banner
Hogar / Noticias / ¿Qué es un motor de recomendación?
Noticias

¿Qué es un motor de recomendación?

Feb 02, 2024Feb 02, 2024

Un motor de recomendación, o sistema de recomendación, es una herramienta de filtrado de datos que proporciona sugerencias personalizadas a los usuarios en función de su comportamiento y preferencias anteriores. Utilizando algoritmos de aprendizaje automático y análisis estadístico, puede predecir los deseos y necesidades de una persona en función de los datos que genera, así como sugerir productos, contenidos o información que probablemente encuentren interesantes o relevantes.

“El objetivo”, según Patrick Thompson, director de producto del proveedor de motores de recomendación Amplitude, “es llegar al punto en el que se recomienda el contenido adecuado a la persona adecuada en el momento adecuado, basándose en su recorrido anterior. "

Un motor de recomendaciones es una herramienta que utiliza el aprendizaje automático para detectar patrones en los datos de comportamiento de una persona (como el historial de navegación y compras anteriores) para sugerir contenido, productos o información específicos que probablemente encuentren interesantes o relevantes.

Los motores de recomendación están en todas partes, desde servicios de transmisión de vídeo hasta sitios de comercio electrónico. Algunos ejemplos familiares incluyen Netflix, que sugiere programas y películas que le podrían gustar a un usuario en función de su historial de visualización, y Google, que utiliza el historial de navegación de una persona para clasificar la información y predecir lo que puede buscar a continuación.

En un mundo de sobrecarga de información, los motores de recomendación facilitan que los consumidores descubran los productos y el contenido que desean, y que las empresas creen experiencias personalizadas que hagan que esos consumidores regresen.

Lectura relacionadaPara los usuarios, una mejor IA significa más personalización

En pocas palabras, los motores de recomendación reúnen una gran cantidad de datos y luego utilizan el aprendizaje automático para recomendar la "siguiente mejor acción", dijo Thompson, y eso podría ser cualquier cosa, desde comprar un producto hasta hacer clic en un video.

Hay dos categorías principales en juego en un motor de recomendación: usuarios y elementos, según Eugene Medved, desarrollador de inteligencia artificial del proveedor de motores de recomendación InData Labs. "La tarea en sí", explicó, "consiste en clasificar los elementos para un usuario específico según la probabilidad de interacción".

Esto se logra mediante un orden estándar de operaciones, comenzando con la recopilación de datos.

Los datos son cruciales para el funcionamiento de los motores de recomendación. La información sobre los hábitos de navegación de una persona, su historial de compras (e incluso más detalles personales como su sexo y edad) forman los componentes básicos a partir de los cuales se extraen los patrones. Cuantos más datos tenga acceso un motor de recomendaciones, más eficaz será a la hora de realizar sugerencias relevantes.

Estos datos suelen presentarse en dos formas. Uno son los datos implícitos, que se refieren a información sobre el historial de búsqueda, clics, compras y otras actividades de un usuario; lo recopila una empresa cada vez que una persona utiliza su sitio. El otro son datos explícitos, que cubren las entradas del usuario, como calificaciones, reseñas o comentarios anteriores. (Los motores de recomendación también utilizan datos sobre la edad, el sexo y los intereses generales de una persona para identificar clientes similares).

Recopilar todos estos datos de los clientes es esencial para crear un motor de recomendaciones.

Una vez que se recopilan los datos del cliente, deben almacenarse. Cómo y dónde se almacenan depende del tipo de datos que se hayan recopilado.

Además de los datos sobre los usuarios, las empresas también almacenan datos sobre los artículos que ofrecen, ya sean zapatos o programas de televisión. Esto puede ser cualquier cosa, desde el precio hasta el género y el tipo de artículo, todo lo cual se utiliza para ayudar a determinar las similitudes de productos y las preferencias del usuario.

Luego, se coloca un sistema de aprendizaje automático encima de esos datos, profundizándolos y analizándolos.

Los motores de recomendación utilizan todo tipo de algoritmos para analizar datos, pero el más común es la descomposición de valores singulares o SVD. Esta es una técnica matemática que divide una matriz en tres matrices más pequeñas en un esfuerzo por detectar patrones y relaciones en los datos, así como también determinar la solidez de esos patrones y relaciones. El objetivo es comprender mejor la estructura subyacente de un gran conjunto de datos para poder extraer información significativa.

El último paso es filtrar los datos. Se aplican diferentes reglas y fórmulas matemáticas a los datos, según el tipo de motor de recomendación. Hay tres tipos de motores de recomendación: filtrado colaborativo, filtrado basado en contenido y filtrado híbrido.

