¿Qué es un motor de recomendación?

Los motores de recomendación ayudan a los usuarios a descubrir contenido, productos o servicios que tal vez no hubieran encontrado por sí solos. Estos sistemas son parte integral de la generación de ventas y el fomento de la interacción en muchos negocios en línea, incluidos sitios web de comercio electrónico, plataformas de streaming de multimedia, motores de búsqueda y redes sociales.

Un recomendador sugiere la próxima película o vídeo que ver, una canción similar que escuchar, resultados de búsqueda relevantes o un producto que complemente un determinado pedido.

Las sugerencias creadas por los sistemas de recomendación también juegan un papel vital en la personalización de las experiencias de los usuarios. Según una investigación de la consultora de gestión McKinsey , la personalización puede aumentar los ingresos entre un 5 % y un 15 %. Además, el 76 % de los clientes se sienten frustrados cuando no experimentan interacciones personalizadas.

El mercado de los sistemas de recomendación está creciendo. En 2024, el mercado de motores de recomendación  se estima en 6880 millones de dólares, y se prevé que este tamaño de mercado se triplique en 5 años.

Para dirigirse a los usuarios con sugerencias adecuadas, un motor de recomendación combina la ciencia de datos y el machine learning.

Los recomendadores suelen funcionar en cinco fases para predecir las recomendaciones más precisas:

Los recomendadores difieren en función del método de filtrado que utilizan. En general, hay tres tipos de motores de recomendación:

Un sistema de filtrado colaborativo filtra las sugerencias basándose en el parecido de un usuario concreto con otros. Los sistemas de recomendación colaborativa se basan en datos explícitos e implícitos y asumen que los usuarios con preferencias comparables probablemente estarán interesados en los mismos artículos y potencialmente interactuarán con ellos de forma similar en el futuro.

Amazon , por ejemplo, utiliza el filtrado colaborativo para sus recomendaciones de productos, al igual que Spotify lo hace para su contenido de audio.

Los recomendadores de filtrado colaborativo pueden ofrecer sugerencias eficaces y no suelen necesitar descripciones detalladas de los artículos. Sin embargo, el filtrado colaborativo también es propenso al problema del arranque en frío, que se produce cuando el sistema tiene datos históricos limitados de los que nutrirse, especialmente en el caso de los nuevos usuarios.

Hay dos tipos principales de sistemas de filtrado colaborativo: los basados en memoria y los basados en modelos.

Los sistemas basados en memoria representan a los usuarios y los elementos como una matriz. Son una extensión del algoritmo k-vecinos más cercanos (KNN) porque su objetivo es encontrar a sus "vecinos más cercanos", que pueden ser usuarios o elementos similares. Los sistemas basados en memoria se subdividen en 2 tipos:

• El filtrado basado en el usuario calcula las similitudes entre un usuario determinado y todos los demás usuarios de la matriz. Las funciones de similitud basadas en el usuario se calculan entre las filas de la matriz usuario-artículo.

• El filtrado basado en elementos calcula la similitud de los mismos a través del comportamiento del usuario (cómo interactúan los usuarios con los elementos y no con las características de los mismos). Las funciones de similitud basadas en elementos se calculan entre las columnas de la matriz usuario-artículo.

Alternativamente, los sistemas basados en modelos crean un modelo predictivo de machine learning de los datos. La matriz usuario-artículo sirve como conjunto de datos de entrenamiento para el modelo, que a continuación arroja predicciones para los valores que faltan, es decir, los artículos que un usuario aún no ha encontrado y que, por tanto, le serán recomendados.

Uno de los algoritmos de filtrado colaborativo basado en modelos más utilizados es la factorización matricial. Este método de reducción de la dimensionalidad descompone la matriz usuario-elemento, a menudo de gran tamaño, en dos matrices más pequeñas (una para los usuarios y otra para los elementos) con un número selecto de dimensiones. A continuación, las dos matrices se multiplican entre sí para predecir los valores que faltan (o las recomendaciones) en la matriz mayor.

Una implementación más avanzada de la factorización de matrices aprovecha las redes neuronales de deep learning. Otros sistemas basados en modelos emplean algoritmos de machine learning como los clasificadores Bayes, la agrupación y los árboles de decisión.

Un sistema de filtrado basado en contenido filtra las recomendaciones en función de las características de un artículo. Los sistemas de recomendación basados en contenido asumen que si a un usuario le gusta un artículo en particular, también le gustará otro artículo similar. El filtrado basado en contenido tiene en cuenta las descripciones de los artículos, como el color, la categoría, el precio y otros metadatos asignados por palabras clave y etiquetas, junto con datos explícitos e implícitos.

