Nosotros los usuarios de aplicaciones y de la web hoy en d铆a exigimos experiencias personalizadas. Esperamos que las aplicaciones, los sitios de noticias, las redes sociales y las tiendas en l铆nea con las que nos relacionamos recuerden qui茅nes somos y en qu茅 estamos interesados, y que hagan recomendaciones relevantes, individualizadas y precisas sobre nuevos contenidos y productos basados en nuestras actividades anteriores. Cualquier aplicaci贸n o sitio web que no cumpla con estas demandas ver谩 r谩pidamente a sus usuarios salir a flote por la puerta digital.

驴Qu茅 es el Sistema de Recomendaciones de Producto?

Un Sistema de Recomendaci贸n de productos es una herramienta de software dise帽ada para generar y proporcionar sugerencias de art铆culos o contenidos que un usuario espec铆fico desea comprar o con los que desea participar. Utilizando t茅cnicas 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.

Curso Te贸rico-Pr谩ctico: Machine Learning para no programadores

Hay tres tipos b谩sicos de conexi贸n que un Sistema de Recomendaci贸n de productos crea:

  • Relaci贸n usuario-producto: basadas en las preferencias individuales de los usuarios.
  • Relaci贸n usuario-usuario: basadas en personas similares, es decir, personas de edad, antecedentes, etc. que son similares entre s铆, 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.
aprende f谩cilmente inteligencia artificial - newsletter

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

驴Cu谩les son los diferentes tipos de recomendaciones?

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

Modelo de Popularidad

Este es el m谩s b谩sico y sencillo de todos los modelos, y no es considerado oficialmente dentro de un Sistema de Recomendaciones. Las recomendaciones se basan en el n煤mero de visitas, gustos, valoraciones o compras. Los art铆culos m谩s populares de la plataforma se recomiendas a todos los usuarios. La limitaci贸n de este modelo es que es unidimensional, es decir, las recomendaciones son las mismas para todos los usuarios, por esta raz贸n no se considera dentro de los Sistemas de Recomendaciones.

M茅todos de Filtrado de Colaboraci贸n

Este m茅todo 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 铆tem-铆tem. Se recoge informaci贸n sobre los usuarios o 铆tems para encontrar usuarios o 铆tems similares. Las recomendaciones fluyen en base a las interacciones de un usuario de la plataforma con otro usuario similar o las interacciones entre un 铆tem y otro 铆tem similar. La limitaci贸n de este modelo es que el rendimiento del sistema se ralentiza a medida que la base de usuarios o 铆tems crece.

Curso Te贸rico-Pr谩ctico:Generaci麓贸n de Texto con Inteligencia Artificial

Enfoque basado en el modelo: este modelo se basa en la relaci贸n usuario-铆tem. Ac谩 se construye un modelo basado en las interacciones observadas entre el usuario y el elemento.

M茅todos basados en el Contenido

La idea de los m茅todos basados en el contenido es muy parecida al enfoque basado usuario-铆tem la diferencia es que ac谩 se toma en cuenta las caracter铆sticas propias del usuario o del 铆tem para construir un modelo mucho m谩s robusto.

M茅todos H铆bridos

Como su nombre lo indica, este modelo combina dos o m谩s t茅cnicas de filtrado y contenido para lograr un mejor rendimiento. Por lo general, la combinaci贸n 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 m谩s potente, m谩s estable y m谩s relevante que los otros modelos.

驴C贸mo se construye un Sistema de Recomendaci贸n?

Para construir un Sistema de Recomendaci贸n de Productos, lo primero que se necesita son datos, datos relativos a los productos en venta, sus caracter铆sticas espec铆ficas, precios, etc. as铆 como datos sobre los usuarios o clientes.

