Sistemas de recomendación: cómo anticipar la próxima compra

Resumen

En el dinámico panorama empresarial actual, los sistemas de recomendación han trascendido de ser una simple conveniencia a convertirse en una necesidad estratégica fundamental para las empresas. Su objetivo principal es claro: combatir la sobrecarga de información y entregar valor al cliente al ofrecer sugerencias personalizadas de productos o servicios que se alinean con sus intereses y necesidades.

Las empresas con canales de ecommerce se enfrentan a desafíos particulares, como la escasez de datos, el "cold start" y la complejidad de los catálogos. Es por esto que los sistemas de recomendación híbridos son la clave, combinando eficazmente técnicas como el filtrado colaborativo, el basado en contenido y el basado en conocimiento, para superar las limitaciones individuales y asegurar recomendaciones constantes y pertinentes.

En ixpantia, comprendemos profundamente estas complejidades. Nuestra experiencia en el desarrollo de sistemas de recomendación se centra en un enfoque holístico que va más allá de la mera implementación tecnológica. Diseñamos soluciones que combinan de forma inteligente algoritmos avanzados con reglas de negocio específicas, permitiendo reflejar restricciones, políticas y estrategias únicas de cada empresa. Reconocemos que la integración de la IA en la cadena de valor minorista implica cambios organizacionales significativos y los acompañamos durante todo el proceso. 

Introducción

En un entorno digital donde los consumidores esperan experiencias personalizadas y simples, los sistemas de recomendación permiten sugerir productos relevantes y mejorar la experiencia de compra. Este artículo da continuidad a un artículo previo sobre la predicción de compra típica. Ahora nos enfocamos en un segundo componente esencial: la proyección de compra innovadora:  sistemas que hacen recomendaciones a los clientes de productos o servicios que no compran o consumen pero que podemos sugerir, basándonos en información relacionada con los productos, los clientes y las interacciones entre ambos. Estos sistemas ayudan a reducir la sobrecarga de información a la hora de la compra y personalizan y mejoran la experiencia del usuario y abren nuevas oportunidades de compra. 

A lo largo de este artículo exploramos tres aspectos principales

1. Las razones para invertir en un sistema de recomendación
2. Los distintos tipos de sistemas existentes
3. Los principales desafíos para su implementación y cómo medir su impacto en el negocio

Figura 1. Estructura conceptual para entender sistemas de recomendación

Por qué invertir en un sistema de recomendación

Desde el punto de vista del negocio, un sistema de recomendación ofrece varios beneficios clave que podemos agrupar en los siguientes tres rubros:

Aumento de Ingresos y Ventas

• Aumentar la probabilidad de compra al ofrecer sugerencias personalizadas en momentos clave del recorrido del cliente. Incrementa la venta de productos al ofrecer sugerencias personalizadas.
• Contribuyen al aumento del valor del carrito de compra con productos complementarios o de mayor margen.
• Mejoran las tasas de conversión y las tasas de clics en las recomendaciones.

Mejora de la Experiencia del Cliente y fidelización

• Reducen la sobrecarga de información, facilitando que los clientes encuentren lo que realmente buscan.
• Proporcionan sugerencias adaptadas a las preferencias individuales, lo que mejora la satisfacción y el engagement.
• Fomentan la lealtad y retención de clientes al ofrecer una experiencia de compra más personalizada y placentera.

Descubrimiento de Productos y Diversidad

• Ayudan a los usuarios a descubrir productos nuevos, únicos o menos conocidos ("long-tail"), que quizás no hubieran encontrado por sí mismos.
• Aumenta la exploración dentro del catálogo y promueve la prueba de nuevas categorías o marcas.

En conjunto, estos beneficios no solo impulsan resultados comerciales inmediatos, sino que construyen relaciones más duraderas con los clientes.  Sin embargo, no todos los sistemas de recomendación son iguales. Conocer las opciones disponibles nos ayuda a pensar cual de ellas se adecua mejor a nuestros datos y negocios.

Tipos de Sistemas de Recomendación 

Los algoritmos usados para el desarrollo de sistemas de recomendación pueden clasificarse como algoritmos de filtrado basado en contenido, el filtrado colaborativo, el filtrado basado en conocimiento, el filtrado basado en deep-learning y el filtrado híbrido, que combina dos o más de los enfoques anteriores. 

Filtrado basado en Contenido

Un sistema de filtrado basado en contenido es un tipo de sistema de recomendación que sugiere elementos a los usuarios basándose en las características o atributos de los ítems o productos y en las preferencias expresadas por el usuario.

Algunos puntos clave sobre los sistemas de filtrado basado en contenido son:

• Análisis de productos: El sistema analiza el contenido o las características de los productos para identificar patrones y similitudes. Estas características pueden incluir categorías,marcas, empaques, entre otros.
• Perfil de usuario: El sistema crea un perfil del usuario basándose en sus compras anteriores. Este perfil representa los gustos e intereses del usuario.
• Recomendaciones: El sistema recomienda productos que son similares a los que el usuario ha preferido en el pasado, según las características que han sido identificadas y el perfil del usuario.

