# Il problema dell’avvio a freddo nei sistemi di raccomandazione: Come la modellizzazione dello spazio vettoriale lo risolve

> Il problema dell’avvio a freddo nei consigli sui prodotti e come uno spazio vettoriale di prodotti con oltre 700 dimensioni riesca a personalizzare l’esperienza fin dal primo clic di un acquirente.

**Author:** Sarah Miguel Cournane
**Published:** June 1, 2026
**Tags:** personalization, product-recommendations, ai, vector-search

---

Sarah Miguel Cournane, data scientist nel reparto Ricerca e Sviluppo di Hello Retail, spiega come la piattaforma rappresenti ogni prodotto come una coordinata in uno spazio vettoriale con oltre 700 dimensioni. Questo approccio ridefinisce il problema del "cold start": Invece di dover sapere chi è un nuovo visitatore, il sistema identifica con quali prodotti interagisce e attinge alle relazioni comportamentali già esistenti tra quei prodotti per personalizzare l'esperienza fin dal primo clic.

## Il problema dell'avvio a freddo, spiegato in modo semplice

Ogni motore di raccomandazione prima o poi si scontra con lo stesso ostacolo: Arriva un nuovo cliente e non c’è nulla su cui basarsi. Nessuna cronologia degli acquisti. Nessun modello di navigazione. Nessun dato del profilo. Il sistema deve tirare a indovinare, e le supposizioni generano rumore invece che pertinenza.

Sarah lo paragona all’inizio di una relazione. Non sai nulla dell’altra persona: Se è sportiva, se ha fratelli o sorelle. Devi capirlo in tempo reale, con pochi indizi, e ogni disallineamento ti costa qualcosa. Nell’ecommerce, quel costo di solito si traduce in una conversione persa.

Il problema dell’avvio a freddo è una delle sfide più studiate nella progettazione dei sistemi di raccomandazione. Gli approcci tradizionali basati sul filtraggio collaborativo si affidano al comportamento accumulato degli utenti: Più interazioni registra una piattaforma, migliori diventano i suoi consigli. Questo funziona bene dopo sei mesi, ma non serve praticamente a nulla per un visitatore alla sua prima sessione.

<a href="https://www.mckinsey.com/capabilities/growth-marketing-and-sales/our-insights/the-value-of-getting-personalization-right-or-wrong-is-multiplying" rel="nofollow">Una ricerca di McKinsey (2021)</a> ha rilevato che il 71% dei consumatori si aspetta interazioni personalizzate e il 76% dichiara di provare frustrazione quando queste aspettative non vengono soddisfatte. Per i nuovi visitatori – proprio la fascia più colpita dal problema del “cold start” – questa frustrazione spesso si traduce in un’uscita immediata dal sito.

## I prodotti come coordinate: Come funziona lo spazio vettoriale

La spiegazione di Sarah sui meccanismi alla base dei suggerimenti parte da un cambio di prospettiva fondamentale: Sono i prodotti, e non gli acquirenti, l’unità di analisi principale.

In un catalogo prodotti tradizionale, una maglietta da corsa da uomo nera potrebbe avere il codice prodotto 10. Quel numero non dice al sistema nulla su cosa sia effettivamente il prodotto. Nello spazio vettoriale descritto da Sarah, lo stesso prodotto è rappresentato come un punto in oltre 700 dimensioni. La sua posizione codifica tutto ciò che i dati comportamentali rivelano su di esso: Quali altri prodotti i clienti visualizzano insieme ad esso, cosa acquistano dopo averlo sfogliato, quali categorie si raggruppano attorno ad esso, in che modo i suoi modelli di acquisto si discostano da articoli visivamente simili.

Due prodotti con caratteristiche simili – ad esempio, il prodotto n. 10 e quello appena aggiunto n. 20, entrambi magliette da corsa da uomo nere – finiscono per occupare quasi la stessa posizione in quello spazio. Si trovano nello stesso cluster. Dato che condividono la stessa posizione, possono condividere i dati.

Questa è la soluzione strutturale al problema dell’avvio a freddo dei prodotti. Quando un nuovo articolo entra nel catalogo, non parte da zero. Arriva con dei “vicini” – prodotti già affermati nello stesso cluster – e ne eredita immediatamente il contesto comportamentale. Sarah sottolinea che il sistema non deve aspettare che il nuovo prodotto accumuli la propria cronologia di interazioni; ci pensa il cluster al posto suo.

## Come si identificano i nuovi clienti

La stessa logica vale anche per i nuovi clienti, ed è proprio qui che il ragionamento di Sarah collega la modellizzazione a livello di prodotto alla sfida più ampia della personalizzazione.

