Cómo mejorar el sistema de recomendación de tu eCommerce

¿Qué son los sistemas de recomendación?

Si alguna vez has navegado por un sitio web que muestra productos o contenidos, lo más probable es que te hayas encontrado con algún tipo de artículo sugerido o recomendado. 

La mayoría de las tiendas online han empezado a utilizar esta estrategia, cuyo objetivo final es personalizar la oferta de productos o contenidos mostrando a los clientes los elementos que mejor se adaptan a sus necesidades, expectativas o incluso gustos. La razón es simple: el 74% de los clientes se sienten frustrados cuando el contenido parece no tener nada que ver con lo que les gusta.

Un sistema de recomendación utiliza algoritmos para clasificar la información y filtrarla. Luego, sugiere diferentes productos o artículos relevantes para cada cliente a nivel individual según el contexto..

Su uso es amplio y está cada vez más presente en los sitios web. Utilizando datos, estos motores de recomendación muestran diferentes contenidos dependiendo de múltiples variables. Entre ellas se encuentran el comportamiento del cliente teniendo en cuenta compras anteriores, los productos vistos recientemente y los artículos agregados a la cesta. Además, estos sistemas pueden ayudar a las tiendas y marketplaces de gran tamaño a aumentar la visibilidad de los productos en sus catálogos.

¿Qué tipo de sitios usan estos sistemas?

Digamos que entras en Youtube y ves varios videos. Los sistemas de recomendación te mostrarán más tarde vídeos que aborden el mismo tema, o que a interesaron a otros usuarios que también vieron el mismo vídeo. ¿Y qué pasa si escuchas varias canciones de country en Spotify? Puede que te resulte interesante escuchar canciones similares y acabes descubriendo nuevos artistas. Eso es de lo que se encargarn los sistemas de recomendación de Spotify. Y para eso están hechos.

Los sistemas de recomendación pueden ser útiles en muchos sectores. Por ejemplo, la aplicación Badi te ayuda a encontrar habitación y compañeros de piso utilizando un sistema de recomendación inteligente mediante inteligencia artificial. El sistema analiza los intereses de los usuarios, la personalidad y las preferencias de búsqueda. Luego, utiliza estos datos para descubrir patrones en las características que prefieren los usuarios cuando buscan el compañero de piso perfecto.

But one of the areas where it has a huge potential is eCommerce. This kind of systems has helped many retailers boost their sales. They use algorithms to analyze customers’ behavior to send out product recommendations, either in product or check-out pages or even in automated promotion emails. 

Pero una de las áreas donde tienen un gran potencial es el comercio electrónico. Este tipo de sistemas ha ayudado a muchas tiendas online a aumentar sus ventas. Mediante algoritmos, analizan el comportamiento de los clientes y les muestran productos recomendados, ya sea en las páginas de producto o de pago e incluso en correos electrónicos promocionales automatizados.

¿Qué tipo de información requiere?

Un sistema de recomendación utiliza Machine Learning (ML), un área de la Inteligencia Artificial, para sacar conclusiones de los datos. Luego, utiliza los datos para mostrar o sugerir a los clientes los productos que mejor se adapten a sus gustos. ¿Pero de dónde extraemos esos datos? ¿Qué se requiere para poder predecir con precisión qué zapatos le pueden gustar a un cliente?

Datos explícitos vs implícitos

Explicit data is information that a customer directly communicates to a website. It can go from the customer’s age or sex to specific comments or opinions on a product. Implicit data, on its turn, is extrapolated from customers behavior on the website. This can go from regularly made purchases, previously seen products, abandoned shopping carts, search history, etc. or even other visited websites or places. 

Los datos explícitos son aquellos que un cliente comunica directamente a un sitio web. Pueden incluir desde la edad o el sexo del cliente hasta comentarios u opiniones específicas sobre un producto. Los datos implícitos, por otro lado, se extrapolan del comportamiento del cliente en el sitio web. Pueden incluir desde compras realizadas con regularidad, productos vistos anteriormente, carritos de compras abandonados, historial de búsquedas, etc. o incluso otros sitios web o lugares visitados.

 

Métodos de filtrado colaborativo vs basado en el contenido

En esencia, los sistemas de recomendación basados ​​en contenido utilizan las palabras clave contenidas en los datos del producto para generar recomendaciones de los artículos que podrían gustar a un cliente. Esto quiere decir que un sistema de este tipo recomendará productos que sean similares a los que un usuario compró anteriormente. Su enfoque se centra en el usuario y clasifica los elementos según los gustos de cada cliente en cuanto a los productos. Estos métodos dependen en gran medida de los datos del producto, por lo que es esencial contar con una estrategia de creación de contenido de producto eficiente.

Los métodos de filtrado colaborativo, por otro lado, tienen en cuenta el comportamiento colectivo, de otros usuarios. Pueden basarse, por ejemplo, en el filtrado basado en artículos, es decir, recomendaciones de artículos comprados por personas que también compraron un artículo específico. O también pueden aprovechar el filtrado basado en el usuario, en el que se recomiendan los productos dependiendo de otros productos que a usuarios similares les hayan gustado.

En los últimos años, los motores de recomendación han comenzado a adoptar un enfoque combinado: combinan métodos de filtrado colaborativo y basado en contenido para obtener las mejores recomendaciones y aumentar la conversión y el valor final de las compras. Más allá de aumentar la conversión, estas recomendaciones pueden mejorar dramáticamente la experiencia del usuario (UX) de un sitio.

Sin embargo, las recomendaciones deben basarse en grandes cantidades de datos y metadatos para ser relevantes y mejorar la experiencia del usuario. Cuantos más datos tengan a su disposición, más precisas y relevantes serán las recomendaciones. Los datos se vuelven, por tanto, esenciales.

Uso de la IA para generar los datos que impulsan las recomendaciones

Since data is the fuel that will propel recommendations, we need to find a way to streamline product content generation. Here too, AI comes to the rescue, with auto-generated data based on product image recognition. By only connecting your system to them, AI-assisted product data platforms can analyze your product images using computer vision. Once it recognizes the items, it outputs predictions that help you populate your online catalog. 

But what does this exactly mean? Well, it means you can basically let AI populate your catalogs for you with comprehensive data under the form of categories and tags. The result? Increased findability of products and on-point recommendations across your site with less effort from your team.   

Dado que los datos son el combustible necesario para las recomendaciones, debemos encontrar una forma de optimizar la generación de contenido del producto. Es aquí donde la IA vuelve al rescate, con datos generados automáticamente en base al reconocimiento de la imagen del producto. Con solo conectar tu sistema con una plataforma de datos de producto asistida por IA, esta analizará las imágenes de tus productos utilizando visión por ordenador. Una vez reconocidos los artículos, genera datos de producto que te ayudan a completar tu catálogo en línea. Pero, ¿qué aporta esto exactamente? Bueno, básicamente implica que puedes utilizar la IA para completar tu catálogo con datos de producto en forma de categorías y etiquetas. ¿El resultado? Mejores resultados de búsqueda de productos y recomendaciones en todo el sitio con menos necesidad de esfuerzo por parte de tu equipo.