Sistemas de re­co­me­n­da­ción: la clave del éxito en el eCommerce

“Este artículo podría gustarle.” Quizá te suene esta frase. Efe­c­ti­va­me­n­te, los sistemas de re­co­me­n­da­ción han crecido en im­po­r­ta­n­cia en los últimos años, hasta re­pre­se­n­tar hoy en día una gran opo­r­tu­ni­dad para el comercio digital, sobre todo en relación con el big data. Con la ayuda de so­fi­s­ti­ca­dos al­go­ri­t­mos y apo­yá­n­do­se en esta vo­lu­mi­no­sa base de datos sobre los usuarios, los sistemas de re­co­me­n­da­ción co­n­s­ti­tu­yen la esperanza del sector, que confía en aumentar así las co­n­ve­r­sio­nes. ¿Quién no conoce afi­r­ma­cio­nes como “Personas, que compraron este artículo, también compraron” o “Esto también podría in­te­re­sar­le”, con las que nos tro­pe­za­mos usua­l­me­n­te en nuestras compras online? Estos consejos, idea­l­me­n­te ajustados a las pre­fe­re­n­cias in­di­vi­dua­les del comprador, son el resultado de un re­n­di­mie­n­to in­fo­r­má­ti­co co­n­si­de­ra­ble y de complejos al­go­ri­t­mos. Si en el terreno del eCommerce los sistemas de re­co­me­n­da­ción ya están fi­r­me­me­n­te en­rai­za­dos, también otros sectores se be­ne­fi­cian de una te­c­no­lo­gía que no hace más que mejorar.

Los sistemas de re­co­me­n­da­ción (“re­co­m­me­n­der system” o “re­co­m­me­n­da­tion system” en inglés) son, bá­si­ca­me­n­te, un sistema de software que filtra in­fo­r­ma­ción de interés para el usuario con el fin de pro­po­ne­r­le lo más ati­na­da­me­n­te posible aquel producto más adecuado a sus ne­ce­si­da­des. A partir de conductas an­te­rio­res, como las compras en una de­te­r­mi­na­da tienda, estos sistemas evalúan cuál es el grado de interés de este usuario por ciertos productos y busca, de forma au­to­má­ti­ca, productos parecidos y con una alta pro­ba­bi­li­dad de atraer su atención.

Las re­co­me­n­da­cio­nes pe­r­so­na­li­za­das en­cue­n­tran apli­ca­ción en diversos ámbitos y suelen en­co­n­trar­se en todos aquellos servicios web (tiendas web, servicios de tra­n­s­mi­sión au­dio­vi­sual online pu­bli­ca­cio­nes) que ofrecen un gran número de objetos, ya se trate de libros, ropa o películas, de los cuales solo una parte podría ser in­te­re­sa­n­te para el usuario. Las re­co­me­n­da­cio­nes serían una forma de ayudar al usuario a encontrar esas piezas de su agrado entre todas las que componen el catálogo global de artículos, ya que realizan una pre­se­le­c­ción basándose, por ejemplo, en búsquedas an­te­rio­res del usuario.

En qué nos be­ne­fi­cian los sistemas de re­co­me­n­da­ción

Re­tra­ta­das así, estas pro­pue­s­tas au­to­ma­ti­za­das si­g­ni­fi­can, sin duda, un alivio para los co­n­su­mi­do­res, porque, en lugar de tener que recorrer una lista inaca­ba­ble de ofertas poco re­le­va­n­tes hasta que en­cue­n­tran lo que buscan, les ayudan, en teoría, a desgranar lo más in­te­re­sa­n­te de lo menos in­te­re­sa­n­te. Los pro­pie­ta­rios de los sitios web, por su parte, esperan que este efecto positivo se refleje en un aumento del tráfico o de las ventas. En el eCommerce, las buenas re­co­me­n­da­cio­nes siempre conducen a carritos de la compra llenos que amplían los márgenes de ganancia.

