Tu empresa no necesita un algoritmo de recomendación, necesita un sistema

Tu empresa no necesita un algoritmo de recomendación. Necesita un sistema de recomendación que combine distintos algoritmos y estrategias según el tipo de cliente/usuario y según los distintos canales e instancias del recorrido del usuario, desde la exploración hasta la recompra.

Todos recibimos recomendaciones y sugerencias de productos y servicios constantemente. Todos los días. Cuando usamos Netflix, Spotify, Mercado Libre… pero ¿cómo funcionan estos sistemas de recomendación? ¿De qué información se nutren? Y más importante aún:

¿Puede mi empresa implementar un algoritmo de recomendación para apuntalar las ventas?

Lo más probable es que sí. Ya que existen diversos canales y momentos en dónde integrar recomendaciones de productos o servicios:

• ▸ Homepage.
• ▸ Sistema de búsqueda de tu sitio.
• ▸ Check-out del usuario, cuando ya eligió o compró.
• ▸ Campañas de mailing.
• ▸ Campañas de Google Ads.
• ▸ Chatbots de soporte o atención al cliente.

¿Pero cómo funcionan estos algoritmos?

Hay varios enfoques:

• Filtrado colaborativo: se basa en el comportamiento de usuarios similares. “A gente parecida a vos le gustó X, entonces probablemente a vos también.” No necesita saber nada sobre el contenido en sí, solo la historia de interacciones pasadas.

• Filtrado basado en contenido: analiza las características del ítem. Si consumiste artículos sobre economía o política, te recomienda más sobre esos temas.

• Factorization Machines (FM): además de aprender de las interacciones usuario-ítem, el modelo incorpora atributos adicionales —edad del usuario, categoría del ítem, dispositivo desde el que accede, etc.— para hacer predicciones más ricas, y es especialmente útil cuando hay poco historial de interacciones.

• Modelos híbridos: combinan varios enfoques para compensar las debilidades de cada uno. Es el que se usa en la mayoría de los sistemas maduros.

Mi experiencia con el problema del cold start

En el proyecto en el que trabajé, usé la opción híbrida para lidiar con el problema del “cold start”. Este aparece cuando sobre muchos usuarios todavía no tenés información de interacciones pasadas.

La solución no fue elegir un solo algoritmo, sino entrenar distintas estrategias para el mismo sistema:

• Para usuarios nuevos sin historial: recomendaciones basadas en popularidad.
• Para usuarios con interacción explícita: filtrado colaborativo basado en señales fuertes de interacción.
• Para usuarios con poca interacción: filtrado colaborativo basado en ítems vistos (interacción implícita).

Esto me permitió desarrollar un sistema de recomendación que alcanza y recomienda al 100% de los usuarios.

La conclusión que me llevé de mi experiencia es que no existe un algoritmo único que resuelva todo tu sistema de recomendación. Lo mejor es la integración de diferentes estrategias para diferentes tipos de usuarios y para diferentes hitos en el flujo de tu cliente/usuario.