Quienes compran online habrán notado que las plataformas sugieren productos que podrían interesarles. Y si son de usar servicios de streaming, seguro alguna vez hicieron clic en una recomendación de video o audio. Estos son los famosos algoritmos de recomendación. Puede parecer trivial, pero detrás de esa funcionalidad hay un trabajo minucioso que no existiría sin el Big Data.
El funcionamiento básico de los algoritmos de recomendación
Los algoritmos de recomendación recopilan y analizan datos de los usuarios para generar recomendaciones personalizadas. Es una disciplina estrechamente ligada al Big Data, la minería de datos y el análisis de datos. Aunque hoy se asocian con internet, los algoritmos de recomendación tienen sus raíces en el mundo offline. De hecho, el primer sistema reconocido de este tipo, llamado Tapestry, se diseñó hace unos 20 años para filtrar correos electrónicos en grupos de noticias.
Pero, ¿qué quiere decir que estos sistemas no son nativos de Internet? Acá va un ejemplo: en 2012, un hombre de Minneapolis descubrió que su hija adolescente estaba embarazada porque la tienda Target comenzó a enviarle anuncios de maternidad. Sin que la chica dijera nada, el algoritmo detectó su embarazo por las compras que hizo en la tienda. Incluso fueron tan precisos que ajustaron sus anuncios con el tiempo: empezaron con ropa de maternidad, siguieron con suplementos alimenticios para embarazadas y más adelante ofrecieron productos para el bebé. Esta historia, relatada por el New York Times, todavía se menciona en cursos sobre marketing.
Esa misma época coincide con el informe de McKinsey publicado en 2011, titulado Big Data: la próxima frontera para la innovación, la competencia y la productividad. Según el informe, ya se anticipaba que en los Estados Unidos pronto se necesitarían más de 190.000 científicos de datos para atender la demanda creciente en esta área.
Hoy en día, los algoritmos de recomendación funcionan combinando dos tipos de datos:
- Datos implícitos: el historial de compras, la navegación en sitios web, la frecuencia de visitas y los cupones de descuento que se utilizan. Por ejemplo, si se compra un disfraz y una crema bronceadora, el sistema puede sugerirte una reposera.
- Datos explícitos: reseñas, comentarios y valoraciones que los usuarios dejan voluntariamente en plataformas.
Estos datos implícitos no son exclusivos de la era digital. La tienda Target utilizó ese tipo de información en sus locales físicos para anticipar las necesidades de sus clientes.
Hoy, gracias a la capacidad de procesamiento que tienen las computadoras y las herramientas analíticas, los algoritmos de recomendación refinan al máximo sus sugerencias, maximizando las chances de captar la atención de los usuarios.
Ejemplos de algoritmos de recomendación
Los algoritmos de recomendación están presentes en casi todos los rincones de internet:
- Facebook: La sección “Personas que quizá conozcas” se basa en la relación entre usuarios. Si A comentó la publicación de B y C también, es probable que A y C se conviertan en amigos. O si A y B compran un mismo producto y lo califican positivamente, el sistema puede sugerir que también compartan otros intereses.
- Amazon: La plataforma lleva el sistema a un nivel casi obsesivo. Se encuentran recomendaciones en varias secciones: “Otros productos que podrías considerar”, “Similares a tus compras anteriores” o “Artículos para explorar”.
- YouTube: Acá las recomendaciones se manifiestan en la lista de “Videos sugeridos” que ves en tu pantalla de inicio.
Otros gigantes como Google, LinkedIn, Netflix y Spotify también usan estos sistemas. En el fondo, el objetivo es siempre el mismo: actuar como un vendedor eficiente que entiende las preferencias y ofrece justo lo que se quiere. Así, las plataformas logran que el usuario encuentre un producto que, idealmente, no pueda rechazar.
