Raccomandazioni prodotto con AI: vendere di più con la personalizzazione

Il venditore esperto sa cosa proporti. Il tuo e-commerce no.

Entra in una ferramenta di quartiere e il titolare ti riconosce. Sa che l’ultima volta hai comprato vernice per esterni, quindi ti suggerisce il primer giusto e il rullo adatto. Non lo fa perché ha un algoritmo: lo fa perché ti conosce. Quel gesto naturale — “Se hai preso questo, ti serve anche quest’altro” — è il motore silenzioso del commercio da sempre.

Online, nella maggior parte delle PMI italiane, quel gesto non esiste. Il cliente vede gli stessi “prodotti correlati” che qualcuno ha configurato sei mesi fa, uguali per tutti, fermi nel tempo. Il risultato è un’occasione persa a ogni visita: nessun suggerimento utile, nessun cross-sell intelligente, nessun motivo per tornare.

I numeri raccontano una storia precisa. Secondo i dati di settore aggiornati al 2025-2026, i sistemi di raccomandazione basati su AI possono aumentare le conversioni fino al 30% e il valore medio dell’ordine fino al 50%. Il mercato globale dei recommendation engine vale 2,42 miliardi di dollari nel 2025 e cresce dell’8,6% annuo. Non è più una tecnologia riservata ad Amazon o Netflix: è accessibile anche a una PMI con 500 prodotti a catalogo e un budget limitato.

La buona notizia è che implementare un sistema di raccomandazioni nella PMI non richiede un team di data scientist né un investimento da centinaia di migliaia di euro. Richiede metodo, dati che probabilmente hai già e la disciplina di partire dal livello giusto per la tua realtà. In questo articolo vediamo come farlo, passo dopo passo. Se non hai ancora chiaro il quadro generale su dove l’AI genera valore in una PMI, parti dalla guida pratica all’intelligenza artificiale per PMI.

Cosa sono le raccomandazioni prodotto e perché contano

Prima di parlare di strumenti, serve chiarire cosa intendiamo. Un sistema di raccomandazioni prodotto è un meccanismo che analizza dati — acquisti passati, comportamento di navigazione, caratteristiche del cliente — per suggerire articoli rilevanti a ciascun visitatore. Non è pubblicità generica: è pertinenza individuale.

Le raccomandazioni funzionano su tre logiche principali.

Collaborative filtering. “I clienti simili a te hanno comprato anche questo.” Il sistema confronta il comportamento del cliente con quello di utenti con pattern di acquisto analoghi. Funziona bene quando hai un volume di ordini sufficiente (qualche migliaio) e molti clienti ricorrenti.

Content-based filtering. “Questo prodotto ha caratteristiche simili a quelli che hai già comprato.” Il sistema analizza gli attributi dei prodotti — categoria, materiale, fascia di prezzo, uso — e suggerisce articoli coerenti con le preferenze dimostrate. Funziona anche con pochi ordini, purché il catalogo sia ben strutturato.

Raccomandazioni ibride. Combinano le due logiche precedenti con regole di business specifiche. È l’approccio più robusto e quello verso cui convergono la maggior parte dei sistemi moderni.

Per una PMI, la distinzione tecnica conta meno del principio: il cliente che riceve suggerimenti pertinenti compra di più, torna più spesso e percepisce un servizio migliore. È esattamente quello che fa il venditore esperto in negozio, ma su scala.

Tre livelli di raccomandazione: parti da dove sei

Non serve costruire il sistema più sofisticato dal primo giorno. Il percorso più realistico per una PMI prevede tre livelli progressivi, ciascuno con requisiti e risultati diversi.

Livello 1: regole manuali potenziate dall’AI

Questo è il punto di partenza più accessibile. Parti dalle associazioni che già conosci — chi compra la stampante compra anche le cartucce, chi ordina il trapano ordina anche le punte — e usa l’AI per analizzare lo storico ordini e scoprire associazioni che non avevi notato.

Cosa serve: lo storico ordini degli ultimi 12-24 mesi esportato dal gestionale o dall’e-commerce, anche in formato CSV. Non servono migliaia di clienti: con 200-300 ordini si iniziano già a vedere pattern utili.

