Conseguir recomendaciones diversas de productos

En este artículo aprenderá sobre algunos ejemplos de procesos de decisión que puede utilizar en sistemas de recomendación. ¿Ve alguna utilidad en recomendar productos menos populares como forma de mejorar su negocio? ¡Lo verá ahora!

El caso de uso

Imagínese un escenario donde está construyendo una plataforma MOOC (como Udemy o Coursera). Su CEO desea aumentar la participación de los estudiantes y su recurrencia en la plataforma, y quiere conocer los cursos preferidos de cada estudiante.

Su equipo de Científicos de Datos, después de una lluvia de ideas, decide que debe construir un modelo que predice la afinidad que tiene cada usuario con cada curso, y crear un proceso de decisión sobre él. Su equipo de marketing es capaz de enviar una cantidad fija de boletines por semana con espacios limitados, de los mejores cursos para cada usuario, sin coste asociado.

Datos

Los sitios web de MOOCs, al ser servicios en línea, pueden generar fácilmente una gran cantidad de datos de usuarios sin un esfuerzo de adquisición significativo. Para este ejemplo, las características más relevantes son:

• Persona: estudiante y sus características, como edad, ubicación, intereses, brechas en conocimiento, etc.
• Producto: curso y sus metadatos (categoría, duración, precio, área de conocimiento)
• Interactividad usuario-curso (clics en otros cursos)
• Indicadores de mercado externos: qué tan popular es cada área y qué cobertura tiene ese tipo de contenido en los servicios de otros competidores

Modelo

El enfoque de este artículo no es explorar las fuentes de datos, así que asumamos que tenemos un modelo que toma estos datos.

Hay tres grupos principales de modelos para sistemas de recomendación: basados en contenido, filtrado colaborativo e híbrido. En NILG.AI, hemos construido algoritmos basados en contenido para muchos de nuestros clientes, ya que permiten comparar productos por sus características, reduciendo el problema de inicio en productos nuevos.

Para más detalles al comparar estos tipos de modelos, le recomendamos un artículo detallado como este.

Proceso de decisión

Ahora hacia el tema principal del artículo: ¿cómo pasar de una lista de afinidades por usuario a una recomendación real en los boletines? Hay varias opciones para crear el boletín final:

Enfoques basados en reglas:

• Este es típicamente el primer paso en organizaciones que no utilizan aprendizaje automático: por ejemplo, ordenar cursos para cada usuario según la popularidad general en las áreas en las que ha expresado interés.
• Ventajas: fácil de implementar, permite añadir explícitamente conocimiento empresarial
• Desventajas: no personalizado. Las reglas empresariales implementadas también generan una dependencia al cambiarlas con el tiempo, si el negocio evoluciona.

Recomendar los Top-K cursos a cada estudiante (Curso a Estudiante).

• En este método, a cada estudiante se le recomiendan los K cursos principales para él, según la afinidad calculada.
• Ventajas: maximizamos las tasas de apertura.
• Desventajas: algunos cursos pueden no estar en el top de ningún usuario, logrando baja visibilidad. Esto también sucede en cursos nuevos, que no reciben tanta atención.

Recomendar los Top-K estudiantes a cada curso (Estudiante a Curso).

• En esta estrategia, a cada curso se le asignan los K estudiantes principales, según su afinidad.
• Ventajas: garantizamos que cada curso recibe un número relevante de leads. Este es un enfoque más orientado al negocio.
• Desventajas: la tasa de apertura general por usuario puede reducirse.

Equilibrio de urgencia entre afinidad individual y general

• En esta estrategia, calcula cuánto perdería si no envía un curso a un usuario. Esto se basa, por ejemplo, en la diferencia entre afinidad y la afinidad máxima del resto de usuarios. El máximo de afinidad es lo mejor que puede hacer por ese usuario. Al recomendar coincidencias donde la diferencia entre afinidad y afinidad máxima es mayor, ese usuario es el más relevante para el curso.
• Ventajas: promueve una mejor distribución de leads entre cursos.
• Desventajas: podemos estar perdiendo las mejores coincidencias.

