Sistema de Recomendaciones

Nosotros los usuarios de aplicaciones y de la web hoy en día exigimos experiencias personalizadas. Esperamos que las aplicaciones, los sitios de noticias, las redes sociales y las tiendas en línea con las que nos relacionamos recuerden quiénes somos y en qué estamos interesados, y que hagan recomendaciones relevantes, individualizadas y precisas sobre nuevos contenidos y productos basados en nuestras actividades anteriores. Cualquier aplicación o sitio web que no cumpla con estas demandas verá rápidamente a sus usuarios salir a flote por la puerta digital.

¿Qué es el Sistema de Recomendaciones de Producto?

Un Sistema de Recomendación de productos es una herramienta de software diseñada para generar y proporcionar sugerencias de artículos o contenidos que un usuario específico desea comprar o con los que desea participar. Utilizando técnicas de Machine Learning y varios datos sobre productos individuales y usuarios individuales, el sistema crea una red avanzada de conexiones complejas entre esos productos y esas personas.

Hay tres tipos básicos de conexión que un Sistema de Recomendación de productos crea:

  • Relación usuario-producto: basadas en las preferencias individuales de los usuarios.
  • Relación usuario-usuario: basadas en personas similares, es decir, personas de edad, antecedentes, etc. que son similares entre sí, que probablemente tengan preferencias de productos similares.
  • Relaciones producto-producto: basadas en productos similares o complementarios, por ejemplo, impresoras y cartuchos de tinta, que pueden clasificarse en grupos relevantes.

Los Sistemas de Recomendación de productos comparan y clasifican estas conexiones, y recomiendan productos o contenido en consecuencia.

¿Cuáles son los diferentes tipos de recomendaciones?

Existen varios tipos de Sistemas de Recomendación de productos, cada uno basado en diferentes algoritmos de Machine Learning que se utilizan para llevar acabo el proceso de filtrado de datos. Las categorías principales son las siguientes:

Modelo de Popularidad

Este es el más básico y sencillo de todos los modelos, y no es considerado oficialmente dentro de un Sistema de Recomendaciones. Las recomendaciones se basan en el número de visitas, gustos, valoraciones o compras. Los artículos más populares de la plataforma se recomiendas a todos los usuarios. La limitación de este modelo es que es unidimensional, es decir, las recomendaciones son las mismas para todos los usuarios, por esta razón no se considera dentro de los Sistemas de Recomendaciones.

Métodos de Filtrado de Colaboración

Este método se encuentra dividido en dos, el enfoque basado en la memoria y basado en el modelo.

Enfoque basado en la memoria: este es un modelo colaborativo usuario-usuario e ítem-ítem. Se recoge información sobre los usuarios o ítems para encontrar usuarios o ítems similares. Las recomendaciones fluyen en base a las interacciones de un usuario de la plataforma con otro usuario similar o las interacciones entre un ítem y otro ítem similar. La limitación de este modelo es que el rendimiento del sistema se ralentiza a medida que la base de usuarios o ítems crece.

Enfoque basado en el modelo: este modelo se basa en la relación usuario-ítem. Acá se construye un modelo basado en las interacciones observadas entre el usuario y el elemento.

Métodos basados en el Contenido

La idea de los métodos basados en el contenido es muy parecida al enfoque basado usuario-ítem la diferencia es que acá se toma en cuenta las características propias del usuario o del ítem para construir un modelo mucho más robusto.

Métodos Híbridos

Como su nombre lo indica, este modelo combina dos o más técnicas de filtrado y contenido para lograr un mejor rendimiento. Por lo general, la combinación de ambos se realiza en enfoques por capas, ponderados, conmutados, mixtos y en cascada para lograr los resultados deseados. La ventaja de este modelo es que es más potente, más estable y más relevante que los otros modelos.

¿Cómo se construye un Sistema de Recomendación?

Para construir un Sistema de Recomendación de Productos, lo primero que se necesita son datos, datos relativos a los productos en venta, sus características específicas, precios, etc. así como datos sobre los usuarios o clientes.

Cuantos más datos se recopile, mejor. Se necesitan datos demográficos y de comportamiento para construir un sistema sólido de recomendación de productos. Los datos de comportamiento se recopilan de forma explícita, es decir, los usuarios proporcionan la información de forma intencionada, por ejemplo, dejando una reseña o clasificación de un producto, o implícita. Los datos implícitos son información que no es proporcionada intencionadamente por el usuario, sino que se obtiene a partir de los flujos de datos disponibles, como el historial de búsqueda, los clics, el historial de pedidos y otras actividades.

