Cada día más empresas de comercio electrónico aprovechan el poder de los datos para mejorar sus ventas mediante la implementación de sistemas de recomendación en sus sitios web. Los sistemas de recomendación son técnicas de Inteligencia Artificial con el objetivo de predecir los gustos de los usuarios y recomendar elementos que podrían ser de su interés. Sitios web conocidos, como pueden ser Youtube, Spotify o Netflix, emplean estos métodos para producir listas de reproducción personalizadas o hacer recomendaciones de vídeos. Igualmente, comercios como Amazon o Carrefour se sirven de estos sistemas para generar recomendaciones personalizadas a sus clientes.
De acuerdo con su funcionamiento, pueden distinguirse varios tipos de sistemas de recomendación. Cada uno de ellos resultará más útil a una empresa o web en función del catálogo de productos o del volumen de clientes que tenga. A continuación, se presentan algunas de las metodologías más utilizadas.
Filtros basados en contenido
Tienen como base de la predicción el producto y sus características, es decir, para un usuario concreto se analizan sus gustos o compras mostrando productos de características similares.
Figura 1 – Esquema de funcionamiento de un filtro basado en contenido.
La principal ventaja de este tipo de filtros es que la recomendación se basa en el contenido de los productos sin tener en cuenta la opinión subjetiva del resto de usuarios. De esta manera, las predicciones son mucho más comprensibles para los usuarios que las reciben, siendo éstas del tipo: “Te han gustado estos productos, por lo que te puede gustar éste que se parece mucho...”.
Árboles de venta/recomendación cruzada
Su funcionamiento es similar al de los filtros basados en contenido. En este caso, se agrupan los productos que usualmente se compran juntos o que son valorados de manera análoga por los usuarios. Para un usuario al que le guste o compre asiduamente un producto, se le recomendarán productos similares siguiendo este criterio.
Figura 2 – Esquema de funcionamiento de un árbol de venta cruzada.
Este filtro, al no clasificar los productos por sus características, permite realizar recomendaciones de entre productos no consumidos actualmente pero que podrían encajar en un caso concreto. Por ejemplo, permite recomendar jamón de York a una compra que incluya queso y pan de sándwich, ya que, estos productos frecuentemente se compran juntos.
Filtros colaborativos
Estos filtros basan su funcionamiento en la información que se tiene acerca de los usuarios. El sistema analiza las compras, gustos o calificaciones de todos los usuarios y los agrupa, empleando dicha información en conjuntos de usuarios similares o con los mismos gustos. Para un usuario dado, se recomiendan productos que han gustado a usuarios similares pero que éste aún no ha consumido.
Figura 3 – Esquema de funcionamiento de un filtro colaborativo.
Este último filtro permite recomendar todo tipo de contenido y no solo el consumido frecuentemente por el usuario, lo que puede resultar más útil, ya que las recomendaciones resultan menos evidentes. Además, hace uso de un mayor volumen de información, debido a que para llevar a cabo una recomendación se tienen en cuenta todos los gustos del usuario y los de usuarios similares a él.
Independientemente del tipo, la implementación de un sistema de recomendación conlleva ventajas tanto para la web o empresa, como para sus usuarios o clientes:
- Permite a las empresas ganar y retener clientes mediante el envío, periódicamente, de recomendaciones con ofertas que el usuario no buscaría por su cuenta.
- Permite a los usuarios un acceso más fácil y rápido a la información que les interesa.
Por ejemplo, según McKinsey, el 75% de las visualizaciones en Netflix y el 35% de compras realizadas en Amazon provienen de sus respectivos sistemas de recomendación.
Así, desde la línea de especialización de Inteligencia Artificial y Big Data de CTIC Centro Tecnológico, se han desarrollado sistemas de recomendación en distintos ámbitos. En particular, se ha construido un sistema de recomendación de películas que aplica todos los filtros vistos anteriormente. Las películas se encuentran agrupadas según las valoraciones de todos los usuarios. A la hora de recomendar, se toma una película vista con buena valoración y se recomiendan las más cercanas.
Figura 4 – Recomendación para un usuario que ha valorado positivamente Back to the Future.
Por otra parte, se ha desarrollado un sistema de recomendación basado en técnicas de venta cruzada y segmentación de clientes para el sector retail. Para ello, se han analizado los consumos de los distintos clientes determinando aquellos productos que se compran simultáneamente y agrupándolos en función de esto. El estudio se ha realizado a diversos niveles (producto, subcategoría, categoría, etc). En la figura 5, se representa el árbol de venta cruzada a nivel de categoría.
Figura 5 – Árbol de venta cruzada.
Así, para realizar una recomendación, el filtro busca la categoría preferida por un usuario en función de sus compras y le recomienda aquellos productos con la categoría más cercana.
Gracias a estas técnicas y siempre que se disponga de un conjunto de datos lo suficientemente grande, un sistema de recomendación puede generar recomendaciones personalizadas con una alta probabilidad de adecuarse a los gustos particulares de los usuarios. Sin embargo, generalmente, es necesario combinar distintas metodologías con el fin de encontrar dichas recomendaciones óptimas. Igualmente, en ocasiones, también resultan clave otros factores como el cómo y cuándo se muestra la recomendación al cliente o si las recomendaciones resultan rentables a corto y largo plazo para la empresa.
Lydia Álvarez
-Equipo D4V-