Los sistemas de tiendas en línea que sugieren artículos con características similares a los que el usuario ha comprado son ejemplos de la implementación de este tipo de algoritmos. 

Filtrado Colaborativo

Un sistema de filtrado colaborativo es un tipo de sistema de recomendación que predice los intereses de un cliente basándose en las preferencias y comportamientos de otros clientes con gustos similares. En lugar de analizar las características de los productos (como en el filtrado basado en contenido), el filtrado colaborativo se centra en cómo los usuarios interactúan con los productos y en las similitudes entre clientes.

Algunos aspectos clave de los sistemas de filtrado colaborativo son:

• Matriz de cliente-producto: Los sistemas de filtrado colaborativo funcionan construyendo una matriz que representa las preferencias de los clientes hacia los productos. Esta matriz usualmente contiene calificaciones, valoraciones o datos de interacción (explícitos o implícitos) de cada cliente con los productos.
• Vecindad o Comunidad: El filtrado colaborativo identifica clientes con gustos y preferencias similares. Este grupo de clientes se constituye una “vecindad” o “comunidad” de clientes.
• Recomendaciones: Un cliente recibe recomendaciones de aquellos productos que no ha calificado o comprado pero que han sido calificados positivamente o adquiridos por los clientes de su vecindad. Estas recomendaciones se basan en la idea de que clientes con comportamientos similares tendrán intereses similares.
• Recomendaciones espontáneas: El filtrado colaborativo permite recomendaciones espontáneas, donde un producto puede ser sugerido a un cliente A basándose en los intereses de un cliente B similar, aun si A no ha interactuado previamente con ese producto.

Filtrado basado en conocimiento

El filtrado basado en conocimiento utiliza conocimiento explícito sobre los clientes, los productos y sus relaciones para hacer recomendaciones. A diferencia de otros métodos, este enfoque no se basa en datos de interacciones pasadas, sino en un entendimiento formal de las características de los productos o servicios y las necesidades de los clientes.

Se usa en campos donde es importante el conocimiento experto como la educación o el diseño y en recomendaciones de productos especializados como vino, café. Se desarrolla una taxonomía o clasificación de los productos y en base a esta taxonomía se hacen las recomendaciones.

Filtrado basado en deep learning

Los sistemas de recomendación basados en deep learning utilizan redes neuronales profundas para modelar las preferencias de los clientes y las características de los productos, aprendiendo representaciones complejas de los datos para generar recomendaciones personalizadas.

Para poder usar esta familia de metodologías es necesario definir bien cómo preparamos los datos para modelar.  Estos modelos se entrenan con conjunto de  datos que hacen la correspondencia entre  características seleccionadas de los clientes y productos (la entrada)  y las preferencias conocidas de los usuarios(la salida).  Hay diferentes tipos de redes neuronales que podemos aplicar en diferentes circunstancias. Por ejemplo redes convolucionales (CNN) si incluimos imágenes, o redes neuronales recurrentes (RNN) cuando tenemos datos históricos con comportamiento secuencial.  

Filtrado Híbrido

Un sistema de recomendación híbrido combina dos o más técnicas de recomendación diferentes para aprovechar las ventajas de cada una y mitigar sus limitaciones. El objetivo principal de los sistemas híbridos es mejorar la precisión, la cobertura y la calidad general de las recomendaciones. La mayoría de los sistemas de recomendación actuales como Amazon o Netflix pertenecen a esta categoría.

Existen una diversidad de estrategias de combinación de técnicas en un sistema híbrido. Algunas de las estrategias de combinación más comunes son:

• Ponderación: Combina las puntuaciones de diferentes recomendadores mediante una fórmula lineal.
• Conmutación: El sistema cambia entre diferentes técnicas de recomendación según las circunstancias o la disponibilidad de información.
• Cascada : Una técnica de recomendación refina los resultados de otra. Por ejemplo, un sistema podría usar filtrado de contenido para generar una lista inicial de recomendaciones y luego filtrado colaborativo para refinarla.
• Aumento de características: Se agregan características adicionales al recomendador principal. Por ejemplo, la información sobre las categorías de productos puede ser usada para mejorar las recomendaciones de filtrado colaborativo.

En resumen, los sistemas de recomendación híbridos ofrecen una aproximación más robusta y efectiva a la personalización de recomendaciones, al combinar múltiples técnicas y estrategias para superar las limitaciones de los enfoques tradicionales. En ixpantia las soluciones de recomendación que diseñamos típicamente corresponden a esta categoría, combinando los algoritmos con reglas que permitan reflejar restricciones, políticas y estrategias del negocio.

