¡Sabemos lo que te gusta! Ventajas de los sistemas de recomendación en los negocios

Cuando las personas compran, compran productos que les gustan o que otros les recomiendan, porque confían en su opinión. En la era digital actual, las tiendas en línea ofrecen cientos de miles de productos a sus clientes. Para ayudarlos a buscar entre estos productos y comprar el más adecuado, las tiendas en línea utilizan sistemas de recomendación.

Además, los proveedores de contenido (por ejemplo, música, películas) y los servicios de redes sociales utilizan sistemas de recomendación para administrar el contenido y crear recomendaciones efectivas para los usuarios.

En pocas palabras, los sistemas de recomendación actúan como una forma automatizada de asistente del cliente que no solo muestra el producto que solicitó, sino que también muestra los que están relacionados de alguna manera o que también le pueden gustar. Se encuentran entre las tecnologías de aprendizaje automático más populares utilizadas en los negocios para personalizar el contenido para los clientes.

¿Cuáles son los beneficios de los Sistemas de Recomendación?

El objetivo más obvio de un sistema de recomendación es recomendar productos relevantes al usuario . Steve Jobs dijo: “Muchas veces, la gente no sabe lo que quiere hasta que se lo muestras” [1]. Haciendo referencia a las palabras de Job, podemos decir que uno de los objetivos secundarios de un sistema de recomendación es mostrar a los usuarios productos que no han visto en el pasado y que les pueden gustar. Hacer coincidir bien las recomendaciones puede ayudar a mejorar la satisfacción general del usuario , lo que hace que sea más probable que el consumidor vuelva a usar el sitio web o la aplicación.

Uno de los usuarios más conocidos y pioneros de los sistemas de recomendación es Amazon.com. Amazon utiliza recomendaciones para personalizar la tienda en línea para cada cliente, lo que genera el 35 % de los ingresos de Amazon [2].

Otro ejemplo famoso de un sistema de recomendación es el algoritmo que utiliza Netflix. Según McKinsey, el 75 % de lo que ven los usuarios en Netflix proviene de recomendaciones de películas [3]. En el artículo “ The Netflix Recommender System: Algorithms, Business Value, and Innovation ” [4] escrito por los ejecutivos de Netflix (Carlos A. Gomez-Uribe y Neil Hunt), los autores afirman que el sistema de recomendación le ahorra a la empresa alrededor de $ 1 mil millones cada año.

Según Spotify, la implementación del nuevo algoritmo de recomendación ha ayudado a aumentar su número de usuarios mensuales de 75 millones a 100 millones [5].

¿Qué tipo de datos utilizan los sistemas de recomendación?

El elemento más importante en la construcción de un Sistema de Recomendación son los datos. Hay tres tipos de datos: datos explícitos, datos implícitos y descripción del producto.

Los datos explícitos generalmente tienen la forma de un número (por ejemplo, calificaciones de 5 estrellas) que un usuario otorga a un producto. Ejemplos de datos explícitos son las calificaciones de los productos dadas por los clientes en Amazon o las calificaciones de los cursos de los usuarios en la plataforma de aprendizaje de Udemy. Este tipo de datos es difícil de recopilar porque requiere información adicional de los usuarios, por lo que lleva más tiempo obtener un grupo de calificaciones lo suficientemente amplio como para crear un modelo de aprendizaje automático útil.

Los datos implícitos son fáciles de recopilar. Es cualquier dato centrado en cómo el usuario interactúa con los productos/contenidos disponibles. El principal problema con este tipo de datos es cómo convertir el comportamiento del usuario en preferencias del usuario. Pero hay maneras eficientes de hacerlo. Ejemplos de datos implícitos son la cantidad de veces que se reproduce una canción en Spotify, la cantidad de clics en enlaces de productos o el historial de compras en Amazon.

El último tipo de datos es la descripción del producto . Debido a que este tipo de datos a menudo no está estructurado (por ejemplo, tiene forma de texto libre), necesitamos implementar algún procesamiento previo adicional para extraer la información relevante y ponerla en forma estructurada. Ejemplos de descripciones de productos son una lista del elenco de una película en Netflix, un compositor en Spotify o la descripción del producto en Amazon.

¿Qué tipos de Sistemas de Recomendación existen?

Una vez que se han recopilado los datos, podemos comenzar a construir un Sistema de recomendación. Hay cuatro tipos principales:

Basado en la popularidad

El tipo más sencillo de sistema de recomendación se basa en la popularidad del artículo. Este sistema calcula las calificaciones de los productos utilizando datos explícitos o implícitos. A continuación, puede encontrar dos ejemplos de sistemas de recomendación basados ​​en la popularidad para un proveedor de películas:

• usando datos explícitos : sugiere películas populares basadas en el promedio de las calificaciones de 5 estrellas de los usuarios,
• utilizando datos implícitos : sugiere películas populares en función de la cantidad de veces que los usuarios las reprodujeron.