Come funziona in pratica: esporti i dati degli ordini con i prodotti acquistati insieme, li fornisci a un modello AI (anche ChatGPT o Claude con un prompt strutturato) e chiedi di identificare le associazioni più frequenti. Il prompt può essere semplice:

Analizza questo storico ordini e identifica:
1. I prodotti acquistati insieme più frequentemente
2. Le sequenze di acquisto ricorrenti (chi compra A, dopo N giorni compra B)
3. I prodotti che non vengono mai comprati da soli

Per ogni associazione indica la frequenza e suggerisci
come usarla per raccomandazioni sul sito.

Formato output: tabella con Prodotto A, Prodotto B,
Frequenza, Suggerimento di raccomandazione.

Risultato atteso: un elenco di 15-30 associazioni prodotto da configurare manualmente nella piattaforma e-commerce come “Spesso comprati insieme” o “Ti potrebbe interessare anche”. Semplice, ma già molto più efficace dei prodotti correlati statici.

Attenzione: questo livello richiede aggiornamento periodico. Rivedi le associazioni ogni trimestre, perché i pattern di acquisto cambiano con le stagioni, i nuovi prodotti e l’evoluzione del catalogo.

Livello 2: raccomandazioni basate sul comportamento

Qui il sistema osserva quello che il cliente fa in tempo reale — quali prodotti guarda, quanto tempo spende su ciascuna scheda, cosa mette nel carrello e cosa toglie — e suggerisce prodotti coerenti con quel percorso di navigazione.

Cosa serve: una piattaforma e-commerce con capacità di tracciamento del comportamento utente e un plugin o servizio di raccomandazione. La buona notizia è che le piattaforme più diffuse nelle PMI italiane offrono già queste funzionalità.

Come funziona in pratica: il plugin traccia il comportamento dell’utente e mostra raccomandazioni dinamiche in punti chiave della navigazione: pagina prodotto (“Chi ha visto questo ha visto anche”), carrello (“Completa il tuo ordine con”), pagina di conferma (“Potrebbe interessarti per il prossimo acquisto”) e homepage (“Consigliati per te”).

Risultato atteso: un incremento misurabile del valore medio dell’ordine e del tasso di conversione. I dati di settore indicano un aumento medio del 10-15% nell’average order value per le PMI che implementano raccomandazioni comportamentali, con punte del 25% nei settori con cataloghi ampi e acquisti ricorrenti.

Livello 3: personalizzazione predittiva

Questo è il livello più avanzato, dove il sistema impara dalle abitudini di acquisto nel tempo e anticipa i bisogni. Un cliente che compra materiale di consumo ogni 45 giorni riceve un promemoria con i prodotti giusti al momento giusto. Un cliente che ha comprato un prodotto di una certa fascia viene indirizzato verso prodotti complementari o upgrade coerenti con il suo profilo.

Cosa serve: almeno 12-18 mesi di dati strutturati sugli acquisti, un CRM o un sistema di marketing automation integrato con l’e-commerce, e un volume di clienti ricorrenti sufficiente (almeno 500-1000 clienti attivi).

Come funziona in pratica: il sistema costruisce un profilo di acquisto per ogni cliente e genera previsioni sui prossimi acquisti probabili. Queste previsioni alimentano email automatiche, notifiche push, homepage personalizzate e campagne di remarketing mirate.

Risultato atteso: aumento della frequenza di riacquisto, riduzione del tasso di abbandono cliente e incremento del lifetime value. Secondo McKinsey, le aziende che implementano personalizzazione avanzata registrano un aumento dei ricavi del 10-15% e una riduzione dei costi di acquisizione cliente del 10-20%.

Se i dati del tuo CRM non sono ancora strutturati a sufficienza, leggi prima come integrare l’AI nel CRM della PMI: è il prerequisito per arrivare al livello 3.

Il percorso di implementazione: da zero al sistema funzionante

Fase 1: audit dei dati disponibili (settimana 1)

Prima di scegliere qualsiasi strumento, fai l’inventario di quello che hai. I dati minimi per un sistema di raccomandazioni sono:

• Storico ordini: prodotti acquistati, data, quantità, importo, cliente associato
• Catalogo strutturato: categorie, sottocategorie, attributi prodotto (materiale, uso, fascia di prezzo)
• Dati cliente: frequenza di acquisto, valore medio ordine, settore o segmento (se B2B)

Nella maggior parte delle PMI, questi dati esistono già nel gestionale o nella piattaforma e-commerce. Il problema non è la mancanza di dati: è che nessuno li ha mai estratti e analizzati con questo obiettivo.

