Cómo crear un modelo de recomendación para tu e-commerce

Antes de la revolución de los datos una recomendación sobre qué contenido ver, leer o escuchar sólo era aceptable si provenía de una fuente confiable como un amigo, familiar o compañero de trabajo. Incluso, existe la posibilidad de que a quien se le recomiende ese contenido recomendado desconfíe de que la fuente usada para la recomendación difiere en gustos o preferencias.

la manera en que hoy compañías como Netflix (para no ir tan lejos) hacen recomendaciones basándose en el contenido de muchos usuarios, encontrando así correlación para recomendarte una serie, documental o película. Llegan a tal punto de indicarse por medio de porcentajes que tan cerca estaban de tus gustos (porcentaje de similaridad de consumo). A esto se le conoce en la jerga de la ciencia de datos como recomendación colaborativa.

a continuación recomendamos el paso a paso para implementar un modelo de recomendación para tu sitio web.

5 pasos para crear un modelo de recomendación

En esta guía te hablamos sobre algunos modelos de recomendación, el tipo de tecnología que necesitas para ponerlos a funcionar y otros consejos para que tu e-commerce mejore su desempeño a través gracias al análisis de datos y la interpretación de las necesidades de tus usuarios.  

1. Escoger el modelo de recomendación más acorde al modelo de tu negocio

Este punto no debe ser tomado tan a la ligera, y para ello se debe tener muy clara la estructura de los datos, considerando el histórico de consumo, preferencia, uso y hasta opinión de un determinado objeto de estudio (libros, películas, cursos, videos, productos, etc.), este objeto de estudio debe ser entendido, comprendido y bien definido.

También se debe tener muy claro ¿para que se quiere recomendar? A continuación te mostramos algunos objetivos que puedes cumplir a través de recomendaciones: 

• Aumentar el consumo de alguno de los objetos de estudio.
• Dar a conocer de otros objetos de estudio (venta cruzada).
  Contribuir con la estrategia y campañas de marketing.
• Personalización del ambiente y la relación con el cliente.
  Ayudar a clientes a encontrar una mejor elección.

Algunos modelos de recomendación

En la actualidad existen distintos modelos de recomendación, entre los más comunes encontramos:

• Sistema de recomendación basado en contenido: consiste en conocer las características de los objetos de estudio (productos o servicios) de los que se tiene histórico de consumo para poder ofrecer productos o servicios con características similares. Un problema con este sistema de recomendación es que no recomienda productos o servicios que no han sido consumidos.
  
  
• Filtrado colaborativo
  
  Como su nombre lo indica, en él confluyen diferentes metodologías como:
  
  1. usuario usuario, en la cual se recomienda a un cliente aquello que llega a completar la variedad de lo consumido o usado por un grupo de clientes que consumen de manera similar al cliente en específico.
  
  
  
  2. Item item (o elemento elemento) que recomienda basado en la relación o similaridad entre elementos.
  
  
  3. ALS (o mínimos cuadrados alternos) , este es basado en algoritmo que busca relaciones y recomienda de forma colaborativa ya sea de usuario a usuario o de item a item.
  
  
  
• Otras metodologías
  
  El mundo de los métodos de recomendación es muy amplio y cada una de ellas tiene matices diferentes que hacen que se adapten mejor o peor a las necesidades de un negocio. SI quieres seguir investigando aquí va una pequeña lista con otras metodologías de recomendación : distancia euclidiana, similaridad del consenso, K-Nearest Neighbors (KNN), factorización matricial, análisis de componentes principlaes (PCA), mínios cuadrados alternos (ALS), gradiente decendente estocástico  (SGD) y redes neuronales.

Como decíamos, cada uno de estos métodos tiene un enfoque o manera de recomendar distinto y se deben empelar según el contexto. 

A continuación abordaremos un ejemplo en el que la necesidad que buscamos cubrir a través de una metodología de recomendación es  invitar a clientes a que conozcan otros productos y que amplíen la variedad de productos o servicios que ya consumen. Todo esto, sin llegar a recomendar cosas que puedan estar muy lejos de lo que un usuario consume habitualmente.

Para esta tarea, nos enfocaremos en el Filtrado colaborativo, el cual permite generar recomendaciones según información de consumo o uso de productos (consumo histórico).

El término filtrado en esta metodología se refiere filtro que se aplica a los clientes con consumos similares y que permite generar recomendaciones del producto o elemento que  también podría consumir el cliente que recibe la recomendación.

Se puede invitar al cliente que consuma a través de mensajes como:  “Hola, otros usuarios también están llevando esto”, o “Creemos que puede Interesarte esto”.

Para poder hacer uso de este modelo se debe contar con la información del consumo de productos o servicios por parte de los clientes (histórico de consumos).

