Sistemas de Recomendación | Loogic Startups

Artículo realizado por Francisco Carrero y José Carlos Cortizo, fundadores de Social Gaming Platform, Wipley.

Si miramos las empresas que han triunfado en Internet, nos damos cuenta que la mayoría de ellas se dedican a desarrollar y explotar tecnologías centradas en el procesamiento automático de la información. Por poner ejemplos concretos, podemos centrarnos en Google y Amazon, dos negocios sumamente distintos, pero con nexos en común. Google ha popularizado los motores de búsqueda hasta el punto de convertirlos en una herramienta utilizada por millones de personas todos los días, mientras que Amazon ha sustentado gran parte de su éxito en un excelente motor de recomendación capaz de convertir Amazon en una tienda especial para cada uno de sus usuarios. Ambas tecnologías son sumamente interesantes, aunque los sistemas de recomendación siguen siendo todavía el “patito feo”, y no ha sido hasta hace unos pocos de años que han empezado a despegar de forma empresarial.

¿Qué es un Sistema de Recomendación?

Abstrayéndonos de cómo se desarrollan y de su funcionamiento interno, un Sistema de Recomendación se podría definir como un asistente virtual que es capaz de seleccionar aquellos productos o contenidos que se adaptan más a tus intereses.

El ejemplo paradigmático en este campo es Amazon, que analiza continuamente a sus usuarios, extrayendo información de qué productos compras, cuáles ves, cuáles valoras, etc. Con toda esta información, es capaz de determinar cuáles son tus intereses y cuáles son los productos que más se adaptan a tus intereses para preparar un “escaparate virtual” especialmente preparado para ti.

¿Qué beneficios aporta a los negocios el utilizar Sistemas de Recomendación?

Se podrían nombrar múltiples beneficios de los Sistemas de Recomendación, aunque no hay nada mejor que escuchar las palabras de quienes ya les están sacando partido. Hace algún tiempo, el New York Times se hacía eco de los intentos de Netflix por mejorar su motor de recomendación:

“Las recomendaciones de Cinematch actualmente representan un sorprendente 60 por ciento de los alquileres de Netflix. En ocasiones incluso desvía la atención de los clientes desde los grandes éxitos hacia las películas independientes y menos comerciales. Los videoclubs tradicionales dependen de estos hits, que representan el 80% de sus alquileres. En Netflix, por el contrario, el 70% de los alquileres vienen del final de la lista (películas más antiguas o menos comerciales). Un buen sistema de recomendación, en otras palabras, no ayuda simplemente a que la gente encuentre nuevas cosas. Como Netflix ha descubierto, también les anima a consumir más productos.”

Podemos decir que un buen sistema de recomendación permite dos cosas diferentes: por un lado, consigue que la gente consuma más; por otro, les descubre productos que de otra forma no conocerían. Esto se conecta con la teoría de “la larga cola” de C. Anderson, y permite el gestionar millones de productos o contenidos de una forma más inteligente.

Buscando la similitud con el “mundo real”, en una tienda física no queda más remedio que organizar los escaparates de manera que puedan llegar de la mejor posible a los clientes objetivo en general. Un Sistema de Recomendación permite dar un paso más allá, y no solo ofrecer un “escaparate virtual” general para todos los clientes objetivo, si no generar un escaparate para cada cliente, mostrándole sólo aquellos productos que se adaptan (o pueden adaptar) a sus gustos. De forma similar, a través de la televisión todos los espectadores de un determinado programa visualizan los mismos anuncios al mismo tiempo; pero integrando Sistemas de Recomendación podemos mostrar a cada espectador de un canal o programa online la publicidad que mejor puede encajar con él.

¿Cómo funciona un Sistema de Recomendación?

Al igual que en el caso de los motores de búsqueda, las tripas de los Sistemas de Recomendación son complejas, y seguramente es un tema que queda fuera del interés para la mayoría de los lectores de este blog. Sin embargo, abstrayéndonos de lo muy técnico, y generalizando, podemos hablar de 2 tipos fundamentales de sistemas de recomendación con un funcionamiento eminentemente distinto.

1.- Recomendación basada en filtrado colaborativo

Esta es la estrategia utilizada por Amazon y resulta muy eficaz cuando disponemos de una enorme base de datos de productos/contenidos, usuarios e interacciones entre usuarios y productos. De esta manera, para cada usuario se calculan aquellos usuarios que son más similares en función de los productos comprados o por los que se ha mostrado interés. Después, se analizan los productos por los que han mostrado interés estos usuarios similares, y se calcula la probabilidad de que al usuario le interese cada uno de esos artículos en función del número de apariciones de cada artículo en el conjunto de usuarios similares, y de la similitud con cada uno de los usuarios.

El objetivo de este proceso es simple y claro, si gestionas muchísimos usuarios, resulta relativamente simple encontrar usuarios con los que compartas intereses. Esos usuarios, seguramente, tendrán productos que tu no has comprado previamente, y que es muy probable que te interesen debido a la similitud en tus compras pasadas con las suyas.

2.- Recomendación basada en contenidos

La recomendación basada en contenidos no utiliza información sobre el comportamiento o las compras de los usuarios, sino que analiza los metadatos (título, descripción, etc.) de los productos que ofreces para encontrar productos parecidos en función de esos metadatos. Este enfoque es muy útil cuando no se tienen demasiados usuarios registrados y, por tanto, no se dispone de esa “inteligencia colectiva” que aporta el análisis del comportamiento de los usuarios.

El futuro de los Sistemas de Recomendación

La forma en la que consumimos información está cambiando, de hecho el éxito de las redes sociales es un buen síntoma de ello, y si ponemos en una balanza la cantidad de información que recibimos (vía feeds, medios sociales, correos, etc.) con respecto a la cantidad de información que buscamos, cada día la balanza se torna más hacia el lado de la información que recibimos. Por tanto, en los últimos tiempos ha ido creciendo el interés por las tecnologías que son capaces de procesar toda esa información y hacer una criba automática que permita llegar a aquéllo que nos interesa de una forma más simple. Así pues, parece que los Sistemas de Recomendación van a ser el reemplazo de los motores de búsqueda en el futuro, al menos en términos de popularidad.

Eso sí, para lograr esta posición, los Sistemas de Recomendación deben complementar los enfoques colaborativos y basados en contenidos a través de una mayor adaptación a la Web Social, explotando al máximo el grafo social de los usuarios, las interacciones entre los usuarios, e incluso la gran cantidad de información que los usuarios generan en medios muy populares como Twitter y Facebook.

Te puede interesar:

  • Presentación de Social Gaming Platform en Invesnova Estoy participando en el foro de inversión Invesnova, organizado por la EOI en Madrid. En el evento se presentan ante inversores 16 proyectos innovadores de base tecnológica. En la primera […]
  • Loogic Links 172 y fin?Loogic Links 172 y fin? Es probable que este sea el último Loogic Links en mucho tiempo, mis recomendaciones de artículos que me parecen interesantes han migrado a Twitter y se nota porque el último artículo que […]
  • Google compra fflickGoogle compra fflick Interesante operación por parte de Google al comprar por 10 millones de dólares el servicio web fflick que ofrece revisiones de películas de cine realizadas mediante mensajes de los […]
  • ¿Por qué tanto odio a Groupon?¿Por qué tanto odio a Groupon? Artículo realizado por Pablo Elosua, fundador de Yunait. En los últimos días hemos asistido a un linchamiento, desde diferentes frentes, a Groupon y al sector de los daily deals en […]