Recomendar cursos aleatoriamente

• En esta estrategia, recomienda cursos aleatoriamente (o semialeatorio, dentro de un cierto grupo). Para mejorar continuamente su modelo y exponer al usuario a recomendaciones innovadoras, podría ser una estrategia viable en un porcentaje más pequeño de las recomendaciones, a menos que afecte significativamente a sus ventas.
• Ventajas: más diversidad para el aprendizaje del algoritmo.
• Desventajas: recomendaciones menos relevantes.

No hay una regla mejor en realidad: un enfoque que hemos seguido en el pasado fue ejecutar un enfoque híbrido, donde combina secciones del boletín utilizando diferentes estrategias. Necesita probar estas proporciones en diferentes pruebas A/B.

Así que tiene sentido que pueda terminar recomendando productos menos populares para mejorar su negocio: está dando exposición a cursos menos populares, evitando que terminen en un bucle de retroalimentación. Si los cursos rara vez se recomiendan, no obtienen muchas ventas o clics. ¡Si no obtienen muchas ventas o clics, rara vez se recomiendan!

Evaluación del modelo

Para medir si el modelo funciona bien, además de las métricas técnicas (Lift, ROC AUC, Average Precision, etc.) hay algunos KPIs empresariales que puede medir. Estos KPIs, para estos tipos de negocios, típicamente se basan en señales de retroalimentación positiva, como tasas de clics y ventas. Algunos son más a corto plazo pero generan una señal de intención menos relevante (como clics).

Por ejemplo, puede enfocarse en:

• Centrado en el usuario: como clics por boletín y tasas de desuscripción.
• Centrado en el negocio: tasas de clics por curso y exposición de cursos. La exposición de cursos es una medida de la diversidad de recomendaciones enviadas. Si hay una distribución donde los cursos inicialmente más populares reciben más exposición, pero los restantes también la reciben, esto se reflejará en esta métrica.

Tenga en cuenta que mientras algunos KPIs pueden aumentar, otros pueden disminuir: por ejemplo, puede aumentar dramáticamente la tasa de exposición de cursos pero disminuir la experiencia general. Esto sucedería si recomendara aleatoriamente un curso, por ejemplo.

Usando estrategias como recomendaciones de Estudiante a Curso, debería mejorar sus KPIs orientados al negocio y disminuir sus KPIs orientados al usuario, cuando se comparan con una línea base. Por otro lado, Curso a Estudiante es un enfoque más orientado al usuario. Siempre hay un equilibrio que debe considerar y discutir con los equipos empresariales.

Pruebas A/B

Respecto a las estrategias de pruebas A/B: necesitará experimentar con la proporción de cada tipo de estrategia si desea utilizar la estrategia híbrida mencionada anteriormente. El número de grupos debe depender del número de usuarios activos que tenga y del tiempo durante el cual desea ejecutar estos experimentos.

Tenga en cuenta que en muchos casos, hay un presupuesto asociado con la recomendación de cursos (por ejemplo, solo puede recomendar N cursos por semana, debido a un número máximo de ventas, causado por problemas de licencias digitales). En este caso, las pruebas A/B pueden llevar a conclusiones poco confiables debido al sesgo de canibalización: las recomendaciones en una estrategia están influyendo en las otras, rompiendo las reglas de las pruebas A/B estándar. ¡Hablaremos más sobre esto más adelante en otro artículo!

Conclusiones

Hay mucho por hacer después de tener una predicción de cuánto le gusta a un estudiante un determinado producto. Corresponde a los Científicos de Datos ayudar a definir estas restricciones, junto con el resto del equipo. Con una enorme diversidad de enfoques a seguir, realmente no hay una "mejor solución