Cuantos m谩s datos se recopile, mejor. Se necesitan datos demogr谩ficos y de comportamiento para construir un sistema s贸lido de recomendaci贸n de productos. Los datos de comportamiento se recopilan de forma expl铆cita, es decir, los usuarios proporcionan la informaci贸n de forma intencionada, por ejemplo, dejando una rese帽a o clasificaci贸n de un producto, o impl铆cita. Los datos impl铆citos son informaci贸n que no es proporcionada intencionadamente por el usuario, sino que se obtiene a partir de los flujos de datos disponibles, como el historial de b煤squeda, 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 informaci贸n relevante requerida para hacer recomendaciones relevantes y personalizadas.

驴Cu谩les son los beneficios de la implementaci贸n de un Sistema de Recomendaci贸n?

Como usuarios de internet, todos interactuamos con los Sistemas de Recomendaci贸n de productos casi todos los d铆as, durante las b煤squedas en Google, cuando usamos servicios de transmisi贸n de pel铆culas o m煤sica, cuando compramos en l铆nea, cuando navegamos en los medios sociales y cuando usamos cosas como aplicaciones de citas.

Como tal, los Sistemas de Recomendaci贸n de productos son una de las aplicaciones m谩s 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 m茅tricas importantes. Esto se debe a que la personalizaci贸n 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 m茅tricas que son m谩s dif铆ciles de medir: satisfacci贸n del cliente, lealtad, afinidad con la marca, etc. aunque son de gran importancia para los negocios en l铆nea.

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

驴Cu谩les son los desaf铆os comunes al construir los Sistemas de Recomendaci贸n?

Los Sistemas de Recomendaci贸n de productos se enfrentan a ciertos retos en su despliegue para ser eficaces. Consideremos lo que son, y c贸mo pueden ser superados.

Arranque en fr铆o

Hay dos categor铆as distintas del problema del arranque en fr铆o: el arranque en fr铆o del producto y el arranque en fr铆o del usuario. El problema de arranque en fr铆o del usuario se refiere al hecho de que cuando los nuevos usuarios entran en un sitio web o aplicaci贸n por primera vez, el sistema no tiene informaci贸n 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 茅xitos entre los usuarios, por lo que no se pueden hacer recomendaciones.

Una soluci贸n al problema de arranque en fr铆o 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 selecci贸n puede reducirse en funci贸n de la informaci贸n contextual: su ubicaci贸n, el sitio de procedencia del visitante, el dispositivo del usuario, etc. La informaci贸n sobre el comportamiento se activa despu茅s de unos pocos clics durante la primera visita, y comienza a acumularse a partir de ah铆.

Cuando se trata del problema del arranque en fr铆o del producto, el filtrado basado en el contenido suele ser la soluci贸n. El Sistema de Recomendaci贸n de productos puede utilizar metadatos sobre el nuevo producto al crear recomendaciones.

驴Qu茅 empresas importantes utilizan los Sistemas de Recomendaci贸n?

En este punto ya hemos cubierto la terminolog铆a y algunos de los beneficios b谩sicos sobre los Sistemas de Recomendaciones, ahora exploraremos las aplicaciones de los motores de recomendaci贸n 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 v铆deos que pueden interesar a cada miembro del hogar. La empresa tambi茅n se centra en la concientizaci贸n y la promoci贸n de la confianza para ayudar a desarrollar su enfoque personalizado. Netflix implementa estas estrategias explicando por qu茅 hace recomendaciones en video y animando a los miembros a dar su opini贸n, para que no se pierda ninguna oportunidad de personalizar.

Spotify

Posiblemente uno de los usos m谩s innovadores de Spotify con la Inteligencia Artificial y los Sistemas de Recomendaciones es su popular lista de reproducci贸n Discover Weekly. Esta herramienta algor铆tmica actualiza semanalmente las listas de reproducci贸n personales para que los usuarios no se pierdan la m煤sica reci茅n lanzada por los artistas que les gusta.

El sistema observa las m谩s de 2.000 millones de listas de reproducci贸n creadas por los usuarios, cada una de ellas basada en los gustos individuales de los aficionados a la m煤sica. Spotify coteja esta informaci贸n con las listas de reproducci贸n de la empresa y rellena los espacios en blanco comparando los h谩bitos de escucha de un usuario con los de otros usuarios con gustos similares. El enfoque tambi茅n utiliza el filtrado colaborativo en combinaci贸n de Deep Learning para detectar patrones dentro de una gran cantidad de datos para mejorar las selecciones semanales.

