Sistemi di Raccomandazione: Applicazioni ed Esempi

Abbiamo esaminato i principali tipi di sistemi di raccomandazione, i concetti chiave e le applicazioni nel mondo reale, e abbiamo confrontato LightFM, Cornac BPR e TensorFlow Recommenders utilizzando AUC, Precision@10 e Recall@10.

Migliori librerie Python per i sistemi di raccomandazione

Queste librerie implementano algoritmi di machine learning per elaborare i dati di addestramento e generare raccomandazioni personalizzate utilizzando tecniche di filtraggio collaborativo o basato sui contenuti. Inoltre, queste librerie implementano modelli di machine learning per analizzare i dati e scoprire modelli, consentendo al motore di raccomandazione di suggerire elementi pertinenti in base al comportamento e alle preferenze dell'utente.

Risultati del benchmark LightFM vs Cornac BPR vs TensorFlow

TensorFlow Recommenders ha ottenuto i migliori risultati. La sua architettura di deep learning gli consente di catturare relazioni utente-elemento più complesse. LightFM, che si comporta bene quando sono disponibili metadati, non ha ottenuto risultati altrettanto forti qui perché abbiamo utilizzato solo dati comportamentali; ha comunque superato BPR. Cornac BPR ha avuto la qualità di raccomandazione più bassa, rendendolo più adatto per esperimenti rapidi o applicazioni su piccola scala.

Abbiamo utilizzato la nostra metodologia di benchmarking del motore di raccomandazione per testare LightFM, Cornac BPR e TensorFlow.

Cos'è un sistema di raccomandazione?

Un sistema di raccomandazione (o recommender system) è uno strumento progettato per fornire suggerimenti personalizzati agli utenti in base alle loro preferenze, comportamenti e interazioni con una piattaforma. Questi sistemi analizzano dati come la cronologia degli acquisti, la cronologia di navigazione, le demografie degli utenti e le informazioni contestuali per fornire contenuti pertinenti. Di seguito sono riportati i tipi più comuni di sistemi di raccomandazione:

Tecniche di filtraggio collaborativo:

• Basato su modelli di interazione tra utenti e elementi.
• Include il filtraggio collaborativo basato sugli utenti (trovare utenti simili) e il filtraggio collaborativo basato sugli elementi (trovare elementi simili).
• Più adatto per eCommerce e servizi di streaming.

Tecniche di filtraggio basato sui contenuti:

• Si concentra sugli attributi degli elementi (caratteristiche dell'elemento) e sulle interazioni passate di un utente (preferenze dell'utente).
• Ideale per identificare interessi specifici dell'utente target.

Sistemi di raccomandazione ibridi:

• Combinano metodi di filtraggio collaborativo e basato sui contenuti.
• Sfrutta modelli di machine learning come reti neurali profonde e reti neurali ricorrenti per previsioni migliorate.

Concetti chiave dei sistemi di raccomandazione

Basi della fattorizzazione della matrice

La fattorizzazione della matrice è una tecnica fondamentale nel filtraggio collaborativo. Scompone una grande matrice di interazione utente-elemento (ad esempio, valutazioni o clic) in matrici più piccole che catturano modelli o relazioni nascosti, chiamati caratteristiche latenti.

Questo approccio aiuta a ridurre la complessità dei dati e a scoprire informazioni significative, come la preferenza di un utente per generi specifici o l'appeal di un elemento per un particolare gruppo.

Similarità basata su embedding

Alcuni framework di raccomandazione calcolano la similarità degli elementi utilizzando vettori di embedding piuttosto che tag condivisi. Gli approcci basati su embedding catturano caratteristiche degli elementi sfumate in un vettore numerico, consentendo una corrispondenza di similarità più accurata senza la manutenzione manuale dei tag.

Ad esempio, il recommender open-source Gorse supporta la similarità degli embedding calcolando la distanza euclidea tra i vettori degli elementi, inclusi gli embedding forniti da provider come OpenAI e Ollama.¹

Intrattenimento

Nell'industria dell'intrattenimento, i sistemi di raccomandazione aiutano gli utenti a scoprire film, musica, programmi TV o libri su misura per i loro gusti. Analizzando le abitudini di visione o ascolto, questi sistemi possono fornire contenuti personalizzati per aumentare il coinvolgimento degli utenti e il tempo trascorso sulla piattaforma.

Esempio della vita reale: Netflix

Netflix utilizza una combinazione di filtraggio collaborativo e basato sui contenuti per suggerire programmi e film, portando all'80% dei contenuti guardati guidati da raccomandazioni.

Il Netflix Prize è stato un concorso lanciato da Netflix nell'ottobre 2006 per migliorare il suo sistema di raccomandazione di film. La sfida offriva un premio di 1 milione di dollari al team o individuo che avrebbe potuto ottenere almeno un miglioramento del 10% nell'accuratezza delle previsioni rispetto all'algoritmo di raccomandazione esistente di Netflix.²

Esempio della vita reale: Spotify

Ogni settimana, Spotify genera una nuova playlist personalizzata per ogni abbonato chiamata "Discover Weekly" che è un elenco personalizzato di 30 canzoni basato sui gusti musicali unici degli utenti. La loro acquisizione di Echo Nest, una startup di intelligenza musicale e analisi dei dati, consente loro di creare un motore di raccomandazione musicale che utilizza tre diversi tipi di modelli di raccomandazione:³

• Filtraggio collaborativo: Filtraggio delle canzoni confrontando i dati storici di ascolto degli utenti con la cronologia di ascolto di altri utenti.
• Elaborazione del linguaggio naturale: Scraping di internet per informazioni su artisti e canzoni specifici. Ogni artista o canzone viene quindi assegnato a un elenco dinamico di termini principali che cambia quotidianamente e viene ponderato per rilevanza. Il motore determina quindi se due brani musicali o artisti sono simili.
• Analisi dei file audio: L'algoritmo analizza le caratteristiche di ogni singolo file audio, inclusi tempo, volume, tonalità e tempo, e fa raccomandazioni di conseguenza.

Social media

Le piattaforme di social media utilizzano sistemi di raccomandazione per suggerire amici, gruppi, pagine, post o annunci in base alle interazioni, preferenze e connessioni degli utenti. Questi suggerimenti migliorano l'interazione degli utenti, incoraggiano la scoperta di contenuti e generano entrate pubblicitarie.

Meta

Meta impiega sistemi di IA per fornire raccomandazioni di contenuti personalizzate su Facebook e Instagram, anche da fonti che gli utenti non seguono. Questo approccio migliora l'esperienza utente introducendo contenuti diversificati e supporta i creatori nel raggiungere un pubblico più ampio. Il processo di raccomandazione comporta:

• Comprensione dei contenuti: Utilizzo di modelli di IA per analizzare e interpretare vari tipi di contenuti, inclusi immagini, testo, audio e video, per comprenderne i significati semantici.
• Comprensione delle preferenze, recupero e classificazione: Sviluppo di sistemi che filtrano facilmente grandi quantità di contenuti per identificare e classificare quelli più pertinenti agli interessi individuali degli utenti.

Questa strategia guidata dall'IA consente a Meta di presentare agli utenti contenuti coinvolgenti oltre la loro rete immediata per favorire una esplorazione più profonda degli interessi e migliorare il coinvolgimento generale della piattaforma.⁴

X (ex Twitter)

Il sistema di raccomandazione di X ha eliminato le funzionalità create manualmente a favore di un approccio appreso end-to-end. Utilizza un modello a due torri per recuperare post pertinenti codificando separatamente la cronologia dell'utente e i post candidati, quindi classifica ogni elemento utilizzando un transformer basato su Grok che prevede le probabilità di coinvolgimento direttamente dal comportamento dell'utente.

L'implementazione completa è pubblicamente disponibile nel repository del feed X For-You.⁵

Retail

Nel retail, i sistemi di raccomandazione sono utilizzati per esperienze di acquisto personalizzate, raccomandazioni in negozio e suggerimenti sull'inventario. Questi sistemi aiutano i rivenditori a ottimizzare la gestione delle scorte, migliorare le vendite e aumentare la soddisfazione del cliente.

Esempio della vita reale: Rappi con Amazon Personalize

Rappi, un servizio di consegna on-demand in America Latina, ha collaborato con Amazon Personalize per migliorare il coinvolgimento dei clienti e aumentare le vendite implementando un sistema di raccomandazione personalizzato all'interno della sua app.

Sfruttando Amazon Personalize, Rappi ha sviluppato una funzione chiamata "Solo per te" (JFY), che analizza il comportamento e le preferenze degli utenti per fornire raccomandazioni di prodotti personalizzate visualizzate in una sezione dedicata dell'app.

Questa strategia di personalizzazione ha portato a un aumento del 102% dei tassi di click-through e a un aumento del 147% delle entrate dalle raccomandazioni personalizzate. Inoltre, il coinvolgimento dei clienti è migliorato e si è verificata una diminuzione dei prodotti sottoperformanti.⁶

Finanza e banche

Le istituzioni finanziarie utilizzano sistemi di raccomandazione per suggerire opzioni di investimento, carte di credito o prodotti assicurativi in base al comportamento finanziario e agli obiettivi di un utente. Dai un'occhiata ai casi d'uso Gen AI nel settore bancario per saperne di più su come l'IA generativa può essere utilizzata nel settore finanziario e nel settore bancario.

Gaming

Le piattaforme di gaming utilizzano sistemi di raccomandazione per suggerire acquisti in-game, nuovi giochi o connettere giocatori in base alle loro preferenze, abitudini di gioco e interazioni sociali. Questo migliora l'esperienza di gioco e genera entrate.

Esempio della vita reale: Glance con Google Cloud

Glance, una sussidiaria di InMobi, ha collaborato con Google Cloud per costruire un sistema di raccomandazione di giochi personalizzato per la loro piattaforma di gaming mobile, Nostra, che coinvolge oltre 220 milioni di utenti tramite schermi di blocco.

Analizzando i dati degli utenti e dei giochi con i dati di interazione, hanno identificato modelli come i tempi di coinvolgimento ottimali e le preferenze di gioco. Questa collaborazione ha migliorato significativamente il coinvolgimento degli utenti.⁷

Inoltre, i sistemi di raccomandazione aprono significative opportunità di entrate guidando l'upselling, il cross-selling e tassi di coinvolgimento più elevati. Offrendo suggerimenti su misura, questi sistemi migliorano la fidelizzazione dei clienti, favorendo la fedeltà a lungo termine e l'interazione continua degli utenti.

LLM-sistemi di raccomandazione basati su

I sistemi di raccomandazione tradizionali analizzano dati strutturati come valutazioni e clic. I sistemi basati su LLM vanno oltre, comprendendo query in linguaggio naturale, interpretando preferenze sfumate e spiegando i loro suggerimenti.

Questo approccio porta diversi vantaggi rispetto ai metodi tradizionali:

• Comprensione semantica: Interpreta query complesse in linguaggio naturale oltre la corrispondenza di parole chiave, come "qualcosa di edificante ma non troppo sdolcinato"
• Gestione dell'avvio a freddo: I nuovi utenti possono descrivere le preferenze in linguaggio naturale invece di richiedere una cronologia di interazione
• Output spiegabili: Genera spiegazioni in linguaggio naturale per le raccomandazioni, sebbene queste descrivano il ragionamento del modello piuttosto che i suoi calcoli interni
• Ragionamento cross-dominio: Identifica preferenze sottostanti attraverso diverse categorie e tipi di contenuti

Esempi del mondo reale:

