En el entorno digital de hoy, los motores de recomendaciones están en todas partes, desde Tinder hasta Netflix, Spotify hasta LinkedIn y, por supuesto, Amazon. Con la IA, la IA generativa y el aprendizaje automático haciendo que estas recomendaciones sean aún más efectivas, es común verlas utilizadas en casi todos los tipos de sitios web, pilas de comercio electrónico y aplicaciones.
Sin embargo, la simple implementación de un sistema de recomendación no significa que lo estés haciendo bien. Es posible que en realidad estés molestando a tus compradores en lugar de ayudarlos. Revisaremos algunas técnicas comunes para ayudarte a guiarte hacia la experiencia de recomendación más personalizada, una que dirigirá a los compradores sin problemas hacia su próxima compra.
¿Qué es un motor de recomendaciones?
En pocas palabras, un motor de recomendaciones es un sistema de reordenación que utiliza el aprendizaje automático y los filtros de datos para ordenar los resultados de búsqueda de una manera que sea más relevante para el usuario final. El orden de los resultados de búsqueda puede basarse en las preferencias de los usuarios, los comportamientos u otros factores relevantes.
En el contexto proporcionado, existen dos tipos de sistemas de recomendación: Recomendación de productos (PR) y Recomendación de contenido (CR).
Los motores de recomendación de comercio electrónico, especialmente los que utilizan técnicas de recomendación basadas en contenido, aprovechan el aprendizaje automático para brindar sugerencias personalizadas. Estos algoritmos analizan el comportamiento y las preferencias de los usuarios para hacer una recomendación de producto a medida que un usuario compra.
Los motores de recomendación también se conocen como "sistemas de recomendación", "sistemas recomendadores" o simplemente "recomendador". Los términos tienden a ser impulsados por la geografía (soda vs pop), pero todos significan lo mismo.
Un comprador y bibliotecario personal virtual
Probablemente no te sorprenda que más de un tercio de las compras de Amazon sean el resultado de recomendaciones de productos. Tanto si eres consciente de ello como si no, un motor de recomendación que utiliza el filtrado basado en contenido probablemente ha sido tu compañero de compras cada vez que has completado una compra en línea.
Pero los productos no son los únicos artículos que un sistema de recomendación puede sugerir. El aprendizaje automático aprovecha los datos de los usuarios para ofrecer contenido relevante en todos los lugares de trabajo, redes sociales y sitios de atención al cliente.
Las recomendaciones se pueden hacer en cualquier momento:
- Desde el momento en que inicias sesión en un sitio (ala Netflix)
- En la barra de búsqueda (con sugerencias desplegables)
- Después de haber seleccionado algo para comprar (es decir, ¡quizás también te guste esto!)
- En algoritmos de clasificación que producen resultados de búsqueda personalizados en función de tu perfil de usuario y eventos de interacción de usuario anteriores, y otros datos (como cuando buscas en la intranet o el sitio web de tu empresa)
- De hecho, un asombroso 80% del entretenimiento consumido en Netflix se debe a su motor de recomendación de contenido. Eso no debería sorprender, dice Louis Têtu, CEO de Coveo. "Netflix quiere que mires, no que busques".
¿Qué hace que un motor de recomendaciones sea tan poderoso?
¿Por qué la gente confía tanto en las recomendaciones? Se reduce al aprendizaje automático.
Un buen motor de recomendación predice en qué podría estar interesado un visitante y lo tutorial hacia el contenido más relevante, ya sean productos, servicios o información. Lo bueno de esto es que el visitante se expone a contenido que quizás no conocía, pero gracias a la inteligencia artificial (IA) puede encontrar la combinación perfecta de todos modos.
Con el objetivo de brindar la mejor experiencia de usuario, desde hacer que los usuarios deslicen hacia la derecha para vender romance o agregar al carrito para pegar en el azulejo, un motor de recomendación impulsado por inteligencia artificial utiliza el aprendizaje automático para analizar datos grandes y pequeños, pero con un conjunto más limitado de enfoques.
