Credito:CC0 Dominio Pubblico
I ricercatori dell'Università Erasmus hanno pubblicato un nuovo documento nel Giornale di Marketing che esplora le raccomandazioni online e la loro efficacia, fornendo ai professionisti del marketing gli strumenti per massimizzare questo importante strumento di coinvolgimento.
Lo studio, in uscita nel numero di novembre del Giornale di Marketing , è intitolato "Rendere le raccomandazioni più efficaci attraverso i frame:impatti dei frame basati sull'utente rispetto a quelli basati sugli elementi sui click-through delle raccomandazioni" ed è scritto da Phyliss Jia Gai e Anne-Kathrin Klesse.
Le raccomandazioni basate su algoritmi sono ovunque. Immagina di sfogliare articoli di notizie sul sito web del New York Times. Vedete un pezzo nella sezione "Scienza", trova interessante, clicca sul titolo, e inizia a leggere. Una volta terminato l'articolo, la pagina web genera automaticamente altri consigli sugli articoli per te in modo da estendere il tuo coinvolgimento con i contenuti della piattaforma. Le raccomandazioni sono contrassegnate dallo slogan:"More in Science, " la sezione che hai già letto.
Sebbene la maggior parte delle aziende fornisca spiegazioni sul motivo per cui i clienti ricevono raccomandazioni, differiscono nelle strategie specifiche che adottano. Alcune aziende, come il già citato The New York Times, sottolineare che le raccomandazioni sono basate sugli elementi:Cioè, si basano su attributi comuni tra i prodotti (ad es. "More in Science" del New York Times, e "Simile a [cosa hai ascoltato]" di Spotify). In contrasto, altre aziende evidenziano che le loro raccomandazioni sono basate sull'utente concentrandosi sulla sovrapposizione delle preferenze dei clienti (ad es. "I clienti che hanno visto questo articolo hanno visto anche..." di Amazon e "I clienti che hanno visto anche..." di Netflix). È importante sottolineare che le aziende possono spiegare la stessa raccomandazione come basata sull'articolo o basata sull'utente, perché i sistemi di raccomandazione odierni adottano spesso un approccio ibrido che tiene conto sia degli attributi comuni tra i prodotti che delle preferenze comuni tra i clienti.
Lo studio indaga quale delle due spiegazioni (di seguito denominate inquadrature basate sull'elemento e basate sull'utente) è più efficace nell'attivare i clic su una raccomandazione. Il team di ricerca suggerisce che le inquadrature basate sull'articolo e quelle basate sull'utente differiscono in termini di informazioni che forniscono ai clienti su come viene fatta una raccomandazione. Entrambe le inquadrature indicano ai clienti che la raccomandazione si basa su una corrispondenza del prodotto dell'articolo principale per il quale i clienti hanno mostrato interesse per l'articolo consigliato:l'inquadratura basata sull'articolo corrisponde ai prodotti in base ai loro attributi, mentre l'inquadratura basata sull'utente corrisponde ai prodotti dei loro consumatori. criticamente, l'inquadratura basata sull'utente suggerisce anche ai clienti che la raccomandazione si basa sulla corrispondenza di gusto tra gli utenti che hanno condiviso l'interesse per l'elemento focale. Fornendo informazioni sull'abbinamento del gusto oltre l'abbinamento del prodotto, l'inquadratura basata sull'utente serve come una sorta di "doppia garanzia" per i clienti che apprezzano il prodotto consigliato.
Per verificare se l'inquadratura basata sull'utente supera l'inquadratura basata sull'elemento in termini di click-through di consigli, i ricercatori hanno condotto due studi sul campo all'interno di WeChat, la migliore app di social media in Cina. Hanno collaborato con una società di media che pubblica articoli scientifici popolari e riassunti di ricerche accademiche su WeChat e hanno inserito un paio di raccomandazioni alla fine dell'articolo focale di ogni giorno. Un articolo è stato consigliato utilizzando il frame basato sull'utente e l'altro utilizzando il frame basato sull'elemento. Gai spiega che "In entrambi gli studi, l'inquadratura basata sull'utente ha aumentato le percentuali di clic degli articoli consigliati rispetto all'inquadratura basata sull'elemento. Alla domanda sulla loro comprensione delle due inquadrature, gli abbonati hanno risposto di vedere che entrambi suggeriscono la corrispondenza dei prodotti come base per le raccomandazioni, ma quell'inquadratura basata sull'utente segnala anche la corrispondenza dei gusti. Ciò conferma che l'inquadratura basata sull'utente fornisce informazioni aggiuntive."
"Però, i clienti non sempre vedono l'abbinamento dei gusti come un successo" aggiunge Klesse. "Quando l'abbinamento dei gusti è percepito come impreciso, l'inquadramento basato sull'utente non è più più vantaggioso dell'inquadramento basato sull'oggetto o addirittura diventa svantaggioso." Un fattore critico che contribuisce al successo percepito dell'abbinamento di gusti è la quantità di esperienza che i clienti hanno già accumulato all'interno di un dominio di consumo. i propri gusti come idiosincratici. è più difficile per loro credere che i loro gusti possano essere accuratamente abbinati ai gusti di altre persone sulla base di un singolo elemento focale. Un altro fattore critico è la presenza di profili di altri utenti. Le aziende a volte visualizzano le informazioni di altri utenti interessati alla raccomandazione, ma questa informazione si ritorce contro quando indica ai clienti che sono diversi dagli altri utenti. segnali di dissomiglianza, come età e sesso, far dedurre le persone che i loro gusti divergono da quelli degli altri utenti e portare i clienti a evitare le raccomandazioni basate sull'utente.
Questi nuovi risultati hanno rilevanza per le aziende che utilizzano le raccomandazioni sui prodotti. La ricerca suggerisce che la spiegazione è importante per il motivo per cui i clienti vedono una raccomandazione. È importante sottolineare che adattare la spiegazione di una raccomandazione ha un costo quasi zero e, così, costituisce uno strumento efficace che può aiutare le aziende a massimizzare il ritorno sui sistemi di raccomandazione. È importante sottolineare che lo studio mette in evidenza le situazioni in cui l'inquadratura basata sull'utente è più efficace dell'inquadratura basata sull'oggetto e in quali situazioni diventa svantaggiosa. Facendo leva su questi risultati, i manager possono personalizzare l'inquadratura dei loro consigli per diversi clienti e prodotti e quindi aumentare le percentuali di clic.