El filtrado colaborativo recopila y analiza datos sobre las actividades, el comportamiento y las preferencias de los usuarios para predecir lo que le gustará a una persona en función de su similitud con otros usuarios. Una ventaja de este enfoque es que no requiere que el sistema comprenda el contenido o los productos en cuestión, sólo los usuarios. Pero el filtrado colaborativo sólo funciona bien si está respaldado por una gran cantidad de datos de muchos usuarios diferentes.

El filtrado basado en contenido se basa en los metadatos recopilados de las acciones y preferencias de una sola persona. Para hacer recomendaciones de esta manera, los algoritmos crean un perfil de un usuario individual, lo cruzan con una descripción del artículo o contenido en cuestión (género, tipo de producto, etc.) y determinan si ese artículo o contenido debe recomendarse a ese individuo. Si bien es bueno para crear sugerencias personalizadas, este tipo de motor de recomendaciones se limita a cualquier información que una persona haya proporcionado en el pasado.

El filtrado híbrido es una combinación de filtrado colaborativo y filtrado basado en contenido, y está diseñado para mejorar la precisión y relevancia de sus recomendaciones.

Las sugerencias realizadas por un motor de recomendaciones se pueden presentar a un usuario de diversas formas. Pueden presentarse como un mensaje directamente en el sitio (“productos similares a este” o “a los usuarios también les gustaron”, por ejemplo), como un anuncio dirigido que aparece más tarde en las redes sociales u otro sitio web, o como parte de un mensaje personalizado. mensaje de marketing, como un correo electrónico.

Los motores de recomendación a menudo sincronizan sus datos de recomendación en todos los dispositivos diferentes, lo que ayuda a garantizar que los usuarios reciban sugerencias consistentes y personalizadas, independientemente de si están usando un televisor, una aplicación móvil o una computadora personal. Los motores de recomendación también aprenden continuamente de las interacciones y los comentarios de los usuarios a través del aprendizaje adaptativo, refinando sus recomendaciones para alinearse mejor con las preferencias individuales a medida que evolucionan.

Más información¿Qué hace que un motor de recomendación de música sea bueno?

Los motores de recomendación se utilizan en una variedad de industrias y se han convertido en un medio popular para mejorar tanto la experiencia del cliente como los resultados de una empresa.

En el comercio electrónico, los motores de recomendación desempeñan un papel crucial a la hora de impulsar las ventas. Alrededor del 35 por ciento de las compras en Amazon provienen de recomendaciones de productos, según un informe de McKinsey & Company. Hoy en día, mensajes como “es posible que también te guste esto” y “compra este producto nuevamente” son un sitio familiar en casi todos los sitios minoristas en línea.

Los motores de recomendación también se utilizan para identificar productos que los clientes compran juntos con frecuencia y presentarlos como artículos agrupados o relacionados. Por ejemplo, si un comprador busca mancuernas, el motor de recomendaciones puede sugerirle accesorios compatibles, como esterillas de yoga y bandas de resistencia.

Las recomendaciones basadas en aspectos como la ubicación, la temporada, el precio y usuarios similares también son tácticas comunes en el comercio electrónico y se utilizan como una forma de incentivar a los clientes a seguir comprando.

Las plataformas de redes sociales como Facebook e Instagram utilizan motores de recomendación para sugerir amigos o grupos según la red, los intereses y la ubicación existentes de un usuario. También los utilizan para mostrar publicaciones y anuncios relevantes, según las preferencias del usuario.

Por ejemplo, YouTube considera el historial de visualización y las calificaciones de un espectador para sugerir nuevos videos. Y TikTok considera los videos con los que el usuario ha interactuado en el pasado, las cuentas y los hashtags que ha seguido, el tipo de contenido que crea y su ubicación y preferencias de idioma para determinar qué videos mostrar en su página Para ti.

Cuando un usuario busca películas y programas de televisión en una plataforma de transmisión como Netflix, Hulu o Max, el motor de recomendación analiza su historial de visualización, búsquedas y calificaciones anteriores para sugerir contenido que probablemente verá y disfrutará. Una vez que un usuario termina de ver ese contenido, el motor de recomendaciones sugiere el siguiente título a ver. Todo esto es una forma útil de mantener a los usuarios interesados ​​y reducir el tiempo que dedican a buscar contenido.

Las plataformas de juegos, como Steam y Playstation Store, y los servicios de transmisión de música, como Spotify y SoundCloud, también utilizan motores de recomendación para sugerir contenido relevante en función de las preferencias y los datos históricos del usuario.

Los motores de recomendación pueden resultar beneficiosos tanto para las empresas que los implementan como para los usuarios que los encuentran.

Una experiencia más personalizada puede generar clientes más satisfechos, comprometidos y leales, principalmente porque reciben el contenido o los productos que desean sin tener que esforzarse en encontrarlos ellos mismos.

Después de todo, la falta de un motor de recomendaciones crea una “experiencia bastante deficiente” para los clientes, como lo expresó Thompson de Amplitude. Sin él, nuestras redes sociales estarían llenas de contenido que no nos importa. Y tendríamos que buscar cada producto, película, programa y canción nosotros mismos, lo que sería una tarea que consumiría bastante tiempo.