Predicciones basadas en calificaciones
La forma más fácil de pensar en un sistema de recomendación es como un motor de calificación. Cuanto mayor sea la calificación, más probable es que sea "apreciado" por un consumidor. Las calificaciones altas indican recomendaciones de productos altamente relevantes. Y aunque las calificaciones pueden ser explícitas o implícitas, a menudo son binarias:
- Compra = 1
- No compra = 0
Para generar recomendaciones de productos personalizadas y significativas, el sistema de recomendación debe tener una cantidad justa de datos para determinar una estrategia de recomendación. Esos datos luego se filtran en consecuencia para que el usuario se exponga al producto más relevante que es más probable que compre.
Entonces, ¿qué tipo de datos predijeron los comportamientos? Los historiales de compras anteriores son uno de los tipos de datos más comunes. Pero un buen recomendador no debe detenerse ahí. Puedes usar datos contextuales, relacionados con el negocio, basados en el perfil de usuario, basados en el producto o basados en el contenido.
Realmente, cualquier tipo de datos se puede agregar. (De hecho, aquí están las cinco categorías de elementos de recomendación que se pueden ofrecer).
Pero una vez que tenga los datos, ¿qué sigue?
Filtrado colaborativo: artículos para bebés unicornio durante días
Muchos sistemas recomendadores, como los de Amazon y Netflix, funcionan utilizando modelos de inteligencia artificial para agregar los historiales de comportamiento de todos sus compradores. Analizan esos datos para que el sistema pueda predecir el comportamiento de lo que han hecho usuarios similares en el pasado.
En marketing, esto se llama "personalización basada en persona". Mientras que en ciencia de datos e informática, los investigadores llaman a esto "filtrado colaborativo".
Ventajas del filtrado colaborativo
- Brinda un excelente punto de partida para la mayoría de los visitantes
- Proporciona serendipia: una forma de explorar y encontrar lo que no estabas buscando
Desventajas del filtrado colaborativo
- No puede manejar nuevos artículos como productos o información (ya que nadie más los ha visto)
- No incluye variantes o accesorios basados en la similitud para los artículos consultados
- Depende de los big data; requiere muchos datos de preferencias y comportamiento de los usuarios
- También puede resultar simplemente incorrecto
El filtrado colaborativo/merchandising basado en persona funciona... un poco. También puede introducir mucho ruido. Una vez compré una manta de unicornio para el nuevo bebé de un amigo en un minorista en línea. Ahora, estoy constantemente inundado de artículos para bebés con temática de unicornios, en todos mis dispositivos. Afortunadamente, hay otras formas de brindar a un usuario una recomendación precisa que tenga un impacto positivo en la experiencia del comprador.
Filtrado basado en contenido: reducir la molestia de productos no deseados
Los mejores motores de recomendación evitan molestar a los clientes de esta manera a través del filtrado basado en contenido. Este análisis en tiempo real del comportamiento de un comprador ofrece la forma más precisa y personalizada de manejar recomendaciones relevantes.
El historial de usuarios anterior se considera, pero se pondera mucho menos que lo que un comprador está haciendo durante la sesión de compra actual. Con un motor de recomendación de contenido, todo lo que un comprador o visitante está viendo cuenta, incluidos los atributos del producto, como el tamaño, la descripción, el color y el precio. Todo esto es canalizado por el algoritmo para compilar productos similares, con mayor probabilidad de agregarse al carrito y comprarse.
Un sistema basado en contenido efectivo es como un comprador personal perspicaz. El cliente está contento porque es más fácil tomar decisiones más inteligentes, más rápido. ¡Y el minorista está contento porque la recomendación ha impulsado más ventas al dirigir al cliente a un artículo similar que de otro modo podría haberse perdido!
Ventajas del filtrado basado en contenido
- Enfoque colaborativo que puede brindar recomendaciones verdaderamente personalizadas
- No se basa en datos agregados de comportamiento de los usuarios
- Reduce los problemas de inicio en frío con productos nuevos
Desventajas del filtrado basado en contenido
- Requiere una buena cantidad de datos del producto (marca, variantes, colores, tamaño, descripciones, accesorios, etc.)
