Digamos que has visto Notting Hill en Netflix. El servicio de streaming te sugiere una variedad de películas de comedia romántica para que las veas a continuación. O tal vez acabas de leer El paciente silencioso de Alex Michaelides en tu Kindle. Y ahora el lector electrónico comienza a promocionarte novelas de suspense. Tal vez compraste una estera de silicona para hornear en Amazon y, efectivamente, la próxima vez que inicies sesión, Amazon te recomendará herramientas para hornear de todas las formas y tamaños.
¿Cómo se volvieron tan inteligentes estas tecnologías que anticipan lo que podría necesitar a continuación? La respuesta son los sistemas de recomendación (RS). Estos sistemas utilizan algoritmos para identificar productos y audiencias relacionadas en función del comportamiento del cliente.
Una descripción general útil sobre los sistemas de recomendación de comercio electrónico:
Sistema de recomendación, en pocas palabras
Un sistema de recomendación es un subtipo de sistema de filtrado de información que determina cómo calificaría o preferiría un usuario un artículo. Es una herramienta que ejecuta una secuencia de algoritmos, analiza datos y, a veces, utiliza inteligencia artificial (IA) para elaborar recomendaciones. En términos generales, un sistema de recomendación es un algoritmo que sugiere productos relevantes a los clientes.
El sistema ofrece sugerencias personalizadas a cada visitante en lugar de recomendaciones generales mediante el aprendizaje automático. Al igual que un vendedor experimentado que conoce bien las estrategias de venta adicional y venta cruzada, un sistema de recomendaciones puede ayudar a aumentar los ingresos de las empresas. Ofrece sugerencias basadas en datos, incluidas las compras anteriores de los clientes, las reseñas de productos y las calificaciones de los usuarios.
En la actualidad, un sistema de recomendación sólido puede cumplir una doble función: ser un comprador personal y un asistente de compras. Comercio electrónico Los sistemas de recomendación garantizarán que los artículos que desea sean fácilmente accesibles y se muestren de forma destacada en sus tiendas minoristas favoritas.
Los sistemas de recomendación en la actualidad
Vivimos en la era de las compras online. Pero a pesar del rápido crecimiento del comercio electrónico, las tiendas físicas siguen teniendo ventaja a la hora de establecer relaciones con los clientes. Como resultado, se crearon sistemas de recomendación online para interactuar mejor con los clientes.
El sistema de recomendación (RS) de Amazon está ampliamente considerado como uno de los mejores del mercado. Soluciones de comercio electrónico empresariales como Pac-vue Incluir motores de recomendación. Y aunque el concepto de un sistema de recomendación puede parecer actual, no lo es.
La idea de utilizar ordenadores para elegir el mejor artículo para el consumidor existe desde el comienzo de la informática. La primera implementación del concepto de RS surgió en 1979 en forma de Grundy, una biblioteca basada en ordenadores que sugería libros a sus usuarios. Tapestry, el primer RS comercial, se lanzó a principios de los años 90. En respuesta a las dificultades de las personas para acceder y seleccionar datos relevantes de Internet, Tapestry se inspiró en una amplia gama de campos, entre ellos la ciencia cognitiva, el reconocimiento de patrones, la teoría predictiva, la gestión empresarial y la .
Como resultado, el sistema de recomendaciones surgió como una oportunidad de negocio, aprovechando la riqueza de información disponible y la experiencia para generar ganancias. Se ha convertido en un componente esencial de cualquier tienda en línea porque ofrece recomendaciones de productos al usuario y, al mismo tiempo, actúa como un vendedor virtual. Esto agiliza el recorrido del comprador y optimiza su experiencia de compra en general. Casi todos los servicios de streaming, redes sociales, tiendas en línea y tiendas de aplicaciones ya utilizan algún tipo de algoritmo de recomendación.
Sistemas de recomendación para comercio electrónico
Es posible que hayas comprado algo de o cualquier otra tienda de comercio electrónico en algún momento de tu vida. Y es posible que hayas visto una sección en el sitio que dice: “Los clientes que vieron este artículo también vieron…” y luego procede a enlistar productos relacionados con el artículo original.
