Smartup: Agencia de Marketing Digital y Big Data
Big Data & Analytics Casos de Éxito Comercio Electrónico Inbound Marketing Influencers Listening
Marketing Digital Publicidad Online SEO Smartup
Big Data & Analytics Casos de Éxito Comercio Electrónico Inbound Marketing Influencers Listening Marketing Digital Publicidad Online SEO Smartup
El pasado domingo Smartup participó en el Euskal Encounter gracias a su experiencia como Agencia Big Data con una ponencia sobre Sistemas de Recomendación en el que explicamos, de manera muy sencilla, que es un sistema de recomendación, que estrategias hay y ejemplos de aplicación de sistemas de recomendación. En este artículo os vamos a resumir los puntos más importantes de la ponencia y que ventajas pueden darte los Sistemas de Recomendación a tu negocio.
Si os preguntamos qué es un Sistema de Recomendación, la mayoría contestaría que es un sistema que predice las compras/consumos de un cliente, y no es así. Un Sistema de Recomendación (SR a partir de ahora) es un sistema de filtrado de contenido, es decir, es un sistema que es capaz de determinar aquellos productos/servicios de mayor interés para un cliente, pero que necesariamente no tienen porqué ser los que finalmente consuma. Entonces os preguntareis, qué ventajas me proporciona un sistema de recomendación si no asegura la compra. Su ventaja es que centra el foco de los usuarios en aquellos productos/servicios que mayor interés van a despertar en el cliente, ignorando todo aquello que no sea lo que realmente está buscando, aumentando la probabilidad de convertir a través de la personalización de contenidos web. De hecho, los SR se engloban dentro de la Recuperación de la Información, y ¿qué otros sistemas caen dentro de este grupo? los buscadores web. Pensad en un buscador web que solo nos mostrase un resultado en nuestras búsquedas, por mucho que el sistema se asegura que ésa página web es la que estamos buscando, no sería un buscador efectivo. Los SR, al igual que los buscadores web, nos muestran mediante un ranking los productos en base a nuestras preferencias (preferencias que actúan como keywords de búsqueda).
De los métodos de recomendación que existen, dos son los más conocidos e implementados, que son los basados en el Filtrado Colaborativo y los Basados en Contenido. Los primeros se basan en las preferencias de otros usuarios similares a nosotros para poder crear las recomendaciones. Por ejemplo, si otro usuario al igual que yo vió Juego de Tronos y el otro usuario además vió Westworld, un sistema basado en filtrado colaborativo me recomendará la serie Westworld. Estos sistemas son muy efectivos, pero tienen sus inconvenientes, como que son sistemas que consumen muchos recursos para realizar las recomendaciones y además acusan diferentes problemas como el del long tail del que hablaremos más adelante. El segundo método, basado en contenido, se basa en las propiedades de los productos que hemos consumido para recomendarnos nuevos. Siguiendo con el ejemplo de la serie, si la mayoría de las series que veo son de ciencia ficción, un SR basado en contenido me puede recomendar la serie The Expanse. El enfoque es diferente al del filtrado colaborativo, y tiene sus ventajas como que es menos sensible a problemas como el long tail, pero es menos efectivo.
Estos métodos no son los únicos, existen sistemas basados en contexto, que hacen uso del contexto de la compra para realizar recomendaciones, basados en etiquetado social para crear folksonomias, basados en social links que toman en cuenta nuestras amistades para recomendar, etc. cada uno con sus ventajas y desventajas.
Los SR, si no se implementan correctamente, pueden presentar problemas que afecten a la calidad de sus recomendaciones, o que directamente no se pueda recomendar. Los problemas más conocidos son el de gray sheep, que son aquellos clientes con gustos atípicos y que son muy difíciles de recomendar; problemas de escasez en los datos para productos con pocas valoraciones; clientes noveles que nunca ha realizado una compra, el problema del long tail que afecta a los productos menos populares y que nunca son recomendados, etc. Cada problema tiene sus diferentes soluciones que debemos conocer, que van desde cómo transformar las valoraciones de los clientes a sistemas híbridos (combinar diferentes métodos de SR para crear uno nuevo).
Teniendo en cuenta todo lo que hemos comentado hasta ahora, lo primero que se ha de hacer es determinar si un SR es lo que necesita mi negocio. Hemos dicho que un SR es un sistema de filtrado de contenido por lo que si los productos que ofreces no son muy numerosos quizás un SR no sea lo que necesites. También es fundamental determinar qué método voy a utilizar en mi SR para realizar las recomendaciones, con sus ventajas y desventajas, y ver si tengo los datos necesarios para poder implementarlo. Y por último decidir cómo voy a trasladar las recomendaciones a mis clientes, si modificando los productos que ven en la web, a través de campañas de mailing, etc. Una vez se tienen estos puntos claros, estamos listos para empezar a crear nuestro SR.
Por último, os invitamos a ver nuestra ponencia en la Euskal Encounter, en donde os mostraremos cómo crear de forma muy sencilla un SR. En el video podréis ver cómo se crea desde 0 un SR para recomendar videojuegos de la plataforma Steam. Y por supuesto, desde Smartup estamos dispuestos a ayudaros a implementar vuestros SR y si tenéis cualquier pregunta no dudéis en consultar.
Javier Pérez
Big Data Project Manager en Smartup
Otros artículos que te interesarán
facebooktwitteryoutubelinkedin
Contáctanos | Política de Cookies | Política de Privacidad y Aviso Legal
Smartup 2019 © Todos los derechos reservados.