Las plataformas de redes sociales, los servicios de transmisión de medios e incluso los medios de comunicación quieren que las personas pasen el mayor tiempo posible en sus sitios. Proporcionar constantemente recomendaciones relevantes de más vídeos para ver, canciones para escuchar y artículos para leer mantiene a los usuarios enganchados.

Esto se traduce en más tasas de clics, conversiones y, como suele ocurrir con los sitios web, más dólares.

Quizás el mayor beneficio de los motores de recomendación, al menos desde el punto de vista empresarial, es que pueden ayudar a las plataformas a ganar más dinero. Los motores de recomendación no sólo incentivan a las personas a realizar más compras (una técnica conocida como venta cruzada), sino que también pueden sugerir alternativas de productos y llamar la atención sobre artículos que han sido abandonados en el carrito de compras en línea de un cliente.

Incluso si una empresa no se dedica a vender productos físicos per se, los motores de recomendación aún pueden hacer maravillas en sus resultados. Por ejemplo, si el motor de recomendaciones de Netflix ofrece constantemente a los espectadores contenido que les gusta ver, es menos probable que cancelen su suscripción o elijan otro servicio de streaming, lo que le ahorrará a Netflix alrededor de mil millones de dólares al año, según la compañía.

"Si usted es una organización que busca aumentar los ingresos, poder brindar experiencias personalizadas para sus clientes en función de su probabilidad de comprar o de completar una acción en particular, impulsa el crecimiento de su negocio", dijo Thompson.

Hot TakeRage contra el aprendizaje automático: mi guerra con los motores de recomendación

Sin embargo, los motores de recomendación presentan algunos desafíos.

Un motor de recomendaciones es tan bueno como los datos que recibe. Si no tiene información precisa o abundante sobre usuarios o elementos, probablemente no funcionará correctamente.

"Tienen conocimientos limitados", dijo a Built In Alexander Marmuzevich, fundador y director de tecnología de InData Labs. "No pueden proponer algo que no existe, no pueden generar ideas completamente nuevas".

Un ejemplo común de esto es lo que Alexei Tishurov, científico de datos líder en InData Labs, llama un "problema de arranque en frío". Esto ocurre cuando un motor de recomendaciones tiene dificultades para tratar con nuevos usuarios que aún no han proporcionado suficientes datos para que el motor pueda hacer recomendaciones precisas. Los elementos nuevos con pocos o ningún dato histórico vinculado a ellos también pueden ser un desafío para el motor.

"Es necesario que los usuarios interactúen con los elementos para realizar un filtrado colaborativo", Tishurov explicado. "Pero si tienes un servicio completamente nuevo, no tienes ese historial".

Como cualquier sistema de aprendizaje automático, los motores de recomendación pueden producir resultados sesgados si se basan en datos sesgados. Esto puede dar lugar a recomendaciones inexactas o incluso discriminatorias, planteando problemas tanto funcionales como éticos.

Por extensión, los motores de recomendación pueden ser víctimas del sesgo de popularidad, donde los artículos populares tienden a sugerirse con más frecuencia que los menos conocidos. Esto puede provocar una falta de diversidad en las recomendaciones e impedir que los usuarios descubran artículos especializados o menos populares.

Los datos son la columna vertebral de los motores de recomendación. Pero a medida que las regulaciones y políticas relativas a la recopilación y el almacenamiento de datos sigan evolucionando, adquirir datos de clientes suficientemente precisos para generar recomendaciones decentes será un desafío constante.

Las empresas deben asegurarse de cumplir con las normas de seguridad y privacidad existentes en las jurisdicciones en las que operan. E incluso entonces, los clientes a menudo pueden optar por no proporcionar los motores de recomendación de datos que necesitan.

"Si un cliente no le da permiso para rastrearlo o rastrear su comportamiento mientras navega por su sitio web, es mucho más difícil para usted brindarle esas experiencias personalizadas", dijo Thompson. Sitios como Netflix y Amazon "no pueden funcionar sin poder utilizar los modelos para ofrecer recomendaciones personalizadas", continuó. "Es un sistema central y crítico para el negocio cuando se trata de brindar su servicio".

Profundice en la privacidad en línea: una guía sobre cómo se utilizan sus datos personales

Amazon, Netflix y YouTube son ejemplos bien conocidos de motores de recomendación. Estos sitios recopilan datos sobre el historial de búsqueda, el comportamiento y las reseñas de los usuarios para sugerir cosas que tal vez quieran comprar (o ver) a continuación.

La descomposición de valores singulares (SVD) es el algoritmo más común utilizado en los motores de recomendación. SVD es una técnica matemática que detecta patrones y relaciones en los datos y determina su solidez para extraer información significativa.