Esa sección (en Amazon) es un excelente ejemplo de un sistema de recomendación. El sistema de recomendación de Amazon tiene como objetivo atraer clientes potenciales a su negocio. También aumenta el valor promedio de los pedidos de su tienda al sugerir productos que complementan o combinan con el artículo recientemente comprado en su tienda en línea. Por ejemplo, si un usuario compró recientemente una funda de almohada en su tienda a través de Amazon, el sistema de recomendación del sitio le sugerirá mantas o edredones para que combinen con su compra.
El uso de sistemas de recomendación, a veces conocidos como motores de recomendación de productos, le permite satisfacer mejor las necesidades individuales de sus clientes al destacar productos y servicios relacionados. El algoritmo analizará la actividad del usuario y brindará sugerencias basadas en lo que cree que le gustaría al usuario. Se espera que los usuarios tomen nota de estas sugerencias y compren otros artículos del conjunto.
Los artículos sugeridos se recomiendan en función de varios factores, tales como:
Estos conocimientos se utilizan para predecir los patrones de compra futuros del cliente. El uso de un sistema de recomendaciones de comercio electrónico, cuando se realiza correctamente, puede aumentar el gasto promedio de los visitantes y aumentar el conocimiento de la marca.
La “magia” detrás de los sistemas de recomendación
La magia está en el algoritmo. Algunos recomendadores, pero no todos, utilizan el aprendizaje automático para determinar qué quieren los clientes y sugerir los mejores productos. Lo más importante que hay que recordar es que el aprendizaje automático de RS se basa en un conjunto de datos e información. Cuanto más información tenga el sistema, más precisas serán las recomendaciones.
Los dos tipos de datos de usuario suministrados al RS son:
- Implícito:Los usuarios generan estos datos de forma espontánea y están relacionados con sus comportamientos de navegación, como clics y búsquedas. Si un cliente compra ropa a menudo en tu tienda online, tu motor de recomendaciones calculará y dará a entender que a tu comprador le gusta la moda. Como resultado, el sistema marcará el perfil del comprador con etiquetas relacionadas con la moda.
- Explícito:Los usuarios proporcionan estos datos de forma voluntaria en respuesta a una pregunta o solicitud de detalles. Se trata de los comentarios que dejan los clientes en forma de reseñas con estrellas y comentarios escritos. Este tipo de datos es más accesible y transparente.
La información y los conocimientos se obtienen de diversas fuentes, como los artículos que los usuarios buscaron y los productos que agregaron a sus su historial de compras y sus variables de búsqueda. El nivel de personalización de estas recomendaciones también se ve afectado por la intención de la plataforma, la cantidad de datos que recibe y la forma en que está construido el sistema.
Al personalizar la experiencia de un usuario, el sistema utiliza información sobre las acciones y preferencias pasadas del usuario (visitas a páginas, calificaciones de usuario y consultas de búsqueda) para hacer sugerencias que sean más relevantes para los intereses del usuario.
Los datos adquiridos involucran tres factores:
- Los productos o servicios recomendados
- El usuario que se verá influenciado por las recomendaciones
- Usuarios anteriores de la plataforma
Un sistema de recomendaciones recopila, sobre todo, datos y, como corolario, simplifica el proceso de toma de decisiones al mostrar y proponer opciones. Estas opciones no se limitan a artículos, sino que pueden ser un servicio, un tipo de contenido o incluso una persona o una marca, como las sugerencias de amigos en las redes sociales.
Las ventajas de los sistemas de recomendación de comercio electrónico
Amazon dedicó años a perfeccionar su sistema de recomendación por una buena razón. Como se indica a continuación, los sistemas de recomendación ofrecen una variedad de ventajas.
Los sistemas de recomendación aumentan las ventas. Según un estudio El 35 % de las compras totales de Amazon se realizan a través de su canal de recomendación. Se ha demostrado que ofrecer las opciones de recomendación adecuadas puede mejorar los ingresos por ventas adicionales y hacer que las compras sean más agradables para el cliente.
-
Convierte visitantes en compradores.
Los visitantes de las tiendas web suelen explorar sin comprar. Es un comportamiento habitual de los clientes: están mirando escaparates virtuales. Mediante sugerencias relevantes, eCommerce RS puede ayudar a los visitantes a encontrar los artículos que desean comprar.
