¿Recomendamos los motores de recomendación?

En los negocios, el problema de la aguja en el pajar es un desafío constante. Los motores de recomendación están aquí para ayudar a abordar ese desafío.

En el comercio electrónico y el retail, ofrecen cientos o miles de productos. ¿Cuál es el producto adecuado para sus clientes?

En las ventas y el marketing, tienen una gran cantidad de prospectos en su pipeline. Sin embargo, solo tienen un número limitado de horas al día. Por lo tanto, enfrentan el desafío de decidir dónde enfocar exactamente su esfuerzo.

Existe una tecnología especializada impulsada por la inteligencia artificial y los macrodatos, que hace que estos desafíos sean mucho más fáciles de gestionar, los motores de recomendación.

¿Qué son los sistemas de recomendación?

En sus términos más simples, un motor de recomendación busca entre muchos artículos y predice la selección más relevante para el usuario. Para los consumidores, el motor de recomendación de productos de Amazon (AMZN ) es un ejemplo familiar. En el mundo del entretenimiento, Netflix (NFLX ) ha trabajado arduamente para desarrollar su motor.

“[El sistema de recomendación sofisticado de Netflix y la experiencia personalizada del usuario] le ha permitido ahorrar $1.000 millones al año en cancelaciones de servicio.” – El ROI de los motores de recomendación para el marketing

Desde la perspectiva del usuario final, a menudo no está claro cómo funcionan los motores de recomendación. Vamos a levantar el telón y explicar cómo funcionan, comenzando con el ingrediente clave: los datos.

Motores de recomendación: ¿Qué datos utilizan?

Los datos que necesitas para un motor de recomendación dependen de tu objetivo. Supongamos que tu objetivo es aumentar las ventas en una empresa de comercio electrónico. En ese caso, los datos mínimos requeridos se dividirían en dos categorías: base de datos de productos y comportamiento del usuario final. Para ilustrar cómo funciona, veamos este ejemplo simple.

• Compañía: Accesorios USB, Inc. La compañía se especializa en vender accesorios y productos USB a consumidores y empresas.
• Datos de productos. Para mantener el motor de recomendación inicial simple, la compañía lo limita a 100 productos.
• Datos de usuarios. En el caso de una tienda en línea, los datos de usuarios incluirán información de análisis de sitios web, marketing por correo electrónico y otras fuentes. Por ejemplo, es posible que descubras que el 50% de los clientes que compran un disco duro externo también compran cables USB.
• Salida de recomendación. En este caso, tu motor de recomendación puede generar una recomendación (o un código de descuento) para los compradores de discos duros para animarlos a comprar cables USB.

En la práctica, los mejores motores de recomendación utilizan mucha más información. Como regla general, los motores de recomendación producen mejores resultados comerciales cuando tienen una gran cantidad de datos para utilizar.

¿Cómo utilizan los motores de recomendación tus datos?

Muchos motores de recomendación utilizan una serie de técnicas para procesar tus datos.

Filtrado basado en contenido

Este tipo de algoritmo de recomendación combina las preferencias del usuario y trata de recomendar artículos similares. En este caso, el motor se centra en el producto y resalta artículos relacionados. Este tipo de motor de recomendación es relativamente simple de construir. Es un buen punto de partida para las empresas con datos limitados.

Filtrado colaborativo

¿Alguna vez ha pedido a alguien una recomendación antes de hacer una compra? ¿O ha considerado las reseñas en línea en su proceso de compra? Si es así, ha experimentado el filtrado colaborativo. Los motores de recomendación más avanzados analizan las reseñas de los usuarios, las calificaciones y otros contenidos generados por el usuario para producir sugerencias relevantes. Esta estrategia de motor de recomendación es poderosa porque aprovecha la prueba social.

Recomendadores híbridos

Los motores de recomendación híbridos combinan dos o más métodos de recomendación para producir mejores resultados. Volviendo al ejemplo de comercio electrónico descrito anteriormente, supongamos que ha adquirido reseñas y calificaciones de los usuarios (por ejemplo, 1 a 5 estrellas) durante el último año. Ahora, puede utilizar tanto el filtrado basado en contenido como el filtrado colaborativo para presentar recomendaciones. Combinar con éxito múltiples motores de recomendación o algoritmos generalmente requiere experimentación. Por esa razón, es mejor considerarlo como una estrategia relativamente avanzada.

Un motor de recomendación solo es exitoso si se alimenta con datos de alta calidad. También no puede funcionar de manera efectiva si tiene errores o información desactualizada en su base de datos de la empresa. Es por eso que necesita invertir recursos en la calidad de los datos de manera continua.

Estudios de caso:

Hiring Automated: Puntuación de candidatos

Hay más de 50 solicitantes por puesto de trabajo en promedio, según una investigación de Jobvite. Para los departamentos de recursos humanos y los gerentes, ese volumen de solicitantes crea una cantidad tremenda de trabajo. Para simplificar el proceso, Blue Orange implementó un motor de recomendación para un fondo de cobertura de Fortune 500. Este proyecto de automatización de recursos humanos ayudó a la empresa a clasificar a los candidatos de una manera estandarizada. Utilizando diez años de datos de solicitantes y currículos, la empresa ahora tiene un modelo de puntuación sofisticado para encontrar candidatos adecuados.

Un fondo de cobertura en la ciudad de Nueva York necesitaba analizar currículos que eran inconsistentes y requerían OCR para mejorar su proceso de contratación. Incluso el mejor análisis de OCR te deja con datos desordenados y no estructurados. Luego, a medida que el candidato avanza en el proceso de solicitud, los humanos se involucran. Agrega al conjunto de datos texto libre de reseñas del solicitante y tanto sesgos lingüísticos como personales. Además, cada fuente de datos está siloizada, lo que proporciona oportunidades de análisis limitadas.