Azione concreta: esporta lo storico ordini degli ultimi 18 mesi in un foglio di calcolo. Per ogni ordine, assicurati di avere: ID ordine, data, ID cliente, elenco prodotti con codice e categoria. Se mancano le categorie prodotto, questo è il primo collo di bottiglia da risolvere prima di procedere.

Fase 2: analisi dei pattern (settimana 2)

Con i dati estratti, usa l’AI per identificare i pattern di acquisto. Puoi farlo con un modello di AI generativa fornendo il dataset, oppure con strumenti di business intelligence che includono funzionalità di analisi predittiva.

Le domande chiave a cui rispondere sono:

• Quali prodotti vengono comprati insieme più spesso?
• Esistono sequenze di acquisto ricorrenti?
• Ci sono segmenti di clienti con comportamenti di acquisto distinti?
• Quali prodotti hanno il tasso di riacquisto più alto?
• In quale fase del ciclo di vita del cliente si concentrano gli acquisti aggiuntivi?

Azione concreta: produci un documento che elenca le prime 20 associazioni prodotto più frequenti, i 5 pattern di sequenza più comuni e i 3-4 segmenti cliente principali. Questo documento diventa la base per configurare il sistema.

Fase 3: scelta dello strumento e configurazione (settimane 3-4)

A questo punto sai quali raccomandazioni vuoi fare e a chi. La scelta dello strumento dipende dalla piattaforma e-commerce che usi e dal livello di sofisticazione che vuoi raggiungere.

Criteri di scelta:

Regola pratica: se il tuo fatturato e-commerce è sotto i 200.000 euro annui, parti con le funzionalità native della piattaforma o con un plugin a costo contenuto. Se superi i 500.000 euro, valuta una soluzione dedicata che offra maggiore controllo e personalizzazione.

Fase 4: test e ottimizzazione (settimane 5-8)

Non attivare le raccomandazioni su tutto il catalogo e per tutti i clienti contemporaneamente. Parti con un test controllato.

Il metodo: seleziona 3-5 categorie di prodotto dove le associazioni sono più evidenti e attiva le raccomandazioni solo su quelle pagine. Confronta le metriche prima e dopo per almeno 4 settimane.

Le metriche da monitorare:

• Tasso di click sulle raccomandazioni (CTR)
• Percentuale di ordini che includono un prodotto raccomandato
• Variazione del valore medio dell’ordine
• Variazione del tasso di conversione sulle pagine con raccomandazioni
• Tasso di riacquisto dei clienti esposti alle raccomandazioni

Soglia di successo: se dopo 4 settimane il CTR sulle raccomandazioni è sopra il 5% e il valore medio dell’ordine è cresciuto di almeno il 3-5%, il sistema funziona e puoi estenderlo a tutto il catalogo.

Caso realistico: distributore di materiale elettrico, 24 persone

Un distributore B2B di materiale elettrico con 24 dipendenti e un e-commerce con 3.800 referenze aveva un problema comune: i clienti compravano sempre gli stessi 20-30 prodotti e ignoravano il resto del catalogo. I “prodotti correlati” erano stati configurati due anni prima e non erano mai stati aggiornati.

Situazione di partenza:

• Valore medio dell’ordine: 187 euro
• Prodotti per ordine: 4,2 in media
• Tasso di riacquisto a 90 giorni: 38%
• Zero raccomandazioni personalizzate attive

Cosa hanno fatto:

Il team ha esportato 14 mesi di storico ordini (circa 6.200 ordini) e li ha analizzati con un modello AI per identificare le associazioni più forti. Sono emerse 47 associazioni prodotto che nessuno aveva mai formalizzato — per esempio, chi compra interruttori differenziali di una certa marca compra quasi sempre anche le placche della stessa serie, ma il sito non lo suggeriva.

Hanno configurato il plugin di raccomandazione nativo della loro piattaforma WooCommerce con le 25 associazioni più forti, posizionando i suggerimenti in tre punti: pagina prodotto, carrello e email di conferma ordine.

Per i clienti ricorrenti hanno attivato un’email automatica ogni 40 giorni con i prodotti di consumo che quel cliente specifico acquistava regolarmente, generata dall’AI sulla base dello storico individuale.