La venta cruzada se posibilita mediante sistemas de recomendación que ofrecen a los compradores artículos complementarios. Si las sugerencias son adecuadas y útiles, el tamaño medio de la transacción aumentará. Su tienda en línea puede ofrecer más artículos en función de lo que haya en el carrito del comprador en el momento de la compra.
Los sistemas de recomendación de comercio electrónico crean valor agregado y una relación estrecha entre la marca y el comprador. Los minoristas en línea se esfuerzan por comprender a sus clientes, utilizan esta información a través de sistemas de recomendación y desarrollan experiencias de compra individualizadas para cada cliente. En respuesta, la lealtad de un comprador aumenta cuanto más utiliza el sistema de recomendación.
-
Resalte los artículos de cola larga.
Los productos básicos de cola larga son artículos o nichos que son difíciles de encontrar. Son extremadamente específicos y únicos, y solo una pequeña cantidad de personas los buscan activamente. RS les ayuda a encontrar artículos que no están en su vecindario local y a los que de otra manera no tendrían acceso. El sistema también ayuda a las empresas a promocionar estos artículos de manera más efectiva.
Tipos de filtrado en los sistemas de recomendación de comercio electrónico
Los distintos sistemas de recomendación utilizan distintas técnicas de procesamiento de datos. Algunos algoritmos de recomendación utilizan datos, recuperación de información y comparación de patrones. Otros integran estas metodologías con inteligencia artificial y aprendizaje automático. Hay dos tipos principales de filtrado que utiliza el sistema, independientemente de la combinación de métodos que se utilice. Son el filtrado basado en contenido y el filtrado colaborativo.
Filtrado basado en contenido
Este tipo de filtrado se centra en el usuario, así como en las características y paralelismos entre el contenido o los artículos. En función del contenido (atributo/etiqueta) de los artículos que el usuario ya ha buscado, se mostrarán los productos relevantes. En esta técnica de filtrado, los artículos se marcan con determinadas palabras clave. A través del contenido, el sistema intenta determinar lo que quiere el usuario revisando su base de datos en busca de posibles coincidencias.
Esto ocurre cuando se presenta un artículo buscado o comprado recientemente. Por ejemplo, si un cliente ya compró una novela romántica en su tienda en línea, su RS asumirá que comprará otra con características similares.
No es necesario proporcionar datos de otros usuarios, ya que la recomendación es exclusiva para un usuario en particular.
Hasta cierto punto, la extracción de características de los elementos se realiza a mano, lo que requiere competencia en la materia.
Se simplifica la ampliación a un gran número de usuarios
Capacidad limitada para ampliar los intereses actuales del usuario.
Las opciones específicas se basan en el historial disponible.
Filtración colaborativa
El enfoque colaborativo enfatiza la interdependencia entre los usuarios y los productos. Lo que constituye un artículo “similar” está influenciado por cómo los clientes interpretan las similitudes entre diferentes artículos. La premisa del filtrado colaborativo es que dos personas a las que les gustó el mismo artículo en algún momento del pasado probablemente les gustará otro artículo comparable en el futuro. El mejor ejemplo de este método es cuando se ve el sitio web de un usuario. “El cliente que trajo esto también trajo” sección.
Existen dos tipos de filtrado colaborativo: el filtrado basado en usuarios se basa en las similitudes entre usuarios, mientras que el filtrado basado en elementos se basa en las similitudes entre elementos.
Funciona eficazmente incluso con datos limitados
Problema de arranque en frío o dificultad para manipular elementos añadidos
Descubrimiento de artículos nuevos para mí en función de los hábitos de compra anteriores de otros usuarios
No se requieren conocimientos del dominio
Filtración híbrida
Muchos RS están explorando el filtrado híbrido como una nueva técnica. Incorpora tanto métodos de contenido como de colaboración. Proporciona al sistema la capacidad de comprender interacciones más precisas entre personas y productos. Esta técnica de filtrado no lineal también tiene menos probabilidades de exagerar las preferencias del usuario.
Subcontratación del RS de su tienda web a través de Pacvue
Amazon, el mayor minorista en línea del mundo, es un caso de estudio natural para cualquiera que esté interesado en los sistemas de recomendación. Es posible que recuerdes haber visto recomendaciones adaptadas a tus preferencias cuando compras en Amazon. Cuando haces clic en un artículo, verás…
Facebook Comments
Disqus