El mercado cada vez entiende más que los datos son un potente instrumento para apalancar los negocios. Por eso, cada vez se habla más sobre modelos de recomendación y sus aplicaciones en diferentes industrias.
Al mismo tiempo, los usuarios nos hemos vuelto más exigentes. El boom digital que sigue en constante transformación nos permite comparar muchos atributos de un producto de manera muy sencilla y aquí, las estrategias de recomendación basadas en el uso de datos se vuelve cada vez más más relevante.
La pregunta es: ¿cómo sabemos si una empresa cuenta con los datos necesarios para implementar una estrategia recomendación basada en datos y cuándo está lista para usarla?
En esta entrada del blog, abordaremos, en una primera parte, varias de estas inquietudes y luego haremos un recorrido por algunos modelos específicos y una aplicación final a un negocio.
Identifica tu nivel de madurez analítica
Comenzaremos por ELIMINAR un mito alrededor de los modelos de recomendación y es que, se suele pensar un modelo de recomendación tienen que ver exclusivamente con inteligencia artificial y solo es aplicable a empresas con madurez analítica avanzada. ¡Esto es falso!
Si bien, los modelos de recomendación robustos, contienen inteligencia artificial e implementación de modelos de machine learning, lo anterior no implica que una empresa que está explorando los datos que genera no esté en capacidad de implementar una estrategia de recomendación. Para comprender mejor esto, clasificaremos las empresas en 3 grandes “tipos” a partir de su camino recorrido en datos:
| Grupo | Características | Tipos de modelos |
| Empresas con madurez analítica baja | No cuentan con sistemas de datos estructurados y sus análisis locales son completamente descriptivos (promedios de ventas, mejores y peores tiendas) | -Índice de venta cruzada, para ofrecer productos que no ha consumido el usuario -Modelos de segmentación tipo RFM para ofrecer recomendaciones de acuerdo al segmento del usuario |
| Empresas con madurez analítica media | Cuentan con arquitectura de datos en la nube, pero no han explotado el valor de los datos mediante modelos de datos que impacten negocios | |
| Empresas con madurez analítica alta | Cuentan con arquitectura de datos en la nube y han explorado modelos descriptivos y predictivos, pero no necesariamente modelos de recomendación |
*Estos grupos son un referente
Una vez tenemos definido a cuál grupo pertenece la empresa, debemos considerar algunos aspectos, antes de pensar en cuál es el algoritmo que necesitamos.
Define el modelo de recomendación
Es importante tener claro qué es lo que se busca con un modelo de recomendación. Por lo general se cuando se usan estas herramientas se quiere aumentar ventas, pero es necesario definir cómo se va a medir ese objetivo.
Los objetivos de la implementación de un modelo de recomendaciones se debe construir desde una visión de negocio, pero también debe involucrar activamente a los equipos técnicos (científicos e ingenieros de datos).
Algunos ejemplos de medición son: Aumento en ticket promedio por usuario, número de compras realizadas a partir de la interacción con el modelo de recomendación, crecimiento en ventas en X producto.
Mide el estado del objetivo antes de implementación del modelo
Es importante, luego de definir el objetivo que la estrategia de recomendación desea impactar, hacer la medición del momento cero (antes de implementar el modelo), para así tener un cálculo del impacto, luego de implementación y esto permita evaluar el retorno de inversión del proyecto.
Revisa las fuentes de datos existentes
No basta con definir qué tipo de empresa es de acuerdo a los grupos que planteamos, siempre antes de pensar en un algoritmo específico debemos mapear las fuentes de datos existentes y la calidad de la misma. Esto nos permite evaluar qué modelo puede ser más efectivo que otro (por ejemplo, modelos que incluyen variables demográficas, pero muchas veces es poca la información que se tiene en las empresas de este tipo de datos, como atributo de un usuario) y en caso de no tener X o Y información, se debe definir la estrategia de captura de esa información.
Análisis exploratorio de los datos
Una vez tenemos claro la data que “podemos mercar”, es recomendable hacer un análisis exploratorio de los datos, con el fin de comprender datos atípicos, tendencias en los indicadores, comportamiento de consumo de productos o contenido por usuarios y que harán más fuerte el análisis de resultados del modelo de recomendación.
Validación de estrategia comercial para la recomendación
Otro de los problemas comunes en la implementación de modelos de recomendación es que los resultados (Recomendaciones) no son lógicos o coherentes con el negocio. Por eso es importante validar con negocio estos resultados y de ser necesario intervenir los resultados del algoritmo con recomendaciones por ejemplo del producto que más necesita la marca que rote o el producto con mejor margen de utilidad que es el que aumenta ese objetivo de negocio.
Luego de esta introducción, vamos a conocer algunas metodologías más en detalle para construir modelos de recomendación.
Algunos modelos de recomendación
Los procesos del sistema de recomendación se pueden explicar a través de cuatro fases:
Recopilación
los datos recopilados pueden ser explícitos (calificaciones y comentarios sobre productos) o implícitos (páginas vistas, historial de pedidos, etc.).
Almacenamiento
El tipo de datos utilizados para crear recomendaciones puede ayudarlo a decidir el tipo de almacenamiento que debe usar: base de datos NoSQL, almacenamiento de objetos o base de datos SQL estándar.
Análisis
El sistema de recomendación encuentra artículos con datos similares de participación del usuario después del análisis.
Filtrado
Este es el último paso donde los datos se filtran para acceder a la información relevante requerida para brindar recomendaciones al usuario. Para habilitar esto, deberá elegir un algoritmo que se adapte al sistema de recomendación.