También se deben implementar en varios lenguajes de programación como python y R (los más adecuados), y por lo general se necesita una valoración (puntuación de satisfacción, gusto o preferencia por algo) de aquellos productos, servicios o elementos consumidos por cada uno de los usuarios.

Esta valoración está disponible en algunos negocios, pero existen casos donde no es fácil pedirle al cliente una calificación del producto . Para solucionar esta falta de información se pueden emplear otros métodos,  contar el número de veces que el cliente consume un determinado producto y de esta manera dar valoraciones altas a los elementos que cuentan con mayor número de compras por cada cliente así:

Finalmente el sistema de recomendación entregará un listado con los clientes y recomendaciones para cada uno, los cuales pueden seguir siendo manejados de forma tabular.

Este es un ejemplo de resultados arrojados por el sistema recomendador:

2. Define el stack tecnológico (lenguajes de programación, librerías, nube).

Esta decsiión depende de la disponibilidad de tecnologías. Si  sólo puedes usar un  servidor web para la muestra del contenido de la página y de acceso a información a una base de datos, es posible hacer uso de lenguajes de programación como Python o R.

Del lado de Python existe la posibilidad de usar LightFM, la cual contiene de una serie de algoritmos de recomendación populares y que son fáciles de usar, también es posible usar Turicreate, librería con un conjunto de herramientas que permiten la implementación de modelos de machine learning entre estos la posibilidad de levantar sistemas de recomendación. A un nivel más elevado y complejo existe la posibilidad de trabajar con redes neuronales por medio de TensorFlow, para lo cual es necesario conocimiento de deep learning.

El caso de R es un poco más complicado debido a que se deben usar varias librerías de exploración validación, tratamiento y transformación de información y en algunos casos trabajar y calcular matrices de correlación o de similaridad y crear algoritmos para generar las recomendaciones basados en resultados de la matriz de similaridad.

Si se dispone de otra tecnología como almacenamiento en la nube es posible trabajar con librerías o funciones con la implementación de modelos de machine learning, tal es el caso de Azure, que a través de ALS (Alternating Least Squares) ofrece utilidades que incluyen sistemas de recomendación basados en usuarios, en items y mixtos.

3. Define la estrategia de visualización de tus recomendaciones 

Este punto se trata de definir cómo serán mostradas cada una de las recomendaciones, en un carrusel web o slider (varias imágenes que se van alternando y con acceso directo al producto o servicio recomendado), este podrá ser ubicado en alguna parte de la web y acompañado por un mensaje de invitación según la estrategia.

“Otros usuarios con preferencias similares también están usando”, por ejemplo, está enfocado a aquellos usuarios de los que se dispone de histórico de uso o consumo.

“Te invitamos a que conozcas estos servicios (o productos)”, o “estos productos pueden llegar a gustarte”: dirigido a a usuarios nuevos o con los que  no se conoce un histórico de consumo.

Otra alternativa es ofrecer las recomendaciones por medio de Banners,  piezas de publicidad digital que combinan imágenes, texto y en ocasiones sonido y elementos interactivos.

4. Conecta las recomendaciones con la visualización (carruseles imágenes, banners)

Ya establecimos cómo se maneja  la información desde base de datos y qué modelos aplicar para generar  recomendaciones según las necesidades del clientes o usuarios.

También tenemos claro de qué manera se mostrarán cada una de las recomendaciones. Ahora se debe determinar la manera en que se establecen conexiones de manera rápida y efectiva de la información (clientes, ids de recomendaciones, contenido de cada una recomendación, etc) con la página web en cuestión.

5. Mide tus recomendaciones con estrategias de analitica web (lo que no se mide no se puede controlar)

Debemos llegar a validar la acogida de las recomendaciones por los usuarios o clientes y si el modelo de recomendación aplicado sí es el adecuado o si, al contrario, se debe probar más adelante con otro.

Para todo esto, se deben establecer métricas como consumo antes y después de mostrar y ofrecer las recomendaciones e incluso  taguear ciertas rutas para saber qué clientes dan click a determinados atributos de la página o cuáles llegan hasta cierta parte para saber si las recomendaciones están siendo efectivas a la hora de levantar el interés del usuario.

Las métricas y su análisis también es importante para identificar si, por alguna razón, no se están finalizando las compras o los consumos. Quizá la recomendación está siendo efectiva pero el carrito de compra levantado está haciendo desistir al cliente, por ejemplo.

Estas estrategias de medidas pueden llevar a mejoras del modelo de recomendación o de implementación de reglas. Incluso, pueden servir para  establecer un mejor  entendimiento de a la afinidad del cliente con el negocio.