top of page

Así funcionan los sistemas de recomendación basados en Machine Learning

Actualizado: 23 abr

Como usuarios activos en la red, ya sabemos y reconocemos los mecanismos que usan los sitios web para persuadirnos y lograr la tan anhelada venta, pero como expertos en marketing y tecnología no solo es necesario familiarizarnos con los sistemas disponibles para el proceso de recomendaciones en el sitio, es indispensable saber cómo funcionan y cómo usarlos.

En esta oportunidad nos centramos en los sistemas de recomendación, que utilizan algoritmos para realizar comparaciones detalladas entre distintos perfiles de usuarios para así encontrar patrones de consumo similares y que aporten al proceso de decisión del usuario. Estos sistemas se han hecho muy populares gracias a las aplicaciones de streaming y de domicilios. Antes los sitios enfocaban las recomendaciones de productos en elementos genéricos como listas de los más vendidos o los más populares, que, si bien aún son de gran utilidad, hoy el Machine Learning nos permite ser más efectivos y directos en la comunicación, haciendo uso de los datos obtenidos a través de los filtros recomendadores del sistema:

Filtros colaborativos: Se basan en las características del usuario. El sistema almacena la información generada por otros usuarios según sus compras, preferencias, calificaciones de productos, etc. para poder entregar recomendaciones basadas en esta data que pueda ser mostrada a usuarios con características similares de los cuales aún no se tenga información para incentivar la toma de decisión. El filtro se basa en “si funcionó con unos, es probable que funcione con otros”.

Filtros basados en contenido: La base es la información del producto, no el usuario. En este punto se analizan las características asociadas al producto como: precio, categoría, marca, etc., para recomendar productos similares.

La gran pregunta ahora es:        ¿todo negocio necesita de un sistema de recomendación?

Y la respuesta es no, si hasta ahora está empezando y tiene pocos clientes o pocos productos, ya que el algoritmo trabaja con una gran cantidad de datos almacenados para poder trazar información y analizarla, y si se tienen pocos datos, el sistema no será relevante ni rentable.

Para entender lo anterior es importante revisar las etapas en que procesa un sistema de recomendación clásico y la importancia del volumen de los datos:

Recolección El primer paso es recolectar información de usuarios, lo que podemos hacer de forma explícita: pidiéndole al usuario directamente que califique, seleccione o enliste sus productos u opciones según su interés. O de manera implícita: donde guardamos registro de las navegaciones, selecciones y compras del usuario, el número de visitas de los productos o alguna sección de la página, y se analizan las redes sociales que son afines a los usuarios que nos visitan.

Almacenamiento En esta etapa se decide, según los datos recolectados para uso de recomendaciones, el tipo de almacenamiento que se debe usar: base de datos NoSQL, almacenamiento de objetos o base de datos SQL estándar. La cantidad de datos que se almacenen de cada usuario determina la calidad de las recomendaciones a futuro, mientras más datos se tengan en almacenamiento más precisas serán las sugerencias.

Análisis Es momento de procesar los datos recolectados y almacenados para que el sistema de recomendación encuentre los artículos a sugerir según los datos similares de participación, más datos, más usuarios, mayor rango de sugerencias para ser filtradas y entregadas.

Filtrado Último paso donde los datos se filtran para acceder a la información de las recomendaciones que necesita el usuario. Aquí es importante elegir un algoritmo que se adapte al sistema de recomendación diseñado. El sistema de recomendación sigue ganando popularidad y es un recurso indispensable en el ecosistema digital, pero es importante recordar que el servicio funciona si se les da valor a los usuarios, por eso es importante poner foco en los algoritmos, que nos ayuden evitar lo obvio y conciliar entre la rentabilidad de los productos y el servicio novedoso para el usuario.

10 visualizaciones0 comentarios

Comments


bottom of page