Ventaja competitiva de tener un sistema de recomendación

Biblioteca-machine-learning

Ventaja competitiva de tener un sistema de recomendación

Imagina esta situación: has estado muy ocupado y hace meses que no lees un libro. Te gustaría recuperar el hábito lector, pero la verdad es que estás sin ideas. Así que:

1- Escribes a una amiga con la que compartes gustos, para saber qué ha pasado por sus manos últimamente.

2- Controlas tres o cuatro autores que no te suelen fallar, así que echas un vistazo en Internet para ver si han sacado algo nuevo.

3- Te apetece que te sorprendan, por lo que decides elegir (casi al azar) entre el top five que viene en el periódico del fin de semana.

Ahora imagina que tienes un asistente-librero que valora, de forma conjunta, los gustos de personas afines a ti y las características de tus lecturas más apreciadas. También le añade la medida justa de novedad y sorpresa para seleccionar, de entre todos los posibles, el libro que justo te apetece leer en este momento. ¿Suena bien, no?

Quizás pienses que este recomendador de libros elimina uno de los grandes placeres de los aficionados a la lectura: aproximarse a un posible objetivo, sopesarlo, leer la contraportada, las reseñas, etc. Pero resulta que los datos dicen que, si te fías de él, aciertas más. Además, con su asistencia, puedes descubrir títulos y autores en los que nunca habrías reparado.

Este ejemplo pretende servir de introducción a los sistemas de recomendación y los distintos enfoques que usan para hacernos la vida más fácil.

 

¿Para qué sirve un sistema de recomendación?

 

El objetivo de un sistema de recomendación es servir dinámicamente contenido personalizado (libros, películas, páginas, productos, anuncios, etc.) a los usuarios, en base a su perfil, preferencias o intereses.

Los sistemas de recomendación son una de las formas más comunes de personalización. Aunque su origen se remonta a varias décadas atrás, es ahora, con la democratización de las técnicas de Machine Learning que aportan las soluciones Cloud y el auge del People-Based marketing, cuando muchas empresas están apostando decididamente por esta disciplina.

Es el caso de negocios nacidos online, como Amazon, Netflix, Spotify, LinkedIn o Facebook, y, por supuesto, e-retailers que quieren potenciar el cross-selling y dar vida a su catálogo de productos.

El objetivo final es ofrecer al usuario lo que está buscando, incluso antes de que él mismo lo sepa, ahorrándole tiempo y ofreciéndole una experiencia única.

 

¿Cómo se construyen las recomendaciones?

 

Las recomendaciones pueden basarse en las preferencias del usuario, en su perfil sociodemográfico o de cliente, en las características de los productos y objetos a recomendar, etc.

Siguiendo a Mobasher, podemos establecer cuatro enfoques principales:

1- Filtrado colaborativo: las recomendaciones a un usuario se basan en las preferencias de “usuarios similares”. En el ejemplo inicial, la persona recurre a una amiga con la que comparte gustos. Es parecido a cuando Facebook te recomienda enlazar a los amigos de tus amigos. Y también a cuando los AdServer buscan cookies a las que mostrar publicidad que les resulte relevante mediante modelos look-alike.

2- Filtrado basado en contenido: las recomendaciones a un usuario se basan en sus propias preferencias, buscando “elementos similares” a aquellos por los que ha mostrado interés. En este caso, lo que se busca es un libro parecido a otro que se ha leído, por ejemplo, por pertenecer al mismo autor. También podría ser del mismo género literario o ambientado en una determinada época histórica. De esta misma forma te anima Amazon a añadir a la cesta productos similares a aquéllos que estás buscando.

3- Filtrado basado en reglas: las recomendaciones se basan en reglas previamente definidas como, por ejemplo, en características sociodemográficas. Cuando regalamos libros a niños o adolescente nos fijamos mucho en la edad recomendada. De manera similar, muchos bancos y aseguradoras online personalizan banners y otros elementos de acuerdo al segmento de cliente: jóvenes, pensionistas, autónomos, etc.

4- Enfoques mixtos: combinan diferentes enfoques. Por ejemplo, pueden basarse en las preferencias de usuarios de gustos similares dentro de un determinado segmento de cliente, o en las preferencias de usuarios respecto a productos de una determinada categoría. Un gran ejemplo serían los Daily Mix de Spotify. Ellos saben que quizás te va el heavy español, pero que cuando te preparas para salir de fiesta no le haces ascos a un poco de reggaetón. ¿Te imaginas una lista de reproducción con semejante batiburrillo de estilos musicales? En lugar de esto, tienes tres, cuatro o cinco listas diferentes, actualizadas diariamente en base a tus preferencias de escucha. Spotify no quiere que estés ni un solo minuto sin música, así que, incluso cuando construyes tus propias listas, tiene canciones preparadas por si se te acaban las ideas. Es un ejemplo claro de cómo estos sistemas de recomendación de nueva generación juegan un papel fundamental en la alineación de los objetivos del cliente y del negocio.

Y tú, como empresa o como cliente, ¿qué opinas de las recomendaciones?

 

 

 

 

No hay comentarios

Envíanos tu comentario

18 + Doce =

¡Suscríbete a nuestra newsletter mensual Stay Sharp!

Para más información

CONTÁCTANOS