Quando un nuovo visitatore arriva su un negozio e clicca su tre prodotti, quei tre prodotti esistono già da qualche parte nello spazio vettoriale. Hanno delle relazioni: Tra di loro, con i cluster adiacenti, con le sequenze di acquisto accumulate in migliaia di negozi. Il sistema non ha bisogno di sapere chi sia il visitatore. Deve sapere cosa “sanno” quei prodotti, e quei prodotti ne sanno davvero parecchio.

Sarah fa notare che bastano poche interazioni per individuare la posizione all’interno del panorama delle preferenze e far emergere consigli pertinenti, perché i prodotti contengono il contesto comportamentale di cui il sistema ha bisogno. Chi fa acquisti non deve identificarsi; basta semplicemente che faccia acquisti.

<a href="https://www.epsilon.com/us/about-us/pressroom/new-epsilon-research-indicates-80-of-consumers-are-more-likely-to-make-a-purchase-when-brands-offer-personalized-experiences" rel="nofollow">Uno studio di Epsilon (2017)</a> mette in evidenza il valore commerciale di questa funzionalità: L’80% dei consumatori è più propenso a fare un acquisto quando i marchi offrono esperienze personalizzate. Riuscire a personalizzare al meglio l’esperienza dei nuovi visitatori – il gruppo più difficile da soddisfare – è il punto in cui il divario tra contenuti generici e pertinenti emerge più chiaramente nei dati di conversione.

## Gli aspetti economici alla base del problema del catalogo

Sarah mette inoltre in evidenza due dati provenienti dalla rete di esercenti di Hello Retail che fanno capire quanto sia urgente questa questione per le operazioni quotidiane.

Nei negozi con cui collabora Hello Retail, circa il 30% dei prodotti genera il 70% del fatturato. Questa concentrazione si riscontra in settori molto diversi tra loro – Sarah sottolinea che la base di commercianti spazia dai negozi che vendono barche a quelli che vendono vestiti – il che suggerisce che rifletta un aspetto strutturale dell’interazione tra cataloghi e comportamenti di acquisto, piuttosto che qualcosa di specifico per una determinata categoria.

Il secondo dato è ancora più sconvolgente: Circa il 50% dei prodotti attualmente presenti nel catalogo di un negozio non ci sarà più tra sei mesi. Le scorte si rinnovano. Le linee stagionali scompaiono. Nuovi SKU sostituiscono quelli fuori produzione. I dati comportamentali raccolti su un prodotto in uscita rischiano di rimanere inutilizzati, a meno che il sistema non riesca a identificare il suo successore e a trasferirgli ciò che ha imparato.

Il clustering nello spazio vettoriale rende possibile questo trasferimento. Quando un nuovo prodotto entra nel catalogo vicino a uno in uscita, la relazione tra i cluster è esplicita e le informazioni si trasferiscono automaticamente. Il punto di vista di Sarah è che un ricambio di prodotti su questa scala rende l’approccio basato sullo spazio vettoriale una necessità pratica, non un lusso ingegneristico.

<a href="https://www.bcg.com/publications/2019/next-level-personalization-retail" rel="nofollow">La ricerca di BCG sulla personalizzazione nel settore retail</a> evidenzia che i negozi che traggono il massimo valore dai dati comportamentali sono quelli che li considerano una risorsa duratura piuttosto che un semplice segnale legato a una singola sessione. È l’approccio dello spazio vettoriale a rendere possibile questa durabilità: Le relazioni tra i prodotti persistono anche quando i singoli SKU entrano ed escono dal catalogo.

## Oltre la privacy dei dati: Perché l’approccio incentrato sul prodotto è una scelta di progettazione

Sarah conclude con un’osservazione che a prima vista potrebbe sembrare controintuitiva. Il motivo per cui la logica dei consigli non richiede di sapere chi sia l’acquirente ha ben poco a che vedere con la privacy dei dati, anche se il vantaggio in termini di privacy è reale.

È una scelta architettonica. I prodotti sono più stabili degli utenti. La posizione vettoriale di un prodotto, costruita sulla base di migliaia di interazioni con una base diversificata di commercianti, è un segnale più ricco e duraturo rispetto al profilo di un utente, che si azzera ogni volta che un nuovo cliente avvia la sua prima sessione. Il rispetto della privacy è una conseguenza positiva. Il motivo principale è che i prodotti costituiscono la base più affidabile per consigli che funzionano fin dal primo clic.

Guarda la puntata completa di “Conversations” con Sarah Miguel Cournane: [Product Agents](/en/conversations/product-agents/).

---

*This content is from the Hello Retail blog. For the full experience with images and formatting, visit [helloretail.com/it/blog/vector-space-modeling-cold-start-problem](https://helloretail.com/it/blog/vector-space-modeling-cold-start-problem)*
