sistema a quelli già in uso così da disporre di un valido strumento per l’analisi dei dati audience in grado di consentire migliori strategie di sviluppo in ambito marketing.
Le scelte che aiutano gli indecisi
Dal punto di vista dell’utente, i Recommendation system possono automatizzare il processo umano di scelta dei contenuti.
Se in alcuni casi, però, potrebbero risultare migliori e più efficienti in quest’ambito, tali algoritmi non sono ancora esenti da problematiche di stallo legate all’assenza di spessore e di novità nelle raccomandazioni. Infatti, una volta che il grado di conoscenza relativo all’utente è tale da non apportare un ulteriore valore informativo, le raccomandazioni non consentiranno allo stesso utente di fruire di contenuti nuovi che potrebbero ugualmente essere di suo gusto.
Un ulteriore attrito nei confronti dei Recommendation system è insito nella loro stessa natura e di come questa viene percepita dall’uomo. Questi sistemi, per poter funzionare correttamente, hanno bisogno di analizzare una gran quantità di dati che sempre più spesso appartengono alla sfera personale e quindi ricadono a pieno titolo nel dominio dei dati sensibili. Non tutti gli utenti sono disposti a consentire una catalogazione dei propri dati in favore di un sevizio che spesse volte viene percepito come una perdita di libertà nella scelta dei contenuti da vedere, ascoltare o leggere.
Pillola blu o rossa?
Il dilemma affrontato dall’eletto Neo in Matrix si ripropone ogni volta che decidiamo di utilizzare un servizio che si fa carico di suggerire contenuti in grado di riscuotere il nostro consenso. Se da un lato perdiamo sempre un po più della nostra privacy, dall’altro guadagniamo tempo, risparmiandolo per la scelta di contenuti che ci verranno proposti sulla base del nostro comportamento quotidiano.
Sebbene il tempo sia il bene più prezioso a nostra disposizione, quanto valore acquista se messo a paragone con la libertà di scelta?