Predicción de compra innovadora

Al iniciar con un sistema de predicción de compra innovadora, no siempre contamos con valoraciones o calificaciones explícitas de los productos de parte de los clientes. No obstante, las valoraciones las podemos obtener de forma implícita a partir del comportamiento de compra de cada cliente. Estos datos constituyen la información principal de entrada de un algoritmo de recomendación colaborativa que busca clientes que tengan patrones de compra similares. Por ejemplo, si el cliente A y el cliente B han comprado muchos de los mismos productos, se les considera "similares".

Si el cliente A ha comprado un producto que el cliente B aún no ha adquirido, pero otros clientes similares a B sí lo han hecho, el sistema recomienda este producto a B. La idea es que clientes similares tienden a tener necesidades y gustos similares.

Manejo de la escasez de datos y el "cold start"

Otro de los retos importantes que hay que resolver al inicio son los problemas que tienen que ver con el manejo de la escasez de datos y lo que se conoce como el “cold start” (como hacer recomendaciones para productos y clientes nuevos).

Típicamente los clientes interactúan con una fracción muy pequeña de los miles de productos disponibles lo que produce matrices de calificaciones dispersas. Por eso en estos casos se combina el filtrado colaborativo con el filtrado basado en contenido o conocimiento para asegurar que siempre haya recomendaciones, incluso para productos recién lanzados o clientes que acaban de llegar y por lo tanto no tienen un historial de compras extenso.

Las recomendaciones de productos nuevos se hacen basándose en sus características (categoría, marca, etc.) sin necesidad de que otros usuarios ya los hayan comprado antes. Esto es vital cuando se hace el lanzamiento de promociones o nuevos artículos.

Complejidad del catálogo de productos

En un catálogo extenso los productos similares pueden tener diferentes nombres o descripciones. Los sistemas de recomendación avanzados usan taxonomías de productos (estructuras que organizan los productos por categorías, subcategorías, etc.) para agrupar ítems con características similares. Esto permite que el sistema recomiende "agua purificada" si el cliente compra "agua de mesa", entendiendo que son productos relacionados.

Además, se pueden usar técnicas como minería de reglas de asociación para identificar productos que suelen comprarse juntos (ej., pañales y toallitas húmedas) y, así, sugerir productos complementarios. O, identificar productos sustitutos (ej., otra marca de detergente) Esta capacidad es directamente aplicable para aumentar el tamaño del carrito de compra o fomentar la prueba de nuevas marcas.

Claves para la implementación exitosa de un sistema de compra innovadora

Integración de datos omnicanal

Muchas empresas operan tanto en tiendas físicas como en línea. Un sistema de recomendación robusto debe poder combinar los datos de interacción de ambos canales (compras en línea, clics en la web, historial de compras en tienda física) para construir un perfil de cliente más completo. Esto ofrece una visión 360 del cliente y recomendaciones más precisas, un factor crítico en el éxito de los sistemas de recomendación en el comercio minorista.

Consideración de la temporalidad y estacionalidad

Las preferencias de consumo cambian constantemente debido a tendencias, eventos especiales o temporadas (ej., más bebidas refrescantes en temporadas de calor, productos para fiestas en diciembre). Es fundamental que el sistema de recomendación dé mayor peso a las interacciones más recientes y se adapte dinámicamente a estos cambios estacionales.

Adopción gradual y enfoque en el valor

Es importante comunicar que la implementación de estos sistemas puede comenzar con procesos aislados antes de una integración completa. Los gerentes pueden empezar con un proyecto piloto en un área específica para demostrar el valor antes de escalar.

Métricas de negocio clave

• Tasas de clics en las recomendaciones
• Tasas de conversión (cuántos clientes compran después de una recomendación)
• Aumento en el valor del carrito de compra
• Otras evaluaciones de interés tratan de medir la lealtad y retención de los clientes: ¿Las recomendaciones hacen que los clientes vuelvan a comprar o prueben más productos? y la diversidad y la novedad de las recomendaciones: ¿ El sistema ayuda a los clientes a descubrir productos nuevos que no hubieran encontrado por sí mismos, en lugar de solo repetir lo que ya conocen?

La forma más efectiva de medir el impacto real de un sistema de recomendación es a través de pruebas A/B (A/B testing). Un grupo de clientes recibe recomendaciones del nuevo sistema (grupo experimental), mientras que otro grupo recibe las recomendaciones existentes o ninguna (grupo de control). Comparar los resultados de negocio entre ambos grupos permite a los gerentes cuantificar el valor del nuevo sistema.

En resumen, los sistemas de recomendación son herramientas esenciales para el éxito en el comercio actual. Estos sistemas superan desafíos como la escasez de datos y el "cold start" al combinar inteligentemente diferentes algoritmos.. Así, no solo mejoran la experiencia de compra y ayudan a descubrir nuevos productos, sino que también impulsan el crecimiento de las ventas y la fidelización  de clientes. Su eficacia se maximiza con una integración de datos omnicanal y una adaptación continua a las tendencias del mercado. Mirando hacia adelante, la evolución constante de la IA promete continuar transformando la relación entre los clientes y los productos en todos los sectores.