Machine Learning

¿Qué es un Algoritmo de Recomendación?

Un algoritmo de recomendación o sistema de recomendación utiliza datos para generar recomendaciones personalizadas para un individuo.

El objetivo, habitualmente, es aumentar las ventas cruzadas / ascendentes o inducir a los usuarios a consumir más contenido.

Mostrar a sus clientes los productos que les gustarán sin tener que buscarlos es una excelente experiencia para el cliente. Esto puede generar ingresos adicionales y mejorar la experiencia de usuarios y con ella la satisfacción del cliente.

Se estima que alrededor del 35% de las compras en Amazon tiene como causa las recomendaciones que reciben los clientes.

Alrededor del 75% del contenido visto en Netflix son causadas por las recomendaciones de su sistema. Esto les supone un ahorro de aproximadamente mil millones de dólares al año sólo en inversiones de marketing que Netflix no ha tenido que realizar.

 

Con la creciente disponibilidad de datos, junto con ordenadores más baratos y más potentes, vemos que los algoritmos de recomendación se están volviendo cada vez más comunes.

Ya no están restringidos a “gigantes” como Amazon o Netflix. Ahora vemos sistemas de recomendación dentro de los smartphones que ofrecen elementos de “Noticias que pueden interesarle”. En su televisor inteligente, bajo la sugerencia “Personas que vieron X, también vieron Y”. Incluso en la carrito de compra de su web de compras favorita, “Artículos a menudo adquiridos junto a….”.

Los algoritmos de recomendación se pueden implementar en una variedad de lugares para ayudarte a innovar y potenciar el marketing. Por ejemplo, aquí hay varios casos de éxito de algoritmos de recomendación

s.

Sectores que usan algoritmos de recomendación con éxito

ONG's y Fundaciones

Como has donado para este proyecto, quizás te interese más información sobre estos éxitos que hemos obtenido. Identifica la próxima acción para la que pedir un donativo. Planificación de la maduración del donante.

Email Marketing

Aquí se usa para generar contenido dinámico y personalizado en una misma campaña de email Marketing.

Anuncios de empleo

"Como has aplicado a esta posición, quizás te interese conocer estas ofertas de empleo..." (Linkedin, Infojobs y muchos otros utilizan esta herramienta para generar más interacciones).

Minoristas Online

Recomendaciones de productos para clientes específicos. "Estos son productos similares a los que has comprado" - "Productos muchas veces adquiridos juntos".

Servicios de suscripciones

Recomendaciones de contenido para usuarios. "Otros usuarios han léido X después de leer Y" - "Como has visto X quizás quieras ver también Y".

Web Remarketing

Además de recordarle al cliente el producto que ha visto se pueden enviar recomendaciones de otros productos similares, como opción de compra adicional.

Aplicaciones de citas

Cómo le has dado un "me gusta" a X, quizas quieras conocer a Y. Los algoritmos tienen en cuenta las preferencias incluso a este nivel personal.

Aplicamos Inteligencia Humana a la Inteligencia Artifical

En Adroit creemos firmemente que la Inteligencia Artificial es extremadamente poderosa. Sin embargo, sigue necesitando a la inteligencia humana para guiarla.

Es esta inteligencia humana, aplicada por nuestro equipo de experto en datos y marketing, lo que convierte a Adroit en una agencia diferente cuando trabajamos con sistemas de Inteligencia Artificial.

Si bien algunos se contentan con vender algoritmos de recomendación “listos para usar”, entendemos que es el conocimiento humano, la experiencia, la intuición y la inteligencia lo que nos ayuda a aportar soluciones beneficiosas e innovadoras.

De hecho, un ordenador no puede diferenciar entre una correlación falsa y una válida. O si una recomendación es apropiada. Para esto se necesita un humano.

Ejemplos de algoritmos de recomendación

Un ejemplo claro son los casos en los que las recomendaciones se basan en productos comprados anteriormente o “también productos vistos”. Especialmente si tienen un ciclo de compra repetido lo suficientemente largo.

Por ejemplo, si alguien ha comprado recientemente una cafetera Espresso. Un producto que debería durar unos años. Servir al mismo cliente otras cafeteras Espresso de otros fabricantes, con la sugerencia “Las personas que vieron esto también se interesaron por “esto”, probablemente no sea la mejor idea. Pero, servirles productos relacionados, complementarios, como espumadores de leche, tazas y monodosis de café sí lo sería.

De manera similar, debemos asegurarnos de que las recomendaciones sean relevantes.

Para ellos necesitamos suficientes datos. El problema no está en encontrar relaciones, sino en encontrar relaciones significativas.

Solo porque los datos muestran una alta correlación entre las personas que compran una marca / modelo particular de cafetera Espresso y la compra de una cortadora de césped, no significa que sea apropiado hacer esta recomendación.

También es probable que en determinados momentos desee impulsar productos específicos.

Por ejemplo, ¿tiene demasiado stock, la temporada está terminando o hay una oportunidad particular para vender ese producto?

Se pueden realizar recomendaciones basados en el historial de compra de un usuario y aprovechar que se conoce el gasto medio o, en algunos casos, se pueden usar “influencers” y mostrarle información o una imagen donde el influencer clave viste la prenda o usa ese producto.

La capacidad de recomendación es enorme, pero siempre se tiene que basar en los datos disponibles para que sea realmente eficaz.

¿Cuáles son los retos con el uso de la Inteligencia Artificial?

También hay retos en los datos que deben abordarse, por ejemplo, ¿cómo tratamos con nuevos clientes potenciales / clientes de los que no sabemos nada? ¿Cómo podemos evitar que las recomendaciones se vuelvan demasiado estrictas para las personas, sin darles variedad? ¿Cómo evitamos que el algoritmo de recomendaciones recomiende artículos agotados? ¿Y cómo optimizamos el algoritmo de recomendaciones, para aumentar el valor y los márgenes? ¿Cómo mantenemos las recomendaciones actualizadas para un cliente?

 

Adroit puede ayudarte a garantizar que los sistemas de recomendación sean flexibles y se adapten a las necesidades cambiantes.

¡Contáctanos!