Las ventajas más importantes de los sistemas de recomendación basados ​​en la popularidad son:

• Es resistente al arranque en frío por parte del usuario . El sistema puede sugerir productos sin ninguna información sobre el usuario.
• Se puede utilizar en entornos con un número reducido de usuarios.

La desventaja más importante es:

• Cada usuario tiene la misma lista de recomendaciones.
• Problema de arranque en frío del artículo. El sistema no puede proponer un elemento que nunca haya sido seleccionado o una calificación de otros usuarios antes.  

Filtrado basado en contenido

Los métodos de filtrado basados ​​en el contenido se basan en las descripciones de los productos y las preferencias del usuario. Este tipo de sistema recomienda productos similares a los productos que le han gustado al usuario en el pasado. Este tipo de sistema de recomendación se basa en tres pasos:

1. Analizador de descripción de productos : en este paso, las descripciones de productos se analizan mediante una técnica de extracción de características para transformar las descripciones originales en un vector de artículos. Utilizando vectores de artículos, el sistema calcula las similitudes entre los productos.
2. Analizador de perfil de usuario : en el segundo paso, el sistema recopila las preferencias del usuario, los datos del historial del usuario y construye el perfil del usuario que está representado por el vector del usuario. Las funciones descritas en el vector de usuario son las mismas que las funciones en los vectores de elementos.
3. Filtrado de componentes : en el último paso, el sistema elige recomendaciones basadas en el usuario y los vectores de elementos (por ejemplo, utilizando la similitud del coseno).

Las ventajas del filtrado basado en contenido son:

• Ningún problema de arranque en frío del artículo. El sistema puede recomendar productos antes de que los usuarios los prueben.
• es adaptativo Captura los cambios en los intereses de los usuarios .
• Los elementos recomendados para un usuario no dependen de otros usuarios.
• Recomienda productos impopulares .

Las desventajas de esta solución son:

• La información del producto es necesaria.
• Problema de arranque en frío del usuario. El sistema no puede producir recomendaciones cuando no hay suficiente información para construir un perfil de usuario.

Filtración colaborativa

En el filtrado colaborativo, el sistema analiza la información sobre las preferencias, el comportamiento y las actividades de todos los usuarios para predecir lo que le puede gustar. En pocas palabras, el sistema recomienda artículos que les gustan a otros usuarios con gustos y comportamientos similares. La suposición principal de este método es que a las personas a las que les gustaban productos similares en el pasado también les gustarán productos similares en el futuro.

Las ventajas más importantes del filtrado colaborativo son:

• No se requiere que el contenido del producto sea entendido o descrito de ninguna manera ni por el creador del sistema ni por el propio sistema . Esto significa que el sistema puede recomendar productos sin ningún análisis del producto en sí.
• es adaptativo El sistema captura los cambios en los intereses de los usuarios .

Las desventajas más importantes son:

• Problema de arranque en frío del usuario. El sistema no puede recomendar productos a nuevos usuarios que aún no hayan tenido ninguna interacción.
• Problema de arranque en frío del artículo . El sistema tampoco puede recomendar un artículo que los usuarios nunca seleccionaron antes.

Híbrido

Los sistemas híbridos de recomendación combinan métodos colaborativos y basados ​​en contenido . Esta solución puede ser más eficaz en la práctica que cualquiera de los dos métodos por separado.

Se utiliza un sistema híbrido en Netflix , donde las recomendaciones de películas son el resultado de comparar los hábitos de visualización de usuarios similares (filtrado colaborativo) y encontrar películas que tienen características similares a las películas que le han gustado al usuario en el pasado (filtrado basado en contenido) .

Resumen

Hoy en día, cada vez más empresas en línea utilizan sistemas de recomendación para aumentar la interacción del usuario con los servicios que brindan. Los sistemas de recomendación son soluciones eficientes de aprendizaje automático que pueden ayudar a aumentar la satisfacción del cliente y la retención de usuarios, y generar un aumento significativo en los ingresos de su negocio.

¿Interesado en los sistemas de recomendación?

¿Está interesado en implementar una solución basada en IA, como los sistemas de recomendación, en su estrategia comercial? Si es así, has venido al lugar correcto. Póngase en contacto con nuestro equipo para discutir su idea y obtener una cotización en 48 horas.

Fuentes

[1] Edson, J., 2012. Diseñe como Apple: siete principios para crear productos, servicios y experiencias increíbles. John Wiley & Sons. págs. 47

[2] Jones, SS y Groom, FM eds., 2019. Inteligencia artificial y aprendizaje automático para empresas para personas que no son ingenieros . CRC Press, págs. 86

[3] Alex Castrounis, 2019. IA para personas y empresas. Un marco para mejores experiencias humanas y éxito empresarial . (libro electronico)

[4] Gómez-Uribe, CA y Hunt, N., 2015. El sistema de recomendación de Netflix: algoritmos, valor comercial e innovación . ACM Transactions on Management Information Systems (TMIS), 6(4), pp.1-19.

[5] Leonard, D, 2016. Spotify está perfeccionando el arte de la lista de reproducción en Bloomberg Businessweek