• Netflix ha sviluppato un modello fondazionale per raccomandazioni personalizzate, trattando la cronologia delle interazioni degli utenti come token e applicando architetture basate su transformer
• Spotify AI DJ combina la cronologia di ascolto con l'IA generativa per creare commenti e selezioni musicali personalizzati
• Amazon Rufus è un assistente di shopping alimentato da IA generativa che consente la scoperta di prodotti in linguaggio naturale
• Criteo Agentic Commerce Recommendation Service collega gli assistenti di shopping AI agli inventari dei mercanti instradando le query attraverso un Model Context Protocol (MCP) API, applicando segnali di acquisto in tempo reale per classificare i prodotti in base al comportamento di acquisto reale.⁸ https://www.criteo.com/news/press-releases/2026/02/criteo-introduces-agentic-commerce-recommendation-service-to-power-ai-shopping-assistants/[/efn_note]
• Wizard è un agente di shopping AI che cerca tra rivenditori, recensioni e fonti di contenuti per restituire un elenco curato dei primi cinque prodotti. A differenza dei raccomandatori specifici del rivenditore, aggrega i risultati sul web in base alle esigenze descritte dall'utente.⁹ https://www.wizard.com/press/2026-02-11-fortune-marc-lore-and-melissa-bridgeford-wizard-emerges-from-stealth[/efn_note]
• LinkedIn ha implementato raccomandatori generativi e modelli di sequenza su larga scala nel ranking del feed. Invece di utilizzare modelli separati per ogni componente del feed, il sistema valuta l'attività di ogni utente come parte di un viaggio continuo, consentendo al comportamento in diverse aree della piattaforma di influenzare le raccomandazioni in tutto.¹⁰ https://www.socialmediatoday.com/news/linkedin-uses-ai-to-improve-feed-relevance/819792/[/efn_note]

Configurazione di un sistema di raccomandazione

Sebbene la maggior parte delle aziende trarrebbe beneficio dall'adozione di una soluzione esistente, le aziende in categorie di nicchia o su scala molto elevata potrebbero sperimentare la costruzione del proprio motore di raccomandazione.

1. Utilizzo di una soluzione pronta all'uso

I sistemi di raccomandazione sono uno dei casi d'uso di IA più antichi e maturi.

I vantaggi di questo approccio includono una rapida implementazione e risultati altamente accurati per la maggior parte dei casi:

• Includere un frammento di codice del vendor può essere sufficiente per iniziare.
• Le soluzioni tendono ad essere accurate poiché i vendor utilizzano dati da migliaia di transazioni dei loro clienti in modo anonimizzato per migliorare i loro modelli.

Per scegliere il sistema giusto, puoi utilizzare dati storici o, ancora meglio, dati live per testare rapidamente l'efficacia di diversi sistemi.

2. Costruire la propria soluzione

Questo può avere senso se:

• sei in un dominio di nicchia in cui i motori di raccomandazione non sono stati utilizzati prima o
• possiedi uno dei più grandi marketplace al mondo in cui raccomandazioni leggermente migliori possono fare una differenza importante nei risultati aziendali.

I sistemi di raccomandazione sul mercato oggi utilizzano logiche come: i clienti con storie di acquisto e navigazione simili acquisteranno prodotti simili in futuro. Per far funzionare un tale sistema, hai bisogno di un gran numero di transazioni storiche o di dati dettagliati sul comportamento dei tuoi utenti su altri siti web. Se hai bisogno di tali dati, potresti cercarli nei marketplace di dati.

Più dati e algoritmi migliori migliorano le raccomandazioni. Devi sfruttare tutti i dati pertinenti nella tua azienda e potresti espandere i dati dei tuoi clienti con dati di terze parti. Se un tuo cliente abituale sta cercando scarpe rosse su altri siti web, perché non dovresti mostrargli un ottimo paio quando visita il tuo sito web?

3. Lavorare con un consulente per costruire le proprie soluzioni

Un motore di raccomandazione leggermente migliore potrebbe aumentare le vendite di un'azienda di qualche punto percentuale, il che potrebbe fare una differenza drammatica nella redditività di un'azienda con margini di profitto bassi. Pertanto, può avere senso investire nella costruzione di motori di raccomandazione migliori se l'azienda non sta ottenendo risultati soddisfacenti dai fornitori di soluzioni esistenti sul mercato.

4. Organizzare una competizione di data science per costruire la propria soluzione

Un possibile approccio è utilizzare la saggezza della folla per costruire tali sistemi. Le aziende possono utilizzare dati storici crittografati, lanciare competizioni di data science o lavorare con consulenti e ottenere modelli che forniscono raccomandazioni altamente efficaci.

Affrontare lo spostamento dei dati

Gli embedding e gli indici di elementi memorizzati nella cache possono diventare obsoleti nel tempo, causando raccomandazioni che non riflettono più gli interessi attuali degli utenti. Strumenti come Drifter monitorano i pipeline di raccomandazione live in tempo reale per rilevare problemi di qualità dei dati e spostamenti prima che influenzino la qualità delle raccomandazioni.¹¹ https://www.catalyzex.com/paper/drifter-efficient-online-feature-monitoring[/efn_note]

Come scegliere un sistema di raccomandazione?

Scegliere il sistema di raccomandazione giusto dipende dai tuoi obiettivi aziendali, dai dati disponibili e dalle risorse tecniche a tua disposizione. Ecco alcune considerazioni chiave:

1. Valutazione del modello sui tuoi Dati
   • È essenziale testare i modelli sul tuo dataset per vedere quanto bene si comportano nel tuo contesto specifico. I benchmark pronti all'uso potrebbero non riflettere i tuoi utenti, elementi o obiettivi aziendali.
2. Tipo di dati disponibili
   • Dati espliciti (valutazioni, recensioni, like) funziona bene con il filtraggio collaborativo.
   • Dati impliciti (clic, tempo trascorso, acquisti) favorisce approcci ibridi o di deep learning.
3. Obiettivi aziendali
   • Se il tuo obiettivo è personalizzazione su scala, deep learning o sistemi ibridi sono le migliori opzioni.
   • Per esperimenti rapidi, modelli più semplici, come la fattorizzazione della matrice, possono essere sufficienti.
4. Requisiti di scalabilità
   • Le piattaforme su larga scala (ad esempio, eCommerce, streaming) richiedono spesso soluzioni basate su deep learning o ospitate nel cloud in grado di gestire milioni di utenti e elementi.
5. Conoscenza del dominio e risorse
   • Se il tuo team manca di competenze di machine learning, utilizzare soluzioni vendor (ad es. Amazon Personalize, Google Recommendations AI) può accelerare il deployment.
   • Per domini altamente specializzati, potrebbe essere necessario costruire una soluzione interna.

Suggerimento: Inizia con prototipi utilizzando librerie pronte all'uso (LightFM, TensorFlow Recommenders) e valuta le prestazioni con i tuoi dati live prima di scalare.

Non perderti i nostri benchmark e approfondimenti basati sui dati. Il pulsante apre Google; selezionare AIMultiple conferma che desideri vedere AIMultiple più spesso nei risultati di ricerca di Google.

Aggiungi come fonte preferita

Costo di implementazione dei sistemi di raccomandazione

L'implementazione di un sistema di raccomandazione comporta costi diretti e indiretti:

1. Tempo di sviluppo: La costruzione di modelli personalizzati richiede data scientist, ingegneri e team infrastrutturali. Lo sviluppo può variare da alcune settimane (per prototipi) a diversi mesi (per sistemi di produzione).
2. Costi infrastrutturali:
   • On-premise: Richiede server GPU, database e manutenzione continua.
   • Basato su cloud: I costi scalano con la dimensione dei dati e l'utilizzo delle API (AWS, GCP, Azure).
3. Commissioni vendor: Le soluzioni basate su SaaS possono addebitare in base al numero di chiamate API, al numero di utenti o alla quantità di dati elaborati.
4. Costi in corso:
   • Riaddestramento del modello, monitoraggio e aggiornamenti.
   • Possibili costi di integrazione di fonti di dati esterne per raccomandazioni migliorate.

