Sistema de recomendación
Recommendation System
¿Qué es un sistema de recomendación?
- Analiza gustos y comportamientos para sugerir lo que le podría gustar
- El motor de Netflix y YouTube
- El referente de la personalización
Cuando llega la recomendación, lo que cambia no son unos cuantos espacios de la pantalla, sino que la autoridad para decidir la exhibición pasa de las personas al modelo. Antes, los responsables de merchandising y de planificación decidían en reunión los banners principales y el orden de los productos destacados; ahora la primera pantalla se arma de forma distinta para cada usuario. Por eso, el conflicto que estalla al principio no es técnico sino de territorio: el equipo de marketing, que necesita impulsar productos en promoción, y el modelo, que busca subir el clic, chocan por el mismo espacio. Al final, se documenta por escrito el acuerdo de «tantos espacios fijos y tantos espacios para el algoritmo».
Hay dos enfoques principales. El filtrado colaborativo trae lo que vieron personas con comportamientos parecidos al suyo; se vuelve más preciso cuantos más datos se acumulan, pero no sirve con usuarios nuevos ni con productos nuevos. En cambio, el filtrado basado en contenido lee la descripción, las etiquetas y las categorías de los productos; funciona desde el primer día, pero siempre devuelve cosas parecidas. Por eso, en la práctica, la mayoría combina ambos, y el funcionamiento se divide en dos etapas: generación de candidatos y ranking. Primero se reducen decenas de miles de opciones a unos cientos, y solo esos cientos se ordenan con precisión; así se logra responder en unas decenas de milisegundos.
Los criterios de evaluación también tienen dos niveles. En la fase de desarrollo se miran métricas de precisión como Recall@K o NDCG, pero el resultado final se decide en la prueba A/B, con la tasa de conversión y la recurrencia. No es raro que la puntuación offline suba y las ventas reales queden igual. La frontera con la regla de «productos vistos juntos» también es clara: la regla da la misma lista a quien entre, mientras que el sistema de recomendación da listas distintas para cada persona, incluso en la misma página. Es decir, desde el inicio son herramientas con costos operativos y de gestión muy distintos.
En la práctica, el error más frecuente es contar como mérito de la recomendación todas las ventas «generadas a través de recomendaciones». Si se vuelve a mostrar un producto a quien de todos modos lo iba a comprar, la métrica sube pero las ventas totales siguen igual. Si se informan resultados sin un grupo de control con la recomendación apagada, el presupuesto crece y el efecto nunca queda demostrado. También es habitual el incidente de que sigan apareciendo productos agotados o cursos ya completados; quien lo sufre una vez empieza a ignorar visualmente ese bloque. Conviene fijar de antemano las reglas de diversidad y las condiciones de exclusión, antes de la apertura.
John KimAutor de «Diseño de marketing B2B» y CEO de Nanum Consultoría. Instructor John Kim
Junyoung NohAnalista de tendencias de consumo y generaciones, y especialista en marketing de contenidos con IASurgió de la investigación en filtrado colaborativo de los años 90 y se desarrolló con hitos como el concurso de recomendación de Netflix de 2006, hasta volverse más sofisticado con el aprendizaje profundo.
Veamos un caso hipotético. La empresa A, fabricante coreano de componentes, tiene 3,200 colaboradores y 1,840 cursos publicados en su plataforma interna de aprendizaje. Sin embargo, de los usuarios que entran al mes, solo el 19% llega a completar un curso, y los 30 cursos más populares concentran el 71% de todas las inscripciones. El jefe del equipo de HRD decía: «Hay muchos cursos, pero nadie encuentra los suyos».
- El asistente Kim, del equipo de HRD, extrajo el registro de búsquedas, cursos completados y abandonos de los últimos 12 meses, y vio que de las 100 búsquedas principales, 43 terminaban con «0 resultados».
- Al principio no usamos ningún modelo, sino reglas. Con tres ejes (puesto, cargo e historial de cursos completados), mostramos en el inicio 10 cursos que más tomaron los colegas senior del mismo puesto, y excluimos siempre los cursos que la persona ya completó.
- Tres meses después, al añadir el filtrado colaborativo, el bloque de recomendaciones de 400 nuevos colaboradores quedó vacío. El jefe de sección Park, responsable de datos, propuso «aguantar las primeras dos semanas con perfiles de puesto» y separó aparte el periodo de arranque en frío.
- Durante 8 semanas, con la exposición dividida a la mitad, hicimos una prueba A/B. La tasa de clics subió 14 puntos porcentuales, pero la tasa de finalización no cambió, así que cambiamos la métrica de éxito de «clics» a «finalización dentro de 4 semanas» y volvimos a entrenar el ranking.
- Seis meses después, la tasa mensual de finalización de cursos pasó del 19% al 31%, y la concentración en los 30 cursos más populares bajó del 71% al 52%. De los 610 cursos que nunca se habían abierto, 280 recibieron a su primer participante.