Una vez que los datos han sido recogidos y almacenados, deben ser filtrados con el fin de extraer la información relevante requerida para hacer recomendaciones relevantes y personalizadas.

¿Cuáles son los beneficios de la implementación de un Sistema de Recomendación?

Como usuarios de internet, todos interactuamos con los Sistemas de Recomendación de productos casi todos los días, durante las búsquedas en Google, cuando usamos servicios de transmisión de películas o música, cuando compramos en línea, cuando navegamos en los medios sociales y cuando usamos cosas como aplicaciones de citas.

Como tal, los Sistemas de Recomendación de productos son una de las aplicaciones más exitosas y extendidas de Machine Learning en la empresa. Cuando se configuran correctamente, pueden aumentar significativamente las ventas, los ingresos, las tasas de clics, las conversiones y otras métricas importantes. Esto se debe a que la personalización de las recomendaciones de productos o contenidos a las preferencias de un usuario en particular crea un efecto positivo en la experiencia del usuario. Y esto, a su vez, se traduce en métricas que son más difíciles de medir: satisfacción del cliente, lealtad, afinidad con la marca, etc. aunque son de gran importancia para los negocios en línea.

Investigaciones recientes revelan que las recomendaciones de productos pueden llevar a un aumento del 70% en las tasas de compra, tanto en la sesión inicial como en las sesiones de devolución, y un 33% más de valor promedio de los pedidos. Otro estudio reveló que los compradores que hacen clic en las recomendaciones de productos tienen tasas de cesta 4,5 veces más altas, obtienen 4,8 veces más vistas de productos por visita y tienen un gasto 5 veces mayor por visita.

¿Cuáles son los desafíos comunes al construir los Sistemas de Recomendación?

Los Sistemas de Recomendación de productos se enfrentan a ciertos retos en su despliegue para ser eficaces. Consideremos lo que son, y cómo pueden ser superados.

Arranque en frío

Hay dos categorías distintas del problema del arranque en frío: el arranque en frío del producto y el arranque en frío del usuario. El problema de arranque en frío del usuario se refiere al hecho de que cuando los nuevos usuarios entran en un sitio web o aplicación por primera vez, el sistema no tiene información sobre ellos o sus preferencias, y por lo tanto no recomienda nada. Del mismo modelo, los nuevos productos no tienen comentarios, gustos, clics u otros éxitos entre los usuarios, por lo que no se pueden hacer recomendaciones.

Una solución al problema de arranque en frío del usuario consiste en aplicar una estrategia basada en la popularidad. Los productos de tendencias pueden recomendarse al nuevo usuario en las primeras etapas, y la selección puede reducirse en función de la información contextual: su ubicación, el sitio de procedencia del visitante, el dispositivo del usuario, etc. La información sobre el comportamiento se activa después de unos pocos clics durante la primera visita, y comienza a acumularse a partir de ahí.

Cuando se trata del problema del arranque en frío del producto, el filtrado basado en el contenido suele ser la solución. El Sistema de Recomendación de productos puede utilizar metadatos sobre el nuevo producto al crear recomendaciones.

¿Qué empresas importantes utilizan los Sistemas de Recomendación?

En este punto ya hemos cubierto la terminología y algunos de los beneficios básicos sobre los Sistemas de Recomendaciones, ahora exploraremos las aplicaciones de los motores de recomendación en empresas grandes y bien conocidas.

Netflix

Netflix utiliza la diversidad personalizada de los Sistemas de Recomendaciones para generar las 10 mejores recomendaciones para los hogares de los usuarios, de modo que puede ofrecer vídeos que pueden interesar a cada miembro del hogar. La empresa también se centra en la concientización y la promoción de la confianza para ayudar a desarrollar su enfoque personalizado. Netflix implementa estas estrategias explicando por qué hace recomendaciones en video y animando a los miembros a dar su opinión, para que no se pierda ninguna oportunidad de personalizar.