Regola pratica: Le piccole imprese possono iniziare con strumenti SaaS (

Implicazioni etiche dei sistemi di raccomandazione

Sebbene i motori di raccomandazione forniscano valore, sollevano importanti considerazioni etiche e sociali:

• Pregiudizio ed equità: Gli algoritmi possono rafforzare i pregiudizi esistenti (ad esempio, raccomandare solo contenuti popolari, ignorando la diversità).
• Preoccupazioni sulla privacy:
  • La raccolta e l'analisi dei dati degli utenti sollevano preoccupazioni sul consenso e sulla protezione dei dati.
  • La conformità al GDPR, CCPA e altre leggi sulla privacy dei dati è fondamentale.
• Uso responsabile dei dati:
  • Le politiche trasparenti dovrebbero spiegare come i dati degli utenti vengono raccolti, elaborati e archiviati.
  • Le tecniche di privacy differenziale e anonimizzazione possono mitigare i rischi.

Metodologia di benchmark del motore di raccomandazione

In questo studio, ci siamo concentrati sulla costruzione e valutazione di sistemi di raccomandazione basati su dati di feedback implicito, in particolare le interazioni degli utenti con i prodotti. Il dataset utilizzato nella nostra analisi contiene tre elementi chiave: visitorid, itemid e tipi di interazione come visualizzazione, aggiungi al carrello e transazione. Poiché gli utenti non hanno valutato esplicitamente gli elementi ma hanno interagito attraverso questi comportamenti, abbiamo considerato questi dati come feedback implicito.

Abbiamo testato tre diversi modelli di raccomandazione per valutarne l'efficacia nell'elaborazione dei dati impliciti:

1. LightFM: Un modello ibrido che utilizza sia metodi di filtraggio collaborativo che basati sui contenuti. Abbiamo sfruttato la funzione di perdita WARP (Weighted Approximate-Rank Pairwise) per addestrare il modello. L'obiettivo era prevedere la probabilità che un utente visualizzi un prodotto analizzando le sue interazioni storiche con gli elementi.
2. Cornac BPR (Bayesian Personalized Ranking): Un modello basato sul filtraggio collaborativo progettato per classificare gli elementi in base alle interazioni degli utenti. Utilizza feedback implicito per apprendere le preferenze degli utenti ottimizzando la classificazione degli elementi pertinenti rispetto a quelli irrilevanti.
3. TensorFlow Recommenders: Un framework basato su deep learning che utilizza embedding per rappresentare sia utenti che elementi, catturando relazioni complesse tra di loro. Il modello è addestrato su interazioni implicite, con un compito di recupero per prevedere gli elementi più pertinenti per ogni utente.

I modelli sono stati addestrati per prevedere la probabilità che un utente interagisca con un prodotto, concentrandosi specificamente sull'evento visualizzazione come comportamento target. Il nostro obiettivo era stimare quali prodotti gli utenti sono più propensi a coinvolgere, in base al loro comportamento passato. Dopo l'addestramento, abbiamo valutato i modelli utilizzando dati di test per garantire che potessero generalizzare bene alle interazioni non viste.

Abbiamo valutato le prestazioni dei modelli in base a tre metriche comunemente utilizzate nei sistemi di raccomandazione:

• AUC (Area Under the Curve): Una metrica che valuta quanto bene il modello classifica gli elementi pertinenti più in alto rispetto a quelli irrilevanti. Un punteggio AUC più vicino a 1 indica una migliore prestazione di classificazione.
• Precision@10: Misura quanti dei primi 10 elementi raccomandati sono effettivamente pertinenti (cioè, interagiti dall'utente). Valori più alti indicano una migliore accuratezza delle raccomandazioni.
• Recall@10: Misura quanti elementi pertinenti (dalle interazioni dell'utente) appaiono tra i primi 10 consigli. Questa metrica è fondamentale per comprendere quanto bene il modello cattura le preferenze degli utenti.