Enfoque: Después de evaluar los procesos de contratación de varias empresas, hemos encontrado tres oportunidades consistentes para mejorar sistemáticamente los resultados de contratación utilizando el aprendizaje automático de NLP. Las áreas problemáticas son: estructurar correctamente los datos del currículum del candidato, evaluar la idoneidad para el trabajo y reducir los sesgos de contratación humanos. Con un conjunto de datos limpio y estructurado, pudimos realizar análisis de sentimiento del texto y detección de subjetividad para reducir los sesgos del candidato en la evaluación humana.

Resultados: Utilizando detectores de clasificación de palabras clave, reconocimiento óptico de caracteres y motores de NLP basados en la nube, pudimos limpiar texto de cadena y convertirlo en datos relacionales. Con datos estructurados, proporcionamos un panel de análisis de negocios interactivo y searchable en AWS QuickSight.

Comercio electrónico: Suministros médicos Zageno

Otro ejemplo de la implementación de motores de recomendación en el mundo real proviene de Zageno. Zageno es una empresa de comercio electrónico que hace para los científicos de laboratorio lo que Amazon hace para el resto de nosotros. La salvedad es que las necesidades de los científicos de laboratorio son exactas, por lo que los suministros adquiridos para su investigación deben serlo también. Las citas a continuación son de nuestra entrevista con Zageno y destacan cómo utilizan motores de recomendación para entregar los suministros más precisos a los científicos de laboratorio.

Preguntas y respuestas: Blue Orange Digital entrevista a Zageno

Pregunta:
¿Cómo ha utilizado su empresa un motor de recomendación y qué tipo de resultados ha visto?

Respuesta:

Hay dos ejemplos de los motores de recomendación que ZAGENO emplea para sus clientes científicos. Para explicarlos, sentimos que lo mejor era enumerarlos.

• Puntuación científica de ZAGENO:
  • La puntuación científica de ZAGENO es un sistema de calificación de productos integral, desarrollado específicamente para evaluar productos de investigación. Incorpora varios aspectos de los datos del producto, de múltiples fuentes, para equipar a los científicos con una calificación de producto sofisticada y no sesgada para tomar decisiones de compra precisas.
  • Aplicamos algoritmos de aprendizaje automático sofisticados para emparejar, agrupar y categorizar con precisión millones de productos. La puntuación científica tiene en cuenta estas categorizaciones, ya que la puntuación de cada producto se calcula en relación con los de la misma categoría. El resultado es un sistema de calificación que los científicos pueden confiar —uno que es específico tanto para la aplicación del producto como para el tipo de producto.
  • Las calificaciones de productos estándar son útiles para evaluar productos rápidamente, pero a menudo están sesgadas y no son confiables, debido a su dependencia de reseñas desconocidas o una sola métrica (por ejemplo, publicaciones). También proporcionan poca información sobre el contexto experimental o la aplicación. La puntuación científica utiliza una metodología científica para evaluar de manera objetiva y integral los productos de investigación. Combina toda la información de producto necesaria y relevante en una sola calificación de 0 a 10 para apoyar a los clientes en la decisión de qué producto comprar y usar para su aplicación —ahorrando horas de investigación de productos.
  • Para asegurarnos de que ningún factor único domine, agregamos puntos de corte y damos más peso a las contribuciones recientes. La gran cantidad de factores que tenemos en cuenta elimina virtualmente cualquier oportunidad de manipulación. Como resultado, nuestra calificación es una medida objetiva de la calidad y la cantidad de información de producto disponible, lo que apoya las decisiones de compra de los clientes.
• Productos alternativos:
  • Los productos alternativos se definen por los mismos valores para los atributos clave; los atributos clave se definen para cada categoría para tener en cuenta las características específicas del producto.
  • Estamos trabajando para aumentar los datos y atributos subyacentes y mejorar el algoritmo para mejorar las sugerencias
  • Las sugerencias de productos alternativos están destinadas a ayudar tanto a los científicos como a los departamentos de compras a considerar y evaluar posibles productos que no habrían considerado o conocido de otra manera
  • Los productos alternativos se definen únicamente por las características del producto y son independientes de los proveedores, la marca u otros datos comerciales

¿Recomendamos los sistemas de recomendación?

“Sí, pero asegúrate de utilizar los datos correctos para basar tu recomendación en la calidad y la cantidad que reflejen las expectativas reales de los usuarios. Crea transparencia porque nadie, particularmente los científicos, confiarán o confiarán en una caja negra. Comparta con los usuarios qué información se utiliza, cómo se pondera y siga aprendiendo para mejorar continuamente. Finalmente, complete el ciclo tomando los comentarios de los usuarios que ha recopilado y devuélvalos al sistema.” – Zageno

El poder de los motores de recomendación nunca ha sido mayor. Como han demostrado gigantes como Amazon y Netflix, los recomendadores pueden ser directamente responsables de aumentos en los ingresos y las tasas de retención de clientes. Empresas como Zageno muestran que no necesitas ser una empresa masiva para aprovechar el poder de los recomendadores. Los beneficios de los motores de recomendación abarcan muchas industrias, desde el comercio electrónico hasta los recursos humanos.

La forma rápida de llevar los motores de recomendación a su empresa

Desarrollar un motor de recomendación requiere experiencia en datos. Es posible que su equipo de TI interno no tenga la capacidad de construir esto. Si desea obtener los beneficios de retención de clientes y eficiencia de los motores de recomendación, no tiene que esperar a que TI esté menos ocupado. Háganos saber. El equipo de ciencia de datos de Blue Orange Digital está encantado de hacer que los recomendadores funcionen para su beneficio también.

Fuente de la imagen principal: Canva