Sin embargo, la otra cara de la moneda del mero cálculo a partir de al­go­ri­t­mos ma­te­má­ti­cos se encuentra en la falta del co­m­po­ne­n­te humano. Incluso los cálculos más refinados fracasan en conductas humanas muy básicas, lo que hace que, en ocasiones, las pro­pue­s­tas recibidas no sean del todo lo que esperaba el co­n­su­mi­dor o le hagan incluso deses­pe­rar.

Para que un sistema de re­co­me­n­da­ción funcione necesita una cantidad de­te­r­mi­na­da de in­fo­r­ma­ción de la que pueda partir. En función de la na­tu­ra­le­za de esta in­fo­r­ma­ción es posible di­fe­re­n­ciar entre distintos tipos de algoritmo de filtrado, entre los que se incluyen los basados en contenido (content-based), los co­la­bo­ra­ti­vos (co­lla­bo­ra­ti­ve), los sensibles al contexto y aquellos que también tienen en cuenta el factor temporal o los datos de­mo­grá­fi­cos.

Sistemas de filtrado basado en contenido

Este tipo de software filtra objetos o co­n­te­ni­dos similares a los que el co­n­su­mi­dor ya ha buscado, visto, comprado o valorado po­si­ti­va­me­n­te. Para poder es­ta­ble­cer una similitud entre objetos, el sistema realiza un análisis del contenido. Por ejemplo, en las pla­ta­fo­r­mas de re­pro­du­c­ción de música online, el software evalúa las piezas musicales ana­li­za­n­do su es­tru­c­tu­ra interna para encontrar piezas similares que podrían tener una línea de bajo parecida.

Sistemas de filtrado co­la­bo­ra­ti­vo

En los métodos de filtrado co­la­bo­ra­ti­vo, la re­co­me­n­da­ción se basa en usuarios que han hecho va­lo­ra­cio­nes se­me­ja­n­tes. Si estas han delatado un gran interés por un de­te­r­mi­na­do producto en el pasado, el sistema lo re­co­mie­n­da a otros usuarios. Aquí no es tan necesaria la in­fo­r­ma­ción sobre el artículo en sí. Es el sistema que usa Amazon, por ejemplo (filtrado co­la­bo­ra­ti­vo ítem a ítem).

Pre­di­c­ción basada en memoria o en modelo

Los sistemas co­la­bo­ra­ti­vos utilizan di­fe­re­n­tes métodos de apre­n­di­za­je, entre los cuales los de uso más frecuente son los basados en memoria (memory-based) y los basados en modelo (model-based). El primero calcula la semejanza entre usuarios u objetos a partir del volumen total de va­lo­ra­cio­nes al­ma­ce­na­das. El resultado co­n­s­ti­tu­ye la base sobre la que se podrán pro­no­s­ti­car co­m­bi­na­cio­nes usuario-objeto aún no valoradas. Los métodos basados en modelo trabajan, por el contrario, según los pri­n­ci­pios del apre­n­di­za­je au­to­má­ti­co. Con los datos como re­fe­re­n­cia, el sistema genera un modelo ma­te­má­ti­co con cuya ayuda se puede predecir el interés de un usuario por un de­te­r­mi­na­do producto.

Los sistemas de filtrado en­cue­n­tran apli­ca­ción hoy día en multitud de te­rri­to­rios. Los tres sectores más im­po­r­ta­n­tes son los servicios de tra­n­s­mi­sión au­dio­vi­sual en línea (Spotify, Netflix), las tiendas ele­c­tró­ni­cas más veteranas, como Amazon, y los sistemas de pu­bli­ci­dad basada en contenido.

Cuando nadie se lo esperaba, a pri­n­ci­pios de 2017, Amazon ya liberó su software de apre­n­di­za­je profundo (en inglés, Deep learning) DSSTNE, siglas de Deep Scalable Sparse Tensor Network Engine (pro­nu­n­cia­do “Destiny”), que co­n­s­ti­tu­ye el fu­n­da­me­n­to del sistema de re­co­me­n­da­cio­nes en Amazon, pe­r­mi­tie­n­do así que el software sea mejorado por de­sa­rro­lla­do­res en todo el mundo. En general, la tendencia en el eCommerce es ir hacia sistemas de re­co­me­n­da­ción cada vez más pe­r­so­na­li­za­dos. Cada vez hay más empresas que apuestan por una pe­r­so­na­li­za­ción que vaya más allá de la re­co­me­n­da­ción del “artículo más popular” y que es el resultado de la co­m­bi­na­ción de diversas es­tra­te­gias que tienen en cuenta los intereses, los artículos más populares y otros factores como su di­s­po­ni­bi­li­dad y los cambios en el precio.

Outbrain ha alcanzado más de 500 millones de usuarios en todo el mundo y en su página web se jacta de contar con oficinas en 11 países y clientes di­s­tri­bui­dos por todo el globo. Entre sus editores se incluyen medios de co­mu­ni­ca­ción como ABC, El País o El Wa­shi­n­g­ton Post, entre muchos otros nombres de primer nivel. La oferta Outbrain Amplify aspira a alcanzar a otro público objetivo, el de las Pymes, y mo­ti­var­las a ampliar su mercado gracias a un catálogo de marcas que incluiría a la mayoría de grandes fa­bri­ca­n­tes.

Plista, por su parte, promete a los usuarios de su motor de re­co­me­n­da­cio­nes una se­g­me­n­ta­ción ex­tre­ma­da­me­n­te precisa, lo que ga­ra­n­ti­za­ría un alto índice de acierto. La te­c­no­lo­gía de re­co­me­n­da­cio­nes de Plista se apoya en el trabajo en común de varios al­go­ri­t­mos, que ha de lograr que la pu­bli­ci­dad y el contenido se ajusten siempre a las pre­fe­re­n­cias in­di­vi­dua­les del usuario.

Ambas pla­ta­fo­r­mas de pu­bli­ci­dad co­n­te­x­tual funcionan gracias al vo­lu­mi­no­so conjunto de datos generados tanto por los usuarios como por los editores. A diario, el servidor de Plista registra millones de pe­ti­cio­nes que equivalen a las veces que un usuario abre una página con el widget de Plista instalado. En esta acción, atributos como el navegador, el sistema operativo, el di­s­po­si­ti­vo, la fecha y la hora o in­fo­r­ma­ción semántica sobre el contenido que se está leyendo van a parar a un re­po­si­to­rio de datos que se procesan en co­m­bi­na­ción con datos técnicos hasta que fi­na­l­me­n­te el algoritmo los optimiza. En este proceso se dan cita diversas te­c­no­lo­gías, entre otras, la se­g­me­n­ta­ción por co­m­po­r­ta­mie­n­to (beha­vio­ral targeting), el filtrado co­la­bo­ra­ti­vo y la se­g­me­n­ta­ción semántica, dando como resultado un targeting exhau­s­ti­vo que permite la pu­bli­ca­ción de re­co­me­n­da­cio­nes in­di­vi­dua­li­za­das de contenido basadas en los data.

Como hemos visto, los sistemas de re­co­me­n­da­ción tienen una im­po­r­ta­n­cia capital en el ámbito del comercio ele­c­tró­ni­co porque, emitiendo las pro­pue­s­tas adecuadas, re­pre­se­n­tan una opo­r­tu­ni­dad de aumentar la tasa de co­n­ve­r­sión y, con ella, las ventas. Muchos sistemas para tiendas online tienen in­te­gra­das algunas funciones estándar de re­co­me­n­da­ción que, aunque permiten un análisis bien fu­n­da­me­n­ta­do, no aventajan a la uti­li­za­ción de una solución especial de software. Diversos pro­vee­do­res ofrecen a las empresas so­lu­cio­nes SaaS (Software as a Service) con las que integrar re­co­me­n­da­cio­nes pe­r­so­na­li­za­das en su proyecto comercial. Entre los más conocidos se en­cue­n­tran BrainSINS, Ba­ri­llia­n­ce o Certona. La mayor parte de estos pro­vee­do­res prometen so­lu­cio­nes de software capaces de aprender por sí mismas que parten de te­c­no­lo­gías de pe­r­so­na­li­za­ción propias (métodos basados en modelo). Su gran ventaja, además de contar con una fu­n­cio­na­li­dad muy amplia, es que reducen la di­fi­cu­l­tad de su im­ple­me­n­ta­ción de forma co­n­si­de­ra­ble, ya que no es necesario invertir ni en hardware ni en software. Estas so­lu­cio­nes se ocupan, entre otras cosas, de tres pasos fu­n­da­me­n­ta­les: la base de datos de tracking, la llamada in­ge­nie­ría de factores (feature en­gi­nee­ri­ng) y, fi­na­l­me­n­te, el pro­ce­sa­mie­n­to y el análisis de los datos.