Risultati dopo 3 mesi:

• Valore medio dell’ordine: da 187 a 219 euro (+17%)
• Prodotti per ordine: da 4,2 a 5,1 (+21%)
• Tasso di riacquisto a 90 giorni: da 38% a 44%
• Fatturato e-commerce complessivo: +12% a parità di traffico

Il dato più interessante non è il fatturato aggiuntivo in sé — è che i clienti hanno iniziato a comprare prodotti che già vendeva l’azienda ma che prima cercavano altrove, semplicemente perché non sapevano che fossero disponibili a catalogo.

Dove la PMI sbaglia (e come evitarlo)

Errore 1: raccomandare tutto a tutti

Il primo istinto è attivare le raccomandazioni ovunque, su ogni prodotto, per ogni visitatore. Il risultato è rumore: suggerimenti generici che il cliente impara a ignorare in fretta. Meglio poche raccomandazioni pertinenti che decine irrilevanti.

Come evitarlo: parti dalle 10-15 associazioni prodotto più forti e verificate. Aggiungi nuove associazioni solo quando i dati confermano che funzionano.

Errore 2: non verificare cosa suggerisce il sistema

Un algoritmo mal configurato può raccomandare prodotti incompatibili, obsoleti o con margini negativi. Un sistema che suggerisce un cavo trifase a chi ha comprato una presa monofase non è solo inutile: è dannoso per la credibilità.

Come evitarlo: ogni mese, controlla le prime 20 raccomandazioni più frequenti e chiediti: “Avrebbe senso se fosse un venditore in negozio a suggerirle?” Se la risposta è no, correggi la regola.

Errore 3: ignorare la privacy

Le raccomandazioni personalizzate si basano su dati di comportamento e acquisto. Il GDPR richiede che il cliente sia informato su come vengono usati i suoi dati e che possa opporsi al trattamento. Non è un dettaglio tecnico: è un obbligo legale.

Come evitarlo: aggiorna la privacy policy per includere l’uso di sistemi di raccomandazione, ottieni il consenso per il tracciamento comportamentale (cookie banner conforme), e verifica che il fornitore del servizio di raccomandazione sia GDPR-compliant. Il Regolamento Europeo AI Act, in vigore dal 2025, classifica i sistemi di raccomandazione commerciale come a rischio minimo, ma la trasparenza resta un requisito.

Errore 4: non misurare l’impatto

Attivare le raccomandazioni senza misurarne l’effetto è come assumere un venditore senza verificare se vende. Definisci le metriche prima di partire e controllale ogni settimana per il primo mese, poi ogni mese a regime.

Come evitarlo: configura un dashboard minimo con CTR raccomandazioni, variazione del valore medio ordine e tasso di conversione. Se dopo 6 settimane i numeri non si muovono, il problema è nella qualità delle associazioni, non nello strumento.

Il prompt per generare raccomandazioni dal tuo catalogo

Se vuoi iniziare subito senza installare alcun plugin, puoi usare l’AI generativa per creare manualmente le prime raccomandazioni. Ecco un prompt testato:

Sei un esperto di e-commerce per PMI italiane.
Ti fornisco il catalogo prodotti con categorie e lo storico
degli ultimi 12 mesi di ordini.

CATALOGO:
[incolla l'elenco prodotti con codice, nome, categoria, prezzo]

STORICO ORDINI:
[incolla gli ordini con ID, data, prodotti acquistati]

ANALIZZA E PRODUCI:

1. ASSOCIAZIONI FREQUENTI
   Per ogni coppia di prodotti comprati insieme almeno 5 volte:
   - Prodotto A e Prodotto B
   - Numero di ordini in comune
   - Tipo di associazione (complementare, upgrade, consumabile)

2. SEQUENZE DI RIACQUISTO
   Per i prodotti con riacquisto ricorrente:
   - Prodotto
   - Intervallo medio tra acquisti
   - Momento suggerito per il promemoria

3. RACCOMANDAZIONI PER PAGINA PRODOTTO
   Per le 20 pagine prodotto più visitate:
   - 3 prodotti da suggerire come "Spesso comprati insieme"
   - 2 prodotti da suggerire come "Potrebbe interessarti anche"
   - Motivazione per ogni suggerimento

Non inventare associazioni che non emergono dai dati.
Segnala dove i dati sono insufficienti per una raccomandazione affidabile.

Questo prompt non sostituisce un sistema automatico, ma ti permette di validare le prime associazioni e configurarle manualmente nel tuo e-commerce in poche ore.