Confrontando queste metriche tra i tre modelli, abbiamo identificato il modello con le migliori prestazioni in termini di classificazione degli elementi pertinenti e recupero accurato di tali elementi nei primi consigli.

Cita questa ricerca

Scegli il formato adatto a dove pubblicherai. Incollare la versione con link nel tuo CMS preserva il backlink.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Ermut, Sıla},
  title  = {{Sistemi di Raccomandazione: Applicazioni ed Esempi}},
  year   = {2026},
  month  = may,
  howpublished    = {\url{https://aimultiple.com/recommendation-system}},
  note   = {AIMultiple. Consultato il 19 Maggio 2026}
}

Collegamenti di riferimento

1.

Item-to-Item Recommenders | Gorse

2.

How retailers can keep up with consumers | McKinsey

McKinsey & Company

3.

Netflix Research

4.

Discover Weekly: How Spotify is Changing the Way We Consume Music - Technology and Operations Management

5.

The AI behind unconnected content recommendations on Facebook and Instagram

6.

GitHub - xai-org/x-algorithm: Algorithm powering the For You feed on X · GitHub

7.

Health. Powered by Ada.

8.

Customer Success Stories: Case Studies, Videos, Podcasts, Innovator stories

9.

Nostra from Glance, Gaming Recommendation at Scale with Google Cloud AI | Google Cloud Blog

Google Cloud

10.

Criteo Introduces Agentic Commerce Recommendation Service to Power AI Shopping Assistants | Criteo

Criteo

11.

Wizard Press Release: Marc Lore and Melissa Bridgeford’s Wizard Emerges from Stealth

Cem Dilmegani

Analista principale

Segui

Cem è analista principale presso AIMultiple dal 2017. AIMultiple fornisce informazioni a centinaia di migliaia di aziende (secondo SimilarWeb), tra cui il 55% delle aziende Fortune 500, ogni mese. Il lavoro di Cem è stato citato da importanti pubblicazioni globali come Business Insider, Forbes, Washington Post, società globali come Deloitte e HPE, ONG come il World Economic Forum e organizzazioni sovranazionali come la Commissione Europea. È possibile consultare l'elenco di altre aziende e risorse autorevoli che hanno citato AIMultiple. Nel corso della sua carriera, Cem ha lavorato come consulente tecnologico, responsabile acquisti tecnologici e imprenditore nel settore tecnologico. Ha fornito consulenza alle aziende sulle loro decisioni tecnologiche presso McKinsey & Company e Altman Solon per oltre un decennio. Ha anche pubblicato un report di McKinsey sulla digitalizzazione. Ha guidato la strategia tecnologica e gli acquisti di un'azienda di telecomunicazioni, riportando direttamente al CEO. Ha inoltre guidato la crescita commerciale dell'azienda deep tech Hypatos, che ha raggiunto un fatturato annuo ricorrente a 7 cifre e una valutazione a 9 cifre partendo da zero in soli 2 anni. Il lavoro di Cem in Hypatos è stato oggetto di articoli su importanti pubblicazioni tecnologiche come TechCrunch e Business Insider. Cem partecipa regolarmente come relatore a conferenze internazionali di settore. Si è laureato in ingegneria informatica presso l'Università di Bogazici e ha conseguito un MBA presso la Columbia Business School.

Visualizza il profilo completo

Ricercato da

Sıla Ermut

Analista di settore

Segui

Sıla Ermut è un'analista di settore presso AIMultiple, specializzata in email marketing e video di vendita. In precedenza, ha lavorato come reclutatrice in società di project management e consulenza. Sıla ha conseguito un Master in Psicologia Sociale e una laurea in Relazioni Internazionali.

Visualizza il profilo completo

Sii il primo a commentare

Il tuo indirizzo email non verrà pubblicato. Tutti i campi sono obbligatori. I commenti vengono lasciati nella loro lingua originale.

Nome

Indirizzo e-mail

Commento

0/450

Pubblica un commento