¿Por qué son importantes los sistemas de recomendación fuera de las grandes empresas tecnológicas?
Los sistemas de recomendación son importantes para cualquier empresa con más productos de los que un cliente puede explorar, porque lo que el sistema muestra primero determina en gran medida qué se ve, qué se compra y qué se repone.
Considere una tienda ficticia en línea de materiales para manualidades, Willowmere Crafts, con unos 4,000 productos y un equipo de 15 personas. La responsable de comercio electrónico, Hana, ha recibido una queja del equipo de compras y un informe de la agencia que configuró el panel 'También podría interesarle'. Sus notas dicen: 'se recomiendan los mismos 40 productos en casi todas las páginas. la nueva gama de hilos de primavera (220 artículos) apenas ha tenido visualizaciones en las recomendaciones en 3 semanas. los clientes habituales reciben buenas sugerencias, los visitantes nuevos reciben sugerencias que parecen aleatorias. las marcas de fabricantes independientes dicen que nunca aparecen.' Necesita explicar al fundador qué está pasando antes de pedir cambios a la agencia.
¿Cómo deciden los sistemas de recomendación qué mostrar?
La mayoría de los sistemas de recomendación utilizan filtrado basado en contenido, filtrado colaborativo o una combinación de ambos. La diferencia está en si comparan elementos con elementos o personas con personas.
Filtrado basado en contenido
Recomienda artículos similares a los que ya le gustan a una persona, utilizando las características de los artículos. A un cliente que compró lana merina gruesa de color verde azulado se le muestran otras lanas gruesas e hilos de ese color. No necesita datos sobre otros clientes, pero su eficacia depende de las características de los artículos que alguien haya definido, y rara vez sorprende a las personas con algo ajeno a sus gustos habituales.
Filtrado colaborativo
Recomienda lo que les gustó a personas similares. Si los clientes que compraron un conjunto para empezar a tejer compraron después con frecuencia marcadores de puntos y un libro de patrones, esos artículos se muestran a quien acaba de comprar ese conjunto. Puede encontrar sugerencias inesperadas pero útiles y no necesita descripciones de los artículos, pero depende de un historial de interacciones.
Sistemas híbridos
Combine ambos enfoques, a menudo con reglas sencillas como excluir los artículos agotados, para que cada uno compense los puntos débiles del otro.
¿Qué es el problema de arranque en frío?
El problema del arranque en frío consiste en que un sistema de recomendación tiene dificultades con los artículos y usuarios nuevos porque no dispone de un historial de sus interacciones. En particular, el filtrado colaborativo no puede ubicar un artículo que nadie haya comprado ni en el que nadie haya hecho clic todavía, que es exactamente lo que ocurrió con la gama de hilados de primavera de Willowmere, y tiene poca información para orientar a quien visita el sitio por primera vez.
Las soluciones habituales son recurrir a la similitud basada en el contenido para los artículos nuevos, estimar la relevancia de un artículo nuevo a partir de otros de la misma categoría o del mismo fabricante, mostrar a los visitantes nuevos un conjunto deliberadamente variado de artículos populares y hacer una o dos preguntas rápidas sobre preferencias cuando resulte adecuado para la tienda.
¿Cómo surgen los bucles de retroalimentación y los problemas de equidad?
Se produce un bucle de retroalimentación cuando el sistema aprende de los clics en los artículos que ha elegido mostrar: los artículos que se muestran con frecuencia reciben más clics, lo que hace que se muestren aún más. Con el tiempo, un pequeño conjunto de productos populares desplaza a todos los demás, como ocurre con los 40 productos de Willowmere, mientras que los artículos que nunca se muestran no tienen ocasión de demostrar su valor.
Las cuestiones de equidad surgen de inmediato. Si los productos de creadores independientes parten de un historial más reducido, el ciclo puede mantenerlos invisibles independientemente de su calidad, y los clientes pierden opciones. Algunas formas de contrarrestarlo son reservar unos cuantos espacios de recomendación para artículos más nuevos o con menor visibilidad, medir la visibilidad por creador y categoría en lugar de considerar solo el total de clics, y actualizar los datos de entrenamiento del modelo para que no aprenda únicamente de sus propias decisiones anteriores.
¿Cómo se comparan una solicitud deficiente y una mejorada a la agencia?
Una solicitud deficiente dice: 'Las recomendaciones no están funcionando, por favor, mejórenlas.' La agencia podría limitarse a volver a entrenar el modelo con más datos de clics del mismo tipo, lo que refuerza el ciclo.
Una solicitud mejorada dice: 'Nuestro panel parece basarse únicamente en el historial de compras. Por favor, (1) utilicen atributos del producto, como fibra, peso, color y técnica artesanal, para recomendar artículos nuevos hasta que tengan suficiente historial; (2) muestren a quienes nos visitan por primera vez una selección variada de distintas categorías, en lugar de una única lista de los más vendidos; (3) reserven dos de los ocho espacios para artículos que hayan tenido poca visibilidad en los últimos 30 días; (4) informen cada mes de la proporción de visualizaciones de recomendaciones por fabricante y por antigüedad del producto; y (5) prueben los cambios frente al panel actual dividiendo a los visitantes en grupos y midiendo los pedidos, no solo los clics.' Ahora Hana puede evaluar si se hizo el trabajo.
¿Cómo se comprueba si las recomendaciones están dando resultado?
Evalúe las recomendaciones considerando no solo los clics, sino también los pedidos, las devoluciones y cómo se distribuye la visibilidad entre productos y proveedores. Un panel que aumenta los clics en unos pocos productos muy vendidos mientras oculta las nuevas gamas puede estar perjudicando al negocio. Compare los cambios con un grupo de control de visitantes que vean la versión anterior, porque las recomendaciones mostradas durante una promoción o un periodo festivo parecerán dar mejores resultados independientemente del modelo.
¿Cuáles son los errores habituales con los sistemas de recomendación?
El error más común es optimizar solo para conseguir clics, lo que favorece los elementos llamativos y refuerza el ciclo de retroalimentación. Otros: lanzar una nueva gama sin atributos de contenido, por lo que sufre el problema del arranque en frío; evaluar el éxito comparando el antes y el después sin un grupo de control; ignorar qué proveedores o categorías no aparecen nunca; y utilizar datos personales para hacer recomendaciones sin informar a los clientes en el aviso de privacidad.
¿Dónde se sitúa esta lección en Tosheo.ai?
Esta lección forma parte de la categoría de aprendizaje automático del curso de aprendizaje automático, después de las lecciones sobre cómo aprenden y se evalúan los modelos. En Tosheo.ai, la tarea práctica le pide que redacte un documento de requisitos para mejorar las recomendaciones de una tienda ficticia, y los comentarios basados en la guía de evaluación comprueban que se tengan en cuenta el arranque en frío, los bucles de retroalimentación, la equidad y una prueba imparcial. Ofrece una base profesional para definir y evaluar este trabajo; crear un sistema de recomendación mediante código forma parte del itinerario opcional de programación.