Los sistemas de filtrado basados en contenido representan artículos y usuarios como vectores en un espacio vectorial. La proximidad se utiliza para determinar la similitud entre los artículos. Cuanto más cerca estén dos vectores en el espacio, más similares se considerarán. Se recomendarán al usuario vectores similares a los artículos anteriores según las características suministradas.

Los recomendadores basados en contenido aplican un clasificador basado en el usuario o un modelo de regresión. Las descripciones y características de los artículos en los que está interesado un usuario actúan como conjunto de datos de entrenamiento del modelo, que luego produce predicciones para los artículos recomendados.

Los sistemas de recomendación basados en contenido pueden mejorarse aún más mediante el uso de etiquetas de procesamiento del lenguaje natural . Sin embargo, este proceso de etiquetado puede ser tedioso para grandes volúmenes de datos.

A diferencia del filtrado colaborativo, el problema del arranque en frío es un problema menor, ya que el filtrado basado en contenido se basa en las características de los metadatos y no en la interacción anterior del usuario. Sin embargo, el filtrado basado en contenido puede verse limitado a la hora de explorar nuevos elementos, ya que a menudo sugiere aquellos similares a los que antes les gustaban a los usuarios.

Como su nombre indica, un sistema de recomendación híbrido combina el filtrado colaborativo y el filtrado basado en contenido.

Como resultado, un enfoque híbrido puede mejorar enormemente el rendimiento de un motor de recomendación, pero requiere arquitecturas avanzadas y una potencia computacional intensiva.

Netflix, por ejemplo, utiliza un sistema de recomendación híbrido para sus recomendaciones de películas y series.

Un motor de recomendación puede aportar valor tanto a las empresas como a los usuarios. Estas son algunas de las ventajas que las organizaciones pueden obtener al invertir en sistemas de recomendación:

La recomendación del producto o servicio adecuado ahorra a los usuarios el tiempo de desplazarse interminablemente por un extenso catálogo. Por ejemplo, el 80 % de lo que los espectadores ven en Netflix proviene de sugerencias impulsadas por algoritmos de recomendación. Además, sugerir contenido relevante conduce a experiencias personalizadas.

Según un estudio de McKinsey, una experiencia del cliente mejorada se traduce en una mayor satisfacción del cliente, un 20 % más, para ser exactos. Los clientes satisfechos interaccionan más y desarrollan lealtad hacia una marca, lo que permite a las empresas generar confianza y fidelizar más clientes.

La oferta de recomendaciones personalizadas anima a los usuarios a ver y hacer clic en más artículos, lo que podría acabar convirtiendo a los usuarios en compradores. McKinsey descubrió un aumento del 10 %-15 % en las tasas de conversión de ventas a partir de experiencias del cliente más positivas y personalizadas.

Las conversiones de clientes impulsan las ventas, y las ventas impulsan los ingresos. McKinsey señala que el 35 % de lo que los compradores adquieren en Amazon proviene de recomendaciones de productos. Mientras tanto, Netflix estima un ahorro de más de mil millones de dólares gracias a su sistema de recomendación.

Los sistemas de recomendación tienen sus limitaciones y plantean retos para las organizaciones. Estos son algunos de los más comunes:

Los motores de recomendación implican analizar y filtrar cantidades masivas de datos. Esto requiere arquitecturas complejas y una inversión significativa en recursos de computación.

Los sistemas de recomendación deben ser lo suficientemente rápidos como para determinar y mostrar las recomendaciones correctas en tiempo real. Esto se hace aún más difícil cuando las sugerencias en tiempo real se presentan de forma simultánea a cientos o miles de usuarios, por no hablar de millones de ellos.

La optimización de los algoritmos de machine learning en torno a las métricas equivocadas puede dar lugar a recomendaciones irrelevantes. Los artículos que suelen tener muchas valoraciones podrían sugerirse con más frecuencia que los nuevos u oscuros o los que tienen menos reseñas. Sin embargo, es posible que los artículos más populares o más comprados no sean los que interesan a los clientes.

Los algoritmos de machine learning pueden aprender los sesgos sociales presentes en los datos (ya sean los datos recopilados, los datos etiquetados, los datos de entrenamiento o fuentes de datos externas) o de los evaluadores humanos que ajustan el modelo. Esto puede dar lugar a recomendaciones poco precisas.

Algunos usuarios pueden optar por no participar en las iniciativas de recopilación de datos de una empresa para los sistemas de recomendación por motivos de privacidad. Las empresas también podrían tener que considerar los requisitos reglamentarios y las normas de cumplimiento a la hora de recopilar y almacenar datos.

Estas son algunas formas en las que las empresas pueden utilizar los sistemas de recomendación. Es posible que surjan otros casos de uso y aplicaciones a medida que la tecnología de recomendación evolucione.