Qualche mese fa ho seguito la messa a terra dei Product Recommendations su un catalogo fashion di media grandezza, un merchant sui 12 milioni di GMV con qualche migliaio di SKU. Il committente si aspettava una specie di magia: accendi l’interruttore, l’intelligenza artificiale legge nel pensiero dei clienti, l’AOV schizza. La realtà è stata più interessante e più prosaica di così, e proprio per questo vale la pena raccontarla.
Perché una delle cose che apprezzo di più di questa feature è che è inclusa nella licenza Magento Commerce, senza costi aggiuntivi. Non un modulo di terze parti da comprare a parte, non un servizio esterno da agganciare. È lì, powered by Adobe Sensei, e chiunque abbia una licenza Commerce può usarla. Questo cambia molto il calcolo costi-benefici, come vedremo.
Cosa sono davvero i Product Recommendations powered by Adobe Sensei
In parole semplici: sono blocchi di prodotti suggeriti che compaiono nello storefront (in home, nelle categorie, sulla scheda prodotto, nel carrello) e che vengono popolati non da regole scritte a mano, ma da modelli che girano nel cloud Adobe. Il negozio raccoglie i comportamenti degli utenti — pagine viste, prodotti aggiunti al carrello, acquisti — li invia ai Commerce Services, e Adobe Sensei restituisce le raccomandazioni.
La parte importante da capire è che i dati di comportamento non vengono elaborati dentro la tua installazione Magento, ma nell’infrastruttura SaaS di Adobe. Questo ha due conseguenze pratiche: primo, non appesantisci il tuo database né la tua cache; secondo, hai bisogno di collegare lo store ai Commerce Services e di far girare la data collection sullo storefront prima di vedere qualsiasi risultato sensato.
Come si configura: i tipi di raccomandazione e le pagine
La configurazione avviene da una dashboard dedicata nell’admin (sotto Marketing), non da un file XML. Si crea una “unit” di raccomandazione, si sceglie il tipo di logica e si decide su quale tipo di pagina piazzarla. È un flusso molto più da marketer che da sviluppatore, ed è una scelta di design che condivido.
I tipi di raccomandazione disponibili
I recommendation types che si possono selezionare sono diversi, e capirne la natura è metà del lavoro:
- More like this — prodotti simili per attributi a quello visualizzato.
- Customers who viewed this also viewed — co-visualizzazione, basato su cosa guardano gli altri.
- Customers who bought this also bought — co-acquisto, il classico cross-sell.
- Viewed this, bought that — chi ha visto X ha poi comprato Y.
- Recommended for you — personalizzato sul comportamento del singolo shopper.
- Trending — prodotti in tendenza in un dato momento.
- Most viewed / Most added to cart / Most purchased — le classifiche di popolarità.
- Recently viewed — la cronologia recente dell’utente.
Dove si piazzano
Ogni unit può essere agganciata a un tipo di pagina: home page, category page, product detail page, cart page, oltre alle pagine di post-add-to-cart. La stessa logica dà risultati molto diversi a seconda di dove la metti, ed è qui che si separano i progetti curati da quelli fatti a caso.
Il valore reale su AOV e conversione
Torno al caso del merchant fashion. Il salto vero non è arrivato dalla home, ma dai due punti che a mio avviso rendono di più: il cross-sell sulla scheda prodotto e il carrello. “Customers who bought this also bought” sul carrello ha alzato l’average order value in modo misurabile, perché intercetta il cliente nel momento di massima intenzione d’acquisto, quando aggiungere un secondo articolo costa poco attrito.
La dashboard di Product Recommendations permette di seguire click-through, add-to-cart e revenue attribuito a ciascuna unit. È un punto che sottolineo sempre: senza misurare l’attribuzione, non stai facendo personalizzazione, stai facendo arredamento. La possibilità di vedere quale unit genera revenue e quale no è ciò che trasforma questa feature da gadget a strumento.
Sul fronte conversione l’effetto è più sottile. Le raccomandazioni non convertono da sole, ma riducono la fatica di scoperta del catalogo: su cataloghi grandi, dove trovare il prodotto giusto è un problema reale, un buon blocco “More like this” tiene l’utente in navigazione invece di farlo uscire.
Quanta “AI” c’è davvero, e dove funziona meglio
Qui arrivo alla parte su cui voglio essere onesto, perché la parola “AI” viene usata come polvere magica. La verità è più articolata: una buona metà dei recommendation types è statistica di co-occorrenza, non machine learning in senso stretto. “Most purchased”, “Trending”, “Customers who bought this also bought” sono, alla radice, matrici di co-acquisto e classifiche. È saggezza della folla ben confezionata, e funziona benissimo, ma chiamarla intelligenza artificiale è generoso.
La parte dove Adobe Sensei fa davvero un lavoro da modello è la personalizzazione individuale: “Recommended for you” e “Viewed this, bought that” cercano di prevedere cosa vuole quel singolo utente, e lì c’è del machine learning vero. Il problema è che è anche la parte più affamata di dati: ha bisogno di volumi di traffico e di utenti riconoscibili per dare il meglio.
Da qui la mia opinione netta, maturata sul campo:
- Su cataloghi con traffico alto e molte transazioni, funziona molto bene. I modelli hanno di che nutrirsi e le raccomandazioni diventano rilevanti in fretta.
- Su cataloghi piccoli o con poco traffico, soffre il cold start. Con pochi dati, “Recommended for you” degenera verso i prodotti popolari e la personalizzazione perde senso. In quei casi meglio usare le logiche di co-acquisto e popolarità, che sono robuste anche con meno dati.
- Il punto di massimo ritorno è il cross-sell su PDP e carrello, non la home page personalizzata, che rende solo con utenti di ritorno identificati.
Se dovessi riassumere: è una feature che vale la pena accendere praticamente sempre, perché è inclusa e a basso rischio. Ma vale la pena accenderla con criterio, scegliendo le logiche giuste per la dimensione dei propri dati, invece di aspettarsi che l’AI compensi un catalogo con poco traffico. L’intelligenza artificiale amplifica ciò che hai; non lo inventa dal nulla.
Mini-FAQ
I Product Recommendations con Adobe Sensei hanno un costo aggiuntivo?
No. Sono inclusi nella licenza Magento Commerce, senza costi extra rispetto al canone della piattaforma.
Dove vengono elaborati i dati di comportamento?
Nel cloud Adobe, tramite i Commerce Services. Lo store raccoglie i dati sullo storefront e li invia; Adobe Sensei calcola le raccomandazioni fuori dalla tua installazione Magento.
Su quali pagine posso mostrare le raccomandazioni?
Home page, category page, product detail page e cart page, oltre ai contesti di post-add-to-cart.
Quanto è “AI” questa personalizzazione?
Dipende dal tipo. Le logiche di co-acquisto e popolarità sono statistica; il machine learning vero è nella personalizzazione individuale (“Recommended for you”, “Viewed this, bought that”), che però richiede traffico e dati per rendere.
Funziona su cataloghi piccoli?
Funziona, ma con limiti: con poco traffico la personalizzazione soffre il cold start. In quei casi conviene puntare sulle logiche di co-acquisto e popolarità, più robuste con pochi dati.
Sull’autore — Fabio Canovi lavora su Magento dal 2011 ed è specializzato in Magento e Adobe Commerce. È tra i primi in Italia ad aver conseguito la certificazione Adobe Commerce. Su questo blog condivide, in prima persona, quello che vede dietro le quinte dei progetti e-commerce: cosa funziona davvero, cosa è marketing, e cosa significa per chi vende online.