“Este artículo podría gustarle.” Quizá te suene esta frase. Efectivamente, los sistemas de recomendación han crecido en importancia en los últimos años, hasta representar hoy en día una gran oportunidad para el comercio digital, sobre todo en relación con el big data. Con la ayuda de sofisticados algoritmos y apoyándose en esta voluminosa base de datos sobre los usuarios, los sistemas de recomendación constituyen la esperanza del sector, que confía en aumentar así las conversiones.
¿Quién no conoce afirmaciones como “Personas, que compraron este artículo, también compraron” o “Esto también podría interesarle”, con las que nos tropezamos usualmente en nuestras compras online? Estos consejos, idealmente ajustados a las preferencias individuales del comprador, son el resultado de un rendimiento informático considerable y de complejos algoritmos. Si en el terreno del eCommerce los sistemas de recomendación ya están firmemente enraizados, también otros sectores se benefician de una tecnología que no hace más que mejorar.
Los sistemas de recomendación (“recommender system” o “recommendation system” en inglés) son, básicamente, un sistema de software que filtra información de interés para el usuario con el fin de proponerle lo más atinadamente posible aquel producto más adecuado a sus necesidades. A partir de conductas anteriores, como las compras en una determinada tienda, estos sistemas evalúan cuál es el grado de interés de este usuario por ciertos productos y busca, de forma automática, productos parecidos y con una alta probabilidad de atraer su atención.
Las recomendaciones personalizadas encuentran aplicación en diversos ámbitos y suelen encontrarse en todos aquellos servicios web (tiendas web, servicios de transmisión audiovisual online publicaciones) que ofrecen un gran número de objetos, ya se trate de libros, ropa o películas, de los cuales solo una parte podría ser interesante para el usuario. Las recomendaciones serían una forma de ayudar al usuario a encontrar esas piezas de su agrado entre todas las que componen el catálogo global de artículos, ya que realizan una preselección basándose, por ejemplo, en búsquedas anteriores del usuario.
Retratadas así, estas propuestas automatizadas significan, sin duda, un alivio para los consumidores, porque, en lugar de tener que recorrer una lista inacabable de ofertas poco relevantes hasta que encuentran lo que buscan, les ayudan, en teoría, a desgranar lo más interesante de lo menos interesante. Los propietarios de los sitios web, por su parte, esperan que este efecto positivo se refleje en un aumento del tráfico o de las ventas. En el eCommerce, las buenas recomendaciones siempre conducen a carritos de la compra llenos que amplían los márgenes de ganancia.
Sin embargo, la otra cara de la moneda del mero cálculo a partir de algoritmos matemáticos se encuentra en la falta del componente humano. Incluso los cálculos más refinados fracasan en conductas humanas muy básicas, lo que hace que, en ocasiones, las propuestas recibidas no sean del todo lo que esperaba el consumidor o le hagan incluso desesperar.
Para que un sistema de recomendación funcione necesita una cantidad determinada de información de la que pueda partir. En función de la naturaleza de esta información es posible diferenciar entre distintos tipos de algoritmo de filtrado, entre los que se incluyen los basados en contenido (content-based), los colaborativos (collaborative), los sensibles al contexto y aquellos que también tienen en cuenta el factor temporal o los datos demográficos.
Este tipo de software filtra objetos o contenidos similares a los que el consumidor ya ha buscado, visto, comprado o valorado positivamente. Para poder establecer una similitud entre objetos, el sistema realiza un análisis del contenido. Por ejemplo, en las plataformas de reproducción de música online, el software evalúa las piezas musicales analizando su estructura interna para encontrar piezas similares que podrían tener una línea de bajo parecida.
En los métodos de filtrado colaborativo, la recomendación se basa en usuarios que han hecho valoraciones semejantes. Si estas han delatado un gran interés por un determinado producto en el pasado, el sistema lo recomienda a otros usuarios. Aquí no es tan necesaria la información sobre el artículo en sí. Es el sistema que usa Amazon, por ejemplo (filtrado colaborativo ítem a ítem).
Los sistemas colaborativos utilizan diferentes métodos de aprendizaje, entre los cuales los de uso más frecuente son los basados en memoria (memory-based) y los basados en modelo (model-based). El primero calcula la semejanza entre usuarios u objetos a partir del volumen total de valoraciones almacenadas. El resultado constituye la base sobre la que se podrán pronosticar combinaciones usuario-objeto aún no valoradas. Los métodos basados en modelo trabajan, por el contrario, según los principios del aprendizaje automático. Con los datos como referencia, el sistema genera un modelo matemático con cuya ayuda se puede predecir el interés de un usuario por un determinado producto.
Los sistemas de filtrado encuentran aplicación hoy día en multitud de territorios. Los tres sectores más importantes son los servicios de transmisión audiovisual en línea (Spotify, Netflix), las tiendas electrónicas más veteranas, como Amazon, y los sistemas de publicidad basada en contenido.