Raccomandazioni via email: il canale che le PMI sottovalutano

Le raccomandazioni non vivono solo sul sito. L’email resta il canale con il ROI più alto nel marketing digitale per le PMI, e le raccomandazioni personalizzate via email generano risultati molto superiori rispetto alle newsletter generiche.

Tre tipi di email con raccomandazioni che funzionano nella PMI:

Email post-acquisto. Inviata 3-5 giorni dopo l’ordine, suggerisce prodotti complementari a quelli appena acquistati. “Hai ordinato il trapano avvitatore: ecco le punte e gli accessori più usati dai nostri clienti.”

Email di riacquisto. Inviata quando si avvicina il momento previsto di riacquisto di un prodotto consumabile. “L’ultima volta hai ordinato le cartucce il 15 gennaio. Vuoi riordinarle prima che finiscano?”

Email di scoperta catalogo. Inviata ai clienti abituali che comprano sempre le stesse cose, con suggerimenti basati su quello che comprano clienti simili. “I clienti del tuo settore acquistano spesso anche questi prodotti.”

Secondo i dati di Klaviyo e Mailchimp aggiornati al 2025, le email con raccomandazioni personalizzate registrano un tasso di apertura superiore del 26% e un tasso di click superiore del 35% rispetto alle email standard. Per una PMI con 2.000 clienti attivi, anche una sola email di riacquisto ben calibrata può generare decine di ordini aggiuntivi al mese.

Se vuoi approfondire la segmentazione email per la tua PMI, leggi la guida sull’email marketing con AI e segmentazione.

Quanto costa e quanto rende: i numeri per decidere

Una delle domande più frequenti è: “Vale la pena investire in un sistema di raccomandazioni per la mia dimensione?” La risposta dipende dal fatturato e-commerce e dal tipo di catalogo.

La regola empirica è semplice: se il tuo e-commerce genera almeno 50.000 euro di fatturato annuo e hai più di 100 prodotti a catalogo, un sistema di raccomandazioni anche basilare si ripaga in pochi mesi.

Per calcolare il ritorno sull’investimento nel dettaglio, puoi applicare il metodo descritto nella guida al ROI dell’intelligenza artificiale nella PMI.

Checklist operativa: le 10 domande prima di partire

Prima di investire tempo e denaro in un sistema di raccomandazioni, rispondi a queste domande:

1. Ho almeno 12 mesi di storico ordini esportabili?
2. Il mio catalogo prodotti ha categorie e attributi strutturati?
3. Ho almeno 100 clienti ricorrenti?
4. La mia piattaforma e-commerce supporta plugin di raccomandazione?
5. Ho definito un responsabile interno per la configurazione e il monitoraggio?
6. Ho verificato la conformità GDPR del tracciamento comportamentale?
7. Ho identificato le prime 10 associazioni prodotto da testare?
8. Ho definito le metriche di successo e il periodo di test?
9. Ho previsto un processo di revisione mensile delle raccomandazioni?
10. Ho un piano per estendere le raccomandazioni alle email se il test sul sito funziona?

Se hai risposto sì ad almeno 7 domande su 10, sei pronto per partire. Se hai risposto no a più di 3, concentrati prima sui prerequisiti: senza dati strutturati e un catalogo ordinato, nessuno strumento di raccomandazione produrrà risultati utili.

La regola di chiusura

Le raccomandazioni prodotto con AI non sono magia algoritmica. Sono la versione digitale e scalabile di quello che il miglior venditore del tuo team fa già ogni giorno: ascoltare il cliente, ricordare cosa ha comprato, capire di cosa avrà bisogno e suggerirlo al momento giusto.

La differenza è che il venditore lo fa con 20 clienti. L’AI lo fa con 2.000. E lo fa sempre, anche alle undici di sera di un martedì, quando il tuo e-commerce è aperto ma il tuo team no.

Parti dal livello 1 — le associazioni manuali potenziate dall’analisi AI — e sali di livello solo quando i dati e i risultati lo giustificano. Non servono investimenti enormi. Serve metodo, serve misurare e serve ricordarsi che dietro ogni raccomandazione c’è un cliente che vuole sentirsi capito, non bombardato.

Per il percorso completo di adozione dell’AI nella tua PMI, con tutti i passi operativi, consulta il libro Intelligenza Artigianale.