Youtube

La comunidad de videos en l铆nea de YouTube utiliza el Sistema de Recomendaciones para crear recomendaciones personalizadas para que los usuarios puedan encontrar r谩pida y f谩cilmente v铆deos que sean relevantes para sus intereses.

El Sistema de Recomendaciones est谩 compuesto por dos redes neuronales. El primero recoge y recopila informaci贸n sobre el historial de vistas de los usuarios y utiliza el filtrado colaborativo para seleccionar cientos de videos. Este proceso, conocido como generaci贸n de candidatos, utilizar la retroalimentaci贸n de los usuarios para capacitar al modelo. La segunda red neuronal clasifica los v铆deos seleccionados para hacer recomendaciones a los usuarios.

Amazon

Amazon utiliza las recomendaciones como una herramienta de marketing dirigido a trav茅s de su sitio web. Cuando un cliente hace clic en sus recomendaciones, el enlace lleva a otra p谩gina donde las recomendaciones pueden filtrarse a煤n m谩s por 谩rea tem谩tica, tipo de producto y clasificaci贸n de productos y compras anteriores. El cliente puede incluso ver por qu茅 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 铆tem a 铆tem conecta la compra de cada usuario con art铆culos similares y compila una lista de recomendaciones a partir de ellos.

Las empresas de muchas 谩reas diferentes est谩n comenzando a implementar Sistemas de Recomendaci贸n en un intento de mejorar la experiencia de compra en l铆nea de sus clientes, aumentar las ventas y retener a los clientes. Los due帽os de negocios est谩n reconociendo el potencial en el hecho de que los Sistemas de Recomendaci贸n permiten la recolecci贸n de una gran cantidad de informaci贸n relacionada con el comportamiento de los usuarios y sus transacciones dentro de una empresa. Esta informaci贸n puede almacenarse sistem谩ticamente en los perfiles de usuario para ser utilizada en futuras interacciones.

Adem谩s de mejorar la experiencia del cliente, la informaci贸n recopilada a partir de un Sistema de Recomendaci贸n tambi茅n puede utilizarse como herramienta de orientaci贸n de anuncios. Al integrar un Sistema de Recomendaci贸n 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 m谩s y m谩s productos est谩n disponibles en l铆nea, los motores de recomendaci贸n son cruciales para el futuro del comercio electr贸nico. No solo porque ayudan a aumentar las ventas y las interacciones con los clientes, sino tambi茅n porque continuar谩n 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 informaci贸n y quieres profundizar tus conocimientos dentro de esta 谩rea de manera te贸rica tengo un curso dedicado completamente a este contenido, si quieres obtener m谩s informaci贸n ingresa a este link.

Con esto finalizamos la explicaci贸n de este video. Sabiendo lo aprendido ac谩, te dejo la siguiente pregunta, 驴Cu谩les de las siguientes afirmaciones crees t煤 que sea cierta?

Opci贸n 1: Entre los datos que se recolecta para un Sistema de Recomendaciones est谩n las visitas que realiza el usuario a un producto en particular.

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

Opci贸n 2: El dejar una mala calificaci贸n a una pel铆cula de Netflix no le indicas nada al algoritmo del Sistema de Recomendaciones.

Respuesta Incorrecta. Esta informaci贸n es muy 煤til para conocer los gustos de los usuarios.

Opci贸n 3: Si Amazon te recomiendan un producto que otro usuario all谩 comprado es una recomendaci贸n usuario-usuario.

Respuesta Correcta.

Deja en los comentarios cu谩l crees que sea la opci贸n correcta. Puede ser una o m谩s respuestas las correctas.

2 comentarios en “Sistema de Recomendaciones”

Deja un comentario

Tu direcci贸n de correo electr贸nico no ser谩 publicada.