La popular plataforma norteamericana de vídeos online Netflix integra, desde principios de 2016, un nuevo sistema de recomendaciones que ha mejorado el algoritmo que propone a cada usuario películas y series congruentes con sus gustos personales. Los algoritmos de personalización de Netflix no toman en consideración aspectos demográficos como la edad o el género, sino solamente los datos que la misma plataforma recoge. Ya en el momento de crear la cuenta el usuario ha de revelar sus películas y series favoritas y, a medida que va consumiendo material audiovisual en la plataforma, se va definiendo su perfil. Cotejando a los usuarios a partir de sus preferencias, la plataforma puede entonces emitir recomendaciones más o menos precisas.
Hasta ahora, iniciar Netflix en un país diferente generaba problemas en este sentido porque carecía de una base de datos a partir de la cual poder calcular las propuestas. El nuevo algoritmo puesto en marcha en 2016 trabaja con grupos de consumidores transnacionales, aunque sigue teniendo en cuenta tendencias regionales y nacionales y busca adaptarse a las preferencias culturales y lingüísticas.
Spotify, la plataforma para escuchar música online, utiliza las recomendaciones personalizadas desde hace más tiempo. Cada semana los algoritmos crean una lista de canciones (Mixtape o Daily Mix) que potencialmente se adecua al gusto del usuario en función de lo que ya ha escuchado o marcado como favorito.
El punto de partida de estos filtros son, por un lado, las listas (playlists) de otros usuarios y, por el otro, un preciso perfil de gustos que Spotify crea para cada usuario. Para ello, este popular servicio de streaming trabaja con definiciones muy ajustadas de los géneros musicales, a lo que se añade un software propio que analiza artículos y textos en blogs y revistas para poder clasificar a los artistas lo más exactamente posible. El sistema de recomendación de Spotify puede incluso reconocer a aquellos artistas atípicos que se escuchan a veces pero no se inscriben en el perfil, aunque no los incluye en la lista personalizada de canciones.
En el negocio digital los sistemas de filtrado representan básicamente la venta cruzada más clásica, en la cual se presentan artículos complementarios o semejantes entre sí a los consumidores. Pionera en este tipo de recomendaciones es la tienda Amazon, que, en calidad de líder del sector del eCommerce, dispone de un repositorio enorme de datos generados por los usuarios. Muy pronto, el gigante digital descubrió que con las propuestas adecuadas los carritos de la compra de los clientes se llenaban más rápidamente. Hoy en día, a lo largo del proceso de compra, el usuario se encuentra diversos tipos de recomendaciones:
Cuando nadie se lo esperaba, a principios de 2017, Amazon ya liberó su software de aprendizaje profundo (en inglés, Deep learning) DSSTNE, siglas de Deep Scalable Sparse Tensor Network Engine (pronunciado “Destiny”), que constituye el fundamento del sistema de recomendaciones en Amazon, permitiendo así que el software sea mejorado por desarrolladores en todo el mundo.
En general, la tendencia en el eCommerce es ir hacia sistemas de recomendación cada vez más personalizados. Cada vez hay más empresas que apuestan por una personalización que vaya más allá de la recomendación del “artículo más popular” y que es el resultado de la combinación de diversas estrategias que tienen en cuenta los intereses, los artículos más populares y otros factores como su disponibilidad y los cambios en el precio.
Lo que funciona en Netflix con películas y series y en Amazon con cámaras digitales y libros también es un principio muy rentable en el sector de la publicidad nativa. Quien hoy en día lea revistas online conoce expresiones del tipo “Esto también podría interesarle” o “Artículos recomendados”, seguidas por un listado de contenidos de páginas externas. La tecnología de las recomendaciones está aquí al servicio de las estrategias de publicidad nativa. Los proveedores más conocidos de publicidad nativa son Outbrain y, en menor medida, la alemana Plista.
Outbrain ha alcanzado más de 500 millones de usuarios en todo el mundo y en su página web se jacta de contar con oficinas en 11 países y clientes distribuidos por todo el globo. Entre sus editores se incluyen medios de comunicación como ABC, El País o El Washington Post, entre muchos otros nombres de primer nivel. La oferta Outbrain Amplify aspira a alcanzar a otro público objetivo, el de las Pymes, y motivarlas a ampliar su mercado gracias a un catálogo de marcas que incluiría a la mayoría de grandes fabricantes.
Plista, por su parte, promete a los usuarios de su motor de recomendaciones una segmentación extremadamente precisa, lo que garantizaría un alto índice de acierto. La tecnología de recomendaciones de Plista se apoya en el trabajo en común de varios algoritmos, que ha de lograr que la publicidad y el contenido se ajusten siempre a las preferencias individuales del usuario.
