En los negocios, el problema de la aguja en un pajar es un desafío constante. Los motores de recomendación están aquí para ayudar a enfrentar ese desafío.
En el comercio electrónico y el comercio minorista, ofreces cientos o miles de productos. ¿Cuál es el producto adecuado para sus clientes?
En ventas y marketing, tiene una gran cantidad de prospectos en su tubería. Sin embargo, solo tienes tantas horas en el día. Entonces, te enfrentas al desafío de decidir dónde precisamente enfocar tu esfuerzo.
Existe una tecnología especializada impulsada por IA y Big Data, que hace que estos desafíos sean mucho más fáciles de gestionar, motores de recomendación.
¿Qué son los sistemas de recomendación?
En sus términos más simples, un motor de recomendaciones clasifica muchos elementos y predice la selección más relevante para el usuario. Para los consumidores, el motor de recomendación de productos de Amazon es un ejemplo familiar. En el mundo del entretenimiento, Netflix ha trabajado duro para desarrollar su motor. El motor de recomendación de Netflix ha brindado beneficios finales:
“[Netflix’s] sofisticado sistema de recomendaciones y una experiencia de usuario personalizada, les ha permitido ahorrar mil millones de dólares al año en cancelaciones de servicios”. – El ROI de los motores de recomendación para marketing
Desde la perspectiva del usuario final, a menudo no está claro cómo funcionan los motores de recomendación. Vamos a abrir el telón y explicar cómo funcionan, comenzando con el ingrediente clave: los datos.
Motores de recomendación: ¿Qué datos utilizan?
Los datos que necesita para un motor de recomendación dependen de su objetivo. Suponga que su objetivo es aumentar las ventas en una empresa de comercio electrónico. En ese caso, los datos mínimos requeridos se dividirían en dos categorías: una base de datos de productos y el comportamiento del usuario final. Para ilustrar cómo funciona esto, mire este ejemplo simple.
- Empresa: USB Accessories, Inc. La empresa se especializa en la venta de accesorios y productos USB como cables, memorias USB y concentradores para consumidores y empresas.
- Datos del producto. Para mantener simple el motor de recomendaciones inicial, la compañía lo limita a 100 productos.
- Datos del usuario. En el caso de una tienda en línea, los datos del usuario incluirán información de análisis del sitio web, marketing por correo electrónico y otras fuentes. Por ejemplo, puede encontrar que el 50% de los clientes que compran un disco duro externo también compran cables USB.
- Salida de recomendación. En este caso, su motor de recomendaciones puede generar una recomendación (o un código de descuento) a los compradores de discos duros para alentarlos a comprar cables USB.
En la práctica, los mejores motores de recomendación utilizan muchos más datos. Como regla general, los motores de recomendación producen mejores resultados comerciales cuando tienen un gran volumen de datos para usar.
¿Cómo utilizan los motores de recomendación sus datos?
Muchos motores de recomendación utilizan un puñado de técnicas para procesar sus datos.
Filtrado basado en contenido
Este tipo de algoritmo de recomendación combina las preferencias del usuario y los intentos de recomendar elementos similares. En este caso, el motor se centra en el producto y destaca elementos relacionados. Este tipo de motor de recomendación es relativamente simple de construir. Es un buen punto de partida para empresas con datos limitados.
Filtración colaborativa
¿Le ha pedido a alguien más una recomendación antes de hacer una compra? ¿O consideró las revisiones 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 otro contenido generado por los usuarios para producir sugerencias relevantes. Este tipo de 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 obtuvo reseñas y calificaciones de los usuarios (por ejemplo, de 1 a 5 estrellas) durante el último año. Ahora, puede usar tanto el filtrado basado en contenido como el filtrado colaborativo para presentar recomendaciones. La combinación exitosa de múltiples motores de recomendación o algoritmos generalmente requiere experimentación. Por esa razón, es mejor considerarla una estrategia relativamente avanzada.
Un motor de recomendación solo tiene éxito si lo alimenta con datos de alta calidad. Tampoco puede funcionar de manera efectiva si tiene errores o información desactualizada en la base de datos de su empresa. Es por eso que necesita invertir recursos en la calidad de los datos de forma continua.
Estudios de caso:
Contratación automatizada: puntuación de candidatos
Hay más de 50 solicitantes en promedio por publicación de trabajo, según la investigación de Jobvite. Para los departamentos y gerentes de recursos humanos, ese volumen de postulantes genera una enorme cantidad de trabajo. Para simplificar el proceso, Blue Orange implementó un motor de recomendación para un fondo de cobertura Fortune 500. Este proyecto de automatización de RRHH ayudó a la empresa a clasificar a los candidatos de forma estandarizada. Con diez años de datos y currículos de los solicitantes, la empresa ahora tiene un modelo de calificación 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 sin estructurar. Luego, a medida que un candidato avanza en el proceso de solicitud, los humanos se involucran. Agregue al conjunto de datos revisiones de texto de forma libre del solicitante y sesgos tanto lingüísticos como personales. Además, cada fuente de datos está aislada, lo que brinda una oportunidad analítica limitada.