Tipos de sistemas de recomendación
A continuación encontrarás información...
Filtros Colaborativos:
El método de filtrado colaborativo se basa en recopilar y analizar datos de comportamiento de los usuarios. El filtrado colaborativo puede predecir el comportamiento de un usuario mediante el análisis del comportamiento de otros clientes con características similares, por ejemplo, a Marcos le gustan las películas de terror, las películas de superhéroes y las películas dramáticas, mientras que a Victoria le gustan las películas de terror, las películas de superhéroes y las comedias románticas. Marcos probablemente vería una comedia romántica y Victoria probablemente vería una película dramática. Así es como funciona el filtrado colaborativo.
Se utilizan dos tipos de filtrado colaborativo:
- Filtrado colaborativo usuario-usuario
- Filtrado colaborativo elemento-elemento
Filtrado basado en contenido:
El filtrado basado en contenido funciona sobre la descripción de los productos y las preferencias del usuario, en este sistema de recomendación el producto se describe mediante palabras clave y el perfil del usuario guarda todos los artículos que le gustan a este usuario.
Por ejemplo, si a un usuario le gustan libros como Harry Potter, el sistema de recomendación recomienda libros del género fantástico o más libros de J.K Rowling.
El filtrado basado en el contenido tiene como objetivo asumir que le gustará un artículo similar si le gusta un artículo en particular.
Sistemas de recomendación híbridos
En los sistemas de recomendación híbridos, los productos se recomiendan utilizando simultáneamente filtrado colaborativo y basado en contenido para sugerir una gama más amplia de productos a los clientes. Este sistema de recomendación es prometedor y se dice que proporciona recomendaciones más precisas que otros sistemas de recomendación.
Netflix es un excelente ejemplo de un sistema de recomendación híbrido. Hace recomendaciones simplemente publicando los hábitos de visualización y búsqueda de los usuarios y encontrando usuarios similares en esa plataforma. De esta forma, Netflix utiliza el filtrado colaborativo.
Al recomendar programas/películas que comparten rasgos similares con los que el usuario califica como altos, Netflix utiliza un filtrado basado en el contenido. También pueden vetar los problemas comunes en los sistemas de recomendación, como el arranque en frío y la insuficiencia de datos.
Casos de uso
A continuación te mostramos ejemplo concreto en el documentamos el proceso de mejoramiento de un modelo de recomendación que opera en una página de que ofrece material educativo.
Sistema de recomendación cursos Comfama
Con el fin de realizar recomendaciones de cursos personalizadas para los usuarios que ingresan a la página web de Comfama, se contaba con un recomendador que mostraba cursos vigentes por medio del uso de la matriz de similaridad. En ella se comparaba el contenido del histórico de cursos matriculado por cada usuario con el contenido de los cursos vigentes y de esta manera se recomendaba de una forma no tan personalizada.
Este sistema de recomendación sólo recomendaba aquellos cursos vigentes (cursos actuales y con cupo), y por la similaridad en palabras asociadas al contenido de los cursos, de manera que fue necesario mejorar el sistema de recomendación, para ello fue necesario hacer transformaciones de información para organizar la información a ingresar al modelo.
Primero se definieron algunas variables que pudiesen completar la información del contenido de cada uno de los cursos.
Fue necesario crear una nueva categorización de los cursos según su contenido (unificar según contenido, esto porque una asignatura puede cambiar de definición de un periodo a otro aunque su contenido sea el mismo).
Según esta categorización (homologación de contenido de cursos), se organizó la información en un top de consumo según la cantidad de matrículas. De esta manera solucionamos el problema de la falta de un valorador de satisfacción con el curso o producto.
Esta categorización también permite establecer que no se recomienden cursos asociados a la misma categoría y ofrecer una mayor posibilidad de cursos para cada usuario.
Con la información organizada se procedió a ejecutar el sistema de recomendación de filtrado colaborativo usuario a usuario. Como ya lo hemos dicho, en este tipo de modelo de recomendación se hace sugerencias que complementan la variedad de lo consumido por un grupo de clientes que se comportan de manera similar al cliente que recibe la recomendación.
Al final el sistema de recomendación arroja recomendaciones para varios tipos de usuarios. En el caso de las personas que tienen un historial de cursos matriculados, las recomendaciones que van a visualizar corresponden a los cursos que más matriculan quienes han tomado uno o dos cursos parecidos a los que este tipo de personas han tomado. También se crea un score que permite establecer el porcentaje de afinidad frente a lo que se recomienda y se establece un ranking para organizar un orden de recomendación según el score.
Para aquellos usuarios que no tienen un histórico de consumo o uso se estableció un top 6 de los cursos más matriculados por personas con algunas de las mismas características como la edad, el género y categoría. Por otro lado, para aquellos no afiliados a Comfama, creamos recomendaciones basadas en un top 6 de lo más matriculado por el general de afiliados que matriculan.
De esta manera se pueden recomendar a tres segmentos diferentes, los afiliados que ya han matriculado o hecho uso de educación, los afiliados que no han matriculado o hecho cursos de educación y aquellos de los que no se tiene información (no afiliados).
A manera de prueba se validó con documentos de afiliados que han hecho consumo de matrículas llegando a recomendaciones más consistentes a las recomendaciones del sistema anterior, pero se dejó claro que las correctas recomendaciones deben ser basadas en un seguimiento de las nuevas matrículas asociadas a recomendaciones dadas desde la página.
Comparte