Ambas plataformas de publicidad contextual funcionan gracias al voluminoso conjunto de datos generados tanto por los usuarios como por los editores. A diario, el servidor de Plista registra millones de peticiones que equivalen a las veces que un usuario abre una página con el widget de Plista instalado. En esta acción, atributos como el navegador, el sistema operativo, el dispositivo, la fecha y la hora o información semántica sobre el contenido que se está leyendo van a parar a un repositorio de datos que se procesan en combinación con datos técnicos hasta que finalmente el algoritmo los optimiza. En este proceso se dan cita diversas tecnologías, entre otras, la segmentación por comportamiento (behavioral targeting), el filtrado colaborativo y la segmentación semántica, dando como resultado un targeting exhaustivo que permite la publicación de recomendaciones individualizadas de contenido basadas en los data.
Como hemos visto, los sistemas de recomendación tienen una importancia capital en el ámbito del comercio electrónico porque, emitiendo las propuestas adecuadas, representan una oportunidad de aumentar la tasa de conversión y, con ella, las ventas. Muchos sistemas para tiendas online tienen integradas algunas funciones estándar de recomendación que, aunque permiten un análisis bien fundamentado, no aventajan a la utilización de una solución especial de software.
Diversos proveedores ofrecen a las empresas soluciones SaaS (Software as a Service) con las que integrar recomendaciones personalizadas en su proyecto comercial. Entre los más conocidos se encuentran BrainSINS, Barilliance o Certona.
La mayor parte de estos proveedores prometen soluciones de software capaces de aprender por sí mismas que parten de tecnologías de personalización propias (métodos basados en modelo). Su gran ventaja, además de contar con una funcionalidad muy amplia, es que reducen la dificultad de su implementación de forma considerable, ya que no es necesario invertir ni en hardware ni en software.
Estas soluciones se ocupan, entre otras cosas, de tres pasos fundamentales: la base de datos de tracking, la llamada ingeniería de factores (feature engineering) y, finalmente, el procesamiento y el análisis de los datos.
Para poder analizar los datos hay que, lógicamente, recolectarlos antes. Mediante el clásico seguimiento el software recopila información central sobre la localización geográfica, el carro de la compra, el momento del día, los hábitos y en general sobre todo el customer journey, que el programa guarda en una base de datos.
De esta información contenida en la base de datos se han de filtrar los denominados features, que podrían traducirse como características o factores. Estos pueden ser diferentes y abarcar desde la hora de la visita y su duración hasta los periodos de tiempo entre acciones, aunque para el diseño del pronóstico solo son necesarios unos pocos factores. El desafío de este sistema radica precisamente en identificar estos aspectos especialmente relevantes, que son los que tienen una influencia significativa en la conducta de compra y, en definitiva, en las decisiones finales. La selección individual de features varía en función de la tienda, por lo que es necesario llevar a cabo un análisis inteligente. Es el paso previo a la elaboración de los modelos de predicción.
Basándose en estos aspectos y características más relevantes, definidos de forma individual para la tienda online, el sistema realiza sus previsiones. La creación de estos modelos de previsión requiere una gran potencia computacional y puede llegar a durar varias horas. El sistema almacena los modelos, que servirán como fundamento para el cálculo de las recomendaciones. Es así como cada visita en la tienda recibe consejos y recomendaciones personalizados.
El comercio digital tiende a la personalización con herramientas cada vez más refinadas. Esto no solo se debe a que las empresas están sometidas a una gran presión e intentan de forma permanente diferenciarse de sus rivales, sino también a los cambios en la percepción por parte del usuario. La publicidad se identifica como tal mucho más rápidamente que antes e incluso llega a ser ignorada (ceguera a banners). Si, a pesar de todo, se consigue despertar el interés del consumidor con información individual y relevante para él y una debida segmentación, crecen las oportunidades de que se produzca una conversión. Lo mismo se puede decir de los sistemas de recomendación, cada vez más sensibles y exactos. Encontrar la estrategia más adecuada y alcanzar al cliente potencial influye positivamente en las ventas y, en definitiva, en el éxito empresarial en el sector del eCommerce.
Se podría pensar que el tipo de negocio y la oferta constituyen los factores más importantes para el éxito de una tienda online. Sin embargo, ¿de qué sirve la gama de productos más amplia e innovadora si ningún cliente potencial es capaz de dar con la tienda? A menudo, el éxito en el ámbito del comercio electrónico va aparejado con una estrategia adecuada de marketing online. Combinando...
Tener una tienda online exitosa requiere algo más que ofrecer los productos adecuados y contar con un buen posicionamiento en los motores de búsqueda. Cuando se reciben los primeros pedidos es cuando se hace evidente que una distribución bien organizada es tan elemental como la recolección del capital inicial. Así, ¿qué aspectos del sistema de distribución son realmente importantes para el...