Tipos de algoritmos
Como anticipamos en la explicación anterior, los algoritmos de recomendación se basan en datos implícitos y explícitos, y se centran en distintos tipos de filtrado, incluido el colaborativo. Todos estos son tecnicismos que quizás no resulten muy claros, así que intentaremos profundizar.
Existen varios tipos de sistemas, y los más comunes son:
- Arranque en frío: Suele sugerir a los visitantes de un sitio los productos más populares entre todos los clientes, como una lista de los más vendidos. Sin embargo, este tipo de recomendación suele ser poco efectiva para satisfacer los gustos particulares de cada usuario.
- Reglas asociativas: En este caso, el algoritmo busca correlaciones amplias entre eventos. Por ejemplo, si alguien compra un libro de Umberto Eco, se le recomendarán otros títulos del autor. Aunque no necesariamente garantizan precisión, ayudan a generar recomendaciones rápidas y relevantes.
Por otro lado, existen algoritmos más específicos que van más allá del contenido y se denominan colaborativos. Entre ellos se destacan:
- Factorización matricial: Este enfoque intenta comprender mejor las interacciones entre los usuarios y los productos o servicios, con el objetivo de predecir sus preferencias futuras.
- Agrupamiento: Consiste en identificar grupos de usuarios o elementos similares, lo que facilita el análisis de grandes volúmenes de datos.
- Vecino más cercano: Basado en la idea de asociar usuarios o productos con otros que compartan características similares. Es uno de los algoritmos más simples dentro del aprendizaje automático.
El principio fundamental del filtrado colaborativo es que los usuarios con preferencias similares en el pasado tienden a mantenerlas en el futuro.
Por otro lado, están los modelos híbridos, que combinan el filtrado colaborativo y el basado en contenido para ofrecer recomendaciones más precisas. Un ejemplo de esto es LightFM, una biblioteca en Python diseñada específicamente para sistemas de recomendación híbridos.
Tecnologías de algoritmos de recomendación
Los algoritmos de recomendación se sostienen en el Big Data y su análisis en tiempo real. Lo ideal es que el cliente reciba sugerencias útiles durante la fase de compra.
Este proceso es posible gracias al aprendizaje automático, que permite procesar grandes cantidades de datos rápidamente. En este contexto, herramientas como Hadoop y Apache Spark llevan casi diez años siendo fundamentales en la creación de algoritmos de recomendación eficientes.
Un ejemplo concreto puede ser el de una biblioteca en línea con 400 mil títulos, dos millones de compradores y 15 millones de reseñas. Procesar toda esa información de manera exhaustiva puede llevar días. Sin embargo, un clúster que distribuya el trabajo mediante herramientas de análisis en memoria puede reducir ese tiempo a solo unos minutos, adaptando las recomendaciones a las preferencias del cliente en tiempo real.
¿Por qué las empresas utilizan algoritmos?
La respuesta más evidente sería: “para vender más”. Aunque esto es cierto, hay más en juego. El objetivo principal de un algoritmo de recomendación es mostrar productos relevantes al cliente, pero también mejorar su experiencia y fomentar su retorno.
Por eso, las plataformas online diversifican sus estrategias. Por ejemplo, Amazon sugiere productos que le pueden interesar al usuario, no siempre con la intención de concretar una venta inmediata, sino de mantener al cliente enganchado. Por otro lado, una revista digital que recomienda artículos según las preferencias del lector busca prolongar su tiempo en la plataforma, ya que no solo importa el número de clics, sino también cuánto tiempo pasan los usuarios navegando.
Los algoritmos de recomendación no son solo una herramienta comercial, sino una estrategia de fidelización. Un cliente que disfruta de su experiencia en una plataforma es más probable que vuelva.
Un ejemplo interesante es el de Netflix, que en 2016 determinó que la lista de reproducción ideal debía contener 30 opciones. Esta recomendación, basada en género y cantidad, no solo mejoró la experiencia del usuario, sino que ayudó a incrementar su base de clientes pagos de 75 millones a 100 millones.
Fuente: Ai4business.it, Network Digital360