Bases de datos de se­gui­mie­n­to

Para poder analizar los datos hay que, ló­gi­ca­me­n­te, re­co­le­c­tar­los antes. Mediante el clásico se­gui­mie­n­to el software recopila in­fo­r­ma­ción central sobre la lo­ca­li­za­ción geo­grá­fi­ca, el carro de la compra, el momento del día, los hábitos y en general sobre todo el customer journey, que el programa guarda en una base de datos.

In­ge­nie­ría de factores

De esta in­fo­r­ma­ción contenida en la base de datos se han de filtrar los de­no­mi­na­dos features, que podrían tra­du­ci­r­se como ca­ra­c­te­rí­s­ti­cas o factores. Estos pueden ser di­fe­re­n­tes y abarcar desde la hora de la visita y su duración hasta los periodos de tiempo entre acciones, aunque para el diseño del pro­nó­s­ti­co solo son ne­ce­sa­rios unos pocos factores. El desafío de este sistema radica pre­ci­sa­me­n­te en ide­n­ti­fi­car estos aspectos es­pe­cia­l­me­n­te re­le­va­n­tes, que son los que tienen una in­flue­n­cia si­g­ni­fi­ca­ti­va en la conducta de compra y, en de­fi­ni­ti­va, en las de­ci­sio­nes finales. La selección in­di­vi­dual de features varía en función de la tienda, por lo que es necesario llevar a cabo un análisis in­te­li­ge­n­te. Es el paso previo a la ela­bo­ra­ción de los modelos de pre­di­c­ción.

Pro­ce­sa­mie­n­to y análisis de los datos

Basándose en estos aspectos y ca­ra­c­te­rí­s­ti­cas más re­le­va­n­tes, definidos de forma in­di­vi­dual para la tienda online, el sistema realiza sus pre­vi­sio­nes. La creación de estos modelos de previsión requiere una gran potencia co­mpu­tacio­nal y puede llegar a durar varias horas. El sistema almacena los modelos, que servirán como fu­n­da­me­n­to para el cálculo de las re­co­me­n­da­cio­nes. Es así como cada visita en la tienda recibe consejos y re­co­me­n­da­cio­nes pe­r­so­na­li­za­dos.

El comercio digital tiende a la pe­r­so­na­li­za­ción con he­rra­mie­n­tas cada vez más refinadas. Esto no solo se debe a que las empresas están sometidas a una gran presión e intentan de forma pe­r­ma­ne­n­te di­fe­re­n­ciar­se de sus rivales, sino también a los cambios en la pe­r­ce­p­ción por parte del usuario. La pu­bli­ci­dad se ide­n­ti­fi­ca como tal mucho más rá­pi­da­me­n­te que antes e incluso llega a ser ignorada (ceguera a banners). Si, a pesar de todo, se consigue despertar el interés del co­n­su­mi­dor con in­fo­r­ma­ción in­di­vi­dual y relevante para él y una debida se­g­me­n­ta­ción, crecen las opo­r­tu­ni­da­des de que se produzca una co­n­ve­r­sión. Lo mismo se puede decir de los sistemas de re­co­me­n­da­ción, cada vez más sensibles y exactos. Encontrar la es­tra­te­gia más adecuada y alcanzar al cliente potencial influye po­si­ti­va­me­n­te en las ventas y, en de­fi­ni­ti­va, en el éxito em­pre­sa­rial en el sector del eCommerce.