- Puede limitar la recuperación si está estrechamente ajustado a la búsqueda del usuario
Recomendaciones de aprendizaje automático
Tradicionalmente, crear un motor de recomendaciones ha sido un proceso altamente manual que implica un análisis intensivo del comportamiento de los compradores que luego se codifica en un algoritmo. Piénsalo como situaciones "si-entonces" de las pruebas escolares. La idea es que, si los compradores compran mantas para bebés, entonces es posible que quieran comprar otro producto similar.
El algoritmo de recomendación o conjunto de reglas puede funcionar a veces (aunque no siempre, según mi ejemplo de bebé unicornio, o la lucha de esta pobre persona con los asientos de inodoro). Sin embargo, no es inusual que los sistemas heredados tengan literalmente miles de algoritmos. Y es probable que no sepas cuándo entran en conflicto.
Entonces, el mejor motor de recomendación se basa en algoritmos avanzados de aprendizaje automático, dice Simon Langevin, director de gestión de productos de Coveo.
Sistemas de recomendación híbridos: filtrado colaborativo y basado en contenido
Los motores de recomendación no solo se alimentan de datos sobre el comportamiento de los usuarios. Como mencioné antes, también disfrutan de toda la información rica en catálogos y descripciones de productos, además de todos los datos comerciales que podrías querer para ajustar aún más los resultados.
Por ejemplo, si estás vendiendo pantalones de golf para mujer, talla 4, se identifican los atributos de los pantalones que has seleccionado.
- Mujeres, talla 4, golf, pantalones
Si luego buscaras guantes, los atributos anteriores ordenarían dinámicamente la sugerencia automática a:
- Guantes deportivos → golf
Y si fueras realmente inteligente, también podrías agregar datos de margen, ¡para que los pantalones que tienen el mayor margen se ponderen más en los resultados!
Aprende sobre los 17 elementos de recomendación que toda solución debería tener Introduciendo la tabla periódica de recomendaciones Obtén más información
El futuro de los sistemas de recomendación
Es solo recientemente que el aprendizaje automático ha permitido motores de recomendación que pueden descubrir estas relaciones más sutiles. Con el procesamiento y la comprensión del lenguaje natural, es posible "vectorizar" un catálogo de productos. Puedes ver sugerencias automáticas dinámicas en detalle consultando cómo hacer crecer un árbol de productos.
Comprender el catálogo de productos es ideal cuando se lanza un nuevo producto, línea de negocio, sitio web o aplicación. Si, por ejemplo, tu sitio web de venta minorista tiene un nuevo televisor de última generación que está debutando, quieres que aparezca en las recomendaciones antes de que los compradores lo hayan comprado o incluso navegado. Esta es una gran solución al problema de inicio en frío.
El filtrado basado en contenido en los catálogos de productos es tan útil, de hecho, que los algoritmos de motores de recomendación pueden funcionar únicamente con información del catálogo cuando hay ausencia de comportamiento del usuario.
Por supuesto, no lo recomendamos. Un enfoque de filtrado híbrido es el mejor, ¡porque todo ese rico historial de compradores de todos los puntos de contacto nunca debe desperdiciarse!
¿Quieres empezar a crear recomendaciones más personalizadas? Aprende cómo Coveo ofrece relevancia en el comercio.
Búsqueda y descubrimiento de comercio electrónico Más relevancia, más compras con personalización impulsada por IA Obtén más información
Profundiza
Obtén más información sobre lo que hace que un gran motor de recomendación en esta lectura de 6 minutos.
¿Buscas un motor de recomendación? Aprende todo sobre la tabla periódica de recomendaciones.
¿Listo para probar una plataforma de recomendación basada en filtrado colaborativo como Coveo? Prueba una demostración hoy.
Si quieres conocer otros artículos parecidos a Qué es un motor de recomendaciones y cómo funciona puedes visitar la categoría Motor.