Spotify

Posiblemente uno de los usos más innovadores de Spotify con la Inteligencia Artificial y los Sistemas de Recomendaciones es su popular lista de reproducción Discover Weekly. Esta herramienta algorítmica actualiza semanalmente las listas de reproducción personales para que los usuarios no se pierdan la música recién lanzada por los artistas que les gusta.

El sistema observa las más de 2.000 millones de listas de reproducción creadas por los usuarios, cada una de ellas basada en los gustos individuales de los aficionados a la música. Spotify coteja esta información con las listas de reproducción de la empresa y rellena los espacios en blanco comparando los hábitos de escucha de un usuario con los de otros usuarios con gustos similares. El enfoque también utiliza el filtrado colaborativo en combinación de Deep Learning para detectar patrones dentro de una gran cantidad de datos para mejorar las selecciones semanales.

Youtube

La comunidad de videos en línea de YouTube utiliza el Sistema de Recomendaciones para crear recomendaciones personalizadas para que los usuarios puedan encontrar rápida y fácilmente vídeos que sean relevantes para sus intereses.

El Sistema de Recomendaciones está compuesto por dos redes neuronales. El primero recoge y recopila información sobre el historial de vistas de los usuarios y utiliza el filtrado colaborativo para seleccionar cientos de videos. Este proceso, conocido como generación de candidatos, utilizar la retroalimentación de los usuarios para capacitar al modelo. La segunda red neuronal clasifica los vídeos seleccionados para hacer recomendaciones a los usuarios.

Amazon

Amazon utiliza las recomendaciones como una herramienta de marketing dirigido a través de su sitio web. Cuando un cliente hace clic en sus recomendaciones, el enlace lleva a otra página donde las recomendaciones pueden filtrarse aún más por área temática, tipo de producto y clasificación de productos y compras anteriores. El cliente puede incluso ver por qué se ha recomendado un producto en particular.

En este caso, el filtrado colaborativo no se limita a hacer coincidir cada uso con clientes similares. El ítem a ítem conecta la compra de cada usuario con artículos similares y compila una lista de recomendaciones a partir de ellos.

Las empresas de muchas áreas diferentes están comenzando a implementar Sistemas de Recomendación en un intento de mejorar la experiencia de compra en línea de sus clientes, aumentar las ventas y retener a los clientes. Los dueños de negocios están reconociendo el potencial en el hecho de que los Sistemas de Recomendación permiten la recolección de una gran cantidad de información relacionada con el comportamiento de los usuarios y sus transacciones dentro de una empresa. Esta información puede almacenarse sistemáticamente en los perfiles de usuario para ser utilizada en futuras interacciones.

Además de mejorar la experiencia del cliente, la información recopilada a partir de un Sistema de Recomendación también puede utilizarse como herramienta de orientación de anuncios. Al integrar un Sistema de Recomendación con intercambios de anuncios, una empresa puede tener capacidad de dirigir a otros usuarios del sitio web con productos que les han gustado en el sitio web de la empresa.

A medida que más y más productos están disponibles en línea, los motores de recomendación son cruciales para el futuro del comercio electrónico. No solo porque ayudan a aumentar las ventas y las interacciones con los clientes, sino también porque continuarán ayudando a las empresas a reducir su inventario para que puedan suministrar a los clientes productos que realmente les gustan.

Si te parece interesante esta información y quieres profundizar tus conocimientos dentro de esta área de manera teórica tengo un curso dedicado completamente a este contenido, si quieres obtener más información ingresa a este link.

Con esto finalizamos la explicación de este video. Sabiendo lo aprendido acá, te dejo la siguiente pregunta, ¿Cuáles de las siguientes afirmaciones crees tú que sea cierta?

Opción 1: Entre los datos que se recolecta para un Sistema de Recomendaciones están las visitas que realiza el usuario a un producto en particular.

Respuesta Correcta. Conociendo esta información el Sistema de Recomendaciones aprende los gustos que tiene cada usuario.

Opción 2: El dejar una mala calificación a una película de Netflix no le indicas nada al algoritmo del Sistema de Recomendaciones.

Respuesta Incorrecta. Esta información es muy útil para conocer los gustos de los usuarios.

Opción 3: Si Amazon te recomiendan un producto que otro usuario allá comprado es una recomendación usuario-usuario.

Respuesta Correcta.

Deja en los comentarios cuál crees que sea la opción correcta. Puede ser una o más respuestas las correctas.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *