Los motores de recomendación se han utilizado ampliamente en la industria de los medios de comunicación para predecir qué tipo de información o contenido les interesaría a los clientes. Las empresas pueden combinar datos estructurados y no estructurados y métodos de Machine Learning para emparejar personas y contenidos, mejorando así la relevancia de las recomendaciones de contenidos y la eficiencia de su distribución.
Con los principales actores de los medios tecnológicos, como TikTok y Netflix, que se aventuran cada vez más en los contenidos interactivos e inteligentes basados en la IA, es probable que veamos un cambio de los contenidos más simples.
Los motores de recomendación no son solo para los medios de comunicación y el retail: pueden utilizarse en todos los sectores para aportar valor a los clientes finales o a los empleados de la propia organización. Impulsan el valor empresarial en una gran cantidad de sectores y organizaciones. Son versátiles y adaptables, además de proporcionar ese toque personalizado que impulsa la dependencia del usuario. Con la rápida evolución de la lealtad de los usuarios, la capacidad de entender rápidamente lo que un usuario puede querer y proporcionárselo es fundamental para el éxito continuado.
Los motores de recomendación avanzados dependen de una serie de variables para generar el mejor valor para los usuarios. La mayoría se basan en alguna combinación de filtrado colaborativo y análisis de contenido.
El análisis basado en el contenido se produce cuando un motor recomienda artículos basándose en información fundamental sobre la cosa en sí. Puede ser algo tan sencillo como la posición del nombre en el alfabeto, o tan complicado como una amalgama de puntuaciones de pruebas de seguridad. Dado que el análisis basado en el contenido se basa en atributos fundamentales, es menos voluble que el comportamiento del usuario, pero aún puede cambiar en función de la disponibilidad de nueva información y del ajuste del modelo.
El filtrado colaborativo, en cambio, se basa en los hábitos de consumo y compra de usuarios similares para determinar qué recomendar. De este modo, los motores pueden depender de la capacidad humana para captar los matices de la experiencia.
El filtrado colaborativo es especialmente adecuado para los contenidos creativos, como las películas y la música, dado que las estadísticas y los rasgos cuantificables no pueden abordar ese contenido de manera adecuada.
Aunque el filtrado colaborativo es potente, su capacidad para incluir nuevas opciones es limitada. Los motores de recomendación sufren el problema del arranque en frío, en el que los nuevos contenidos con los que no han interactuado los usuarios no pueden colocarse adecuadamente en la matriz de recomendaciones. Al no tener compromiso ni reseñas, es menos probable que los usuarios lo prueben, relegando el contenido a un limbo ineludible.
El problema del arranque en frío es difícil de resolver, en parte porque depende de muchos factores y opiniones externas. Sin embargo, la IA puede utilizar el modelado predictivo para ayudar a integrar los nuevos elementos en los motores de recomendación filtrados de forma colaborativa, permitiendo así que los usuarios correctos participen. La evolución basada en comportamientos pasados es un punto fuerte del Machine Learning y una de las razones por las que los motores de recomendación están despegando.
Los motores de recomendación sirven para algo más que para sugerir cafeterías de moda; el valor empresarial de la personalización y la adaptación es evidente. Por lo tanto, al empezar, es fundamental plantearse preguntas básicas.
¿Cuál es el objetivo final del proyecto?
¿Son realmente necesarias las recomendaciones?
¿Existen otras soluciones (como la detección de anomalías) que puedan ser más adecuadas para el problema en cuestión?
¿En qué datos se basarán?
¿Cómo se almacenarán y procesarán rápidamente los datos?
¿Cuándo se harán las recomendaciones?
¿Estarán disponibles los datos necesarios en ese momento de la experiencia del usuario?
¿Serán lo suficientemente rápidos como para influir en el compromiso?
¿Son necesarios cambios en el producto para que las recomendaciones tengan éxito?
¿Existen datos suficientes a disposición del modelo, o cómo se pueden hacer accesibles más datos?
¿Deben tratarse todos los contenidos por igual?
¿O deben promocionarse artificialmente los nuevos contenidos en un intento de acabar con el problema del arranque en frío?
¿Cómo deben segmentarse los usuarios? La geografía, la edad y el género son divisiones comunes, pero a medida que los modelos evolucionan estos grupos de interés pueden volverse más sofisticados.
Dataiku es la solución ideal para crear motores de recomendación
Dataiku es la plataforma que democratiza el acceso a los datos y permite a las empresas construir su propio camino hacia la IA. Cientos de empresas utilizan Dataiku a diario para construir, desplegar y supervisar los flujos de datos predictivos, incluso para construir motores de recomendación personalizados.
Esta plataforma, todo en uno, ofrece:
Funciones para los equipos técnicos, de marketing y de negocio, para que todos puedan aportar su experiencia y contribuir a la producción de motores de recomendación relevantes.
Soporte para el proceso del motor de recomendación junto con la guia y el expertise de Keyrus, desde el principio hasta el final - porque un motor de recomendación que no está en producción no ofrece ningún valor - incluyendo características robustas de operacionalización y monitoreo de modelos en producción.
Referencias:
Todos los derechos reservados a Dataiku