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 de los candidatos, evaluar la adecuación al puesto y reducir el sesgo de contratación humana. Con un conjunto de datos limpio y estructurado, pudimos realizar un análisis de sentimientos en el texto y la detección de subjetividad para reducir el sesgo de los candidatos en la evaluación humana.
Resultados: mediante el uso de clasificadores de detección de palabras clave, reconocimiento óptico de caracteres y motores NLP basados en la nube, pudimos eliminar texto de cadena y convertirlo en datos relacionales. Con datos estructurados, proporcionamos un panel de Business Analytics rápido, interactivo y con capacidad de búsqueda en AWS QuickSight.
Comercio electrónico: suministros médicos de Zageno
Otro ejemplo de motores de recomendación implementados en el mundo real proviene de Zageno. Zageno es una empresa de comercio electrónico que hace por los científicos de laboratorio lo que Amazon hace por el resto de nosotros. La advertencia es que las necesidades de los científicos de laboratorio son exactas, por lo que los suministros adquiridos para su investigación también deben serlo. Las citas a continuación son de nuestra entrevista con Zageno y destacan cómo utilizan los 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 recomendaciones y qué tipo de resultados vio?
Responder:
Hay dos ejemplos de los motores de recomendación que emplea ZAGENO para sus clientes científicos. Para explicar esto, sentimos que era mejor señalarlos con viñetas.
- Puntaje científico de ZAGENO:
- Scientific Score de ZAGENO es un sistema integral de calificación de productos, 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 e imparcial para tomar decisiones de compra precisas.
- Aplicamos sofisticados algoritmos de aprendizaje automático para unir, agrupar y categorizar con precisión millones de productos. La puntuación científica da cuenta de 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 clasificación en el que los científicos pueden confiar, que es específico tanto para la aplicación como para el tipo de producto.
- Las calificaciones estándar de productos son útiles para evaluar productos rápidamente, pero a menudo son sesgadas y poco confiables debido a su dependencia de reseñas desconocidas o una sola métrica (p. ej., publicaciones). También proporcionan pocos detalles sobre el contexto experimental o la aplicación. Scientific Score utiliza una metodología científica para evaluar de manera objetiva y completa los productos de investigación. Combina toda la información necesaria y relevante del producto en una sola calificación de 0 a 10 para ayudar a nuestros clientes a decidir qué producto comprar y usar para su aplicación, ahorrando horas de investigación de productos.
- Para garantizar que no domine ningún factor individual, agregamos puntos de corte y damos más peso a las contribuciones recientes. La gran cantidad de factores que tenemos en cuenta prácticamente elimina cualquier posibilidad de manipulación. Como resultado, nuestro puntaje es una medida objetiva de la calidad y cantidad de información disponible sobre el producto, que respalda las decisiones de compra de nuestros 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 dar cuenta de 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 las compras a considerar y evaluar productos potenciales, que de otra manera podrían no haber considerado/conocido
- Los productos alternativos se definen únicamente por las características del producto y son independientes de los proveedores, la marca u otros datos comerciales.
¿Recomiendas los sistemas de recomendación?
“Sí, pero asegúrese de estar utilizando los datos correctos para basar su recomendación tanto en la calidad como en la cantidad que refleje las verdaderas expectativas del usuario. Cree transparencia porque nadie, particularmente los científicos, confiará o confiará en una caja negra. Comparte con tus usuarios qué información se utiliza, cómo se pondera y sigue aprendiendo para mejorar continuamente. Finalmente, complete el ciclo tomando los comentarios de los usuarios que ha recopilado y regréselos al sistema”. – Zageno
El poder de los motores de recomendación nunca ha sido mayor. Como lo muestran gigantes como Amazon y Netflix, los recomendadores pueden ser directamente responsables de los aumentos en los ingresos y las tasas de retención de clientes. Empresas como Zageno demuestran que no es necesario ser una empresa enorme 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 motores de recomendación a su empresa
Desarrollar un motor de recomendación requiere experiencia en datos. Es posible que su equipo interno de TI no tenga la capacidad para desarrollar esto. Si desea obtener los beneficios de eficiencia y retención de clientes de los motores de recomendación, no tiene que esperar a que TI esté menos ocupado. Contactanos y haznos saber. Él Azul Naranja Digital ¡El equipo de ciencia de datos se complace en hacer que los recomendadores también funcionen para su beneficio!
fuente de la imagen principal: Canva