Il Machine Learning è la capacità di apprendere e di agire sulla base di quanto appreso. In questo articolo ti mostreremo come abbiamo affiancato Digital360 nel raggiungimento dei suoi obiettivi di marketing grazie al cloud computing ed al machine learning. Un case study sull’apprendimento automatico in tempo reale applicato al mondo dell’editoria digitale. Parleremo di Amazon Redshift, di Amazon Personalize e di un sistema di suggerimenti intelligenti che abbiamo chiamato Smart Recommendations.

Come si applica il machine learning al marketing? Come sfruttare l’intelligenza artificiale nell’editoria digitale?

Digital360Digital360

Digital360 è un importante attore del B2B nazionale che opera nel mercato delle tech company (vendor, software house, system integrator, startup, ecc.).

I suoi 55 portali web e gli 1,6 milioni di visitatori unici al mese fanno di Digital360 il più grande Network sull’innovazione digitale del nostro paese, con ben 45000 keyword in prima pagina su Google.

Tramite due distinte business unit, Demand GenerationAdvisory & Coaching, l’azienda offre un pacchetto completo, che va dalla creazione di contenuti alla consulenza specializzata, a tutte le imprese con interessi nel mercato digitale.

Il cuore della Demand Generation viene definito Engine:

“[L’Engine] genera un flusso continuativo di comunicazione integrando storytelling, SEO, digital PR, social sia sulle testate del network Digital360 sia sulle property delle aziende clienti. Ma soprattutto è in grado di generare contatti profilati e concrete opportunità di vendita, grazie alla marketing automation e a contenuti di qualità che richiedono una sottoscrizione, i cosiddetti “gated content”.

-Andrea Rangone – CEO di Digital360 per EconomyUp

Andrea Rangone
Andrea Rangone CEO di Digital360

L’obiettivo

All’interno di ognuno dei 55 portali del network è possibile navigare tra diversi contenuti ottenendo suggerimenti di lettura.

Dunque, l’obiettivo di Digital360 è quello di migliorare i suggerimenti di lettura utilizzando contenuti di valore per l’utente, personalizzati sulla base dei suoi specifici interessi.

Seguendo questo approccio è possibile migliorare contemporaneamente l’esperienza utente sul sito e le probabilità di conversione.

La soluzione

Digital360 è il più grande network in Italia di testate e portali B2B dedicati ai temi della Trasformazione Digitale e dell’Innovazione Imprenditoriale.

Dopo una attenta analisi, abbiamo proposto a Digital360 un motore in grado di migliorare i suggerimenti non solo all’interno di un singolo portale, bensì tra tutti i portali del Network Digital360.

Lo abbiamo chiamato “Smart Recommendations“.

“Un motore in grado di migliorare i suggerimenti di lettura sfruttando tutti i contenuti del Network”

In questo modo possiamo ottenere un altissimo grado di personalizzazione, perché più si conosce il lettore e le tematiche alle quali è interessato, più è possibile suggerirgli contenuti che abbiano valore per lui.

In quanto AWS Partner, abbiamo progettato Smart Recommendations sul paradigma dei microservizi serverless.

Scopriamo come funziona.

Smart Recommendations – Machine Learning per le testate editoriali

Amazon dichiara che oltre il 30% delle page views su Amazon.com deriva da prodotti suggeriti

Smart Recommendations è un motore che usa sofisticati algoritmi di machine learning e intelligenza artificiale per riuscire a  prevedere e suggerire i contenuti di maggior interesse per l’utente.

Ma come funziona Smart Recommendations?

Ecco come si sviluppano le diverse fasi dell’architettura di Smart Recommendations.

Prima fase – il tracciamento degli utenti

Il primo passo nella progettazione di un servizio che fornisce suggerimenti non può che essere il tracciamento degli utenti.

A questo scopo, Smart Recommendations raccoglie le informazioni e gli interessi degli utenti tramite un piccolo snippet Javascript che contiene un pixel di tracciamento.

Ottenuti i dati, si passa quindi alla seconda fase.

Seconda fase – l’arricchimento dei dati

Il Data Enrichment consiste nell’incrocio di dati tra database diversi con l’obiettivo di ottenere un dato finale più dettagliato.

Avendo a disposizione i dati di visualizzazione delle pagine, possiamo interrogare alcuni database pubblici ed incrociare le informazioni per arricchire il dato grezzo, aggiungendo informazioni utili per il motore di machine learning.

Ad esempio, partendo dall’indirizzo IP possiamo stimare la posizione geografica dell’utente, il provider di connessione e l’azienda.

Ultimata la fase di data enrichment bisogna organizzare i dati in modo tale da poter essere analizzati con il machine learning.

Terza fase – Data Warehouse

Tramite una pipeline il dato arricchito viene conservato in un Data Warehouse: Amazon Redshift.

Redshift è un servizio AWS di data warehousing completamente gestito e ad alte prestazioni che permette l’analisi di grandi quantità di dati ad un costo ridotto rispetto ai tradizionali sistemi di data warehouse locali.

Ecco alcune caratteristiche che lo rendono lo strumento giusto per le Smart Recommendations:

  • Sistema a colonne: i dati vengono memorizzati in blocchi che contengono tipi di dati simili, permettendo un livello di compressione eccellente.
  • Processing parallelo: Redshift usa un sistema di cluster in cui ogni cluster contiene uno o più database che vengono processati da due tipi diversi di nodi:
    • Un Leader node
    • Uno o più Compute node

Questi due nodi svolgono compiti diversi coordinandosi tra di loro:

  • Il Leader Node riceve la query, coordina l’esecuzione parallela della query tra i Compute Node ed aggrega i risultati per restituirli all’application server.
  • I Compute Node eseguono le istruzioni del Leader Node e gli trasmettono il dato intermedio, che viene aggregato prima di essere restituito.

Questo sistema di processing parallelo permette di ottenere altissime prestazioni, motivo per cui Redshift si configura come uno dei migliori servizi cloud per scopi di machine learning.

Ecco lo schema dell’architettura di tracking e data warehousing:

Architettura Machine Learning per Smart Recommendations: schema di tracking con pixel di tracciamento per data warehouse
Architettura Machine Learning per Smart Recommendations: schema di tracking con pixel di tracciamento per data warehouse

Quarta fase – il Machine Learning

Dopo aver memorizzato i dati nel nostro Data Warehouse, siamo pronti per mettere in moto Amazon Personalize.

Amazon Personalize è un servizio AWS di machine learning che sfrutta la tecnologia di Amazon.

In altre parole, usare Amazon Personalize nel nostro motore di Smart Recommendations vuol dire avere nel cofano la potenza dello stesso algoritmo che Amazon.com usa per generare suggerimenti di acquisto.

Amazon Personalize, un servizio di Machine Learning AWS - Schema di configurazione
Lo schema di configurazione di Amazon Personalize

Personalize lavorerà dunque i dati contenuti nel Data Warehouse di Amazon Redshift, “imparando” dai comportamenti degli utenti tra le diverse testate del network e dalle loro preferenze tra topic diversi.

Attraverso alcune “ricette”, così vengono chiamati gli algoritmi di machine learning da Personalize, sarà in grado di prevedere e suggerire i contenuti giusti ai lettori giusti. Tutto in una manciata di secondi.

Smart Recommendations impara dai comportamenti degli utenti e suggerisce i contenuti giusti agli utenti giusti

Approfondimenti

Scopri i risultati dei nostri test di machine learning per Smart Recommendations.

Compila il form e ricevi il whitepaper di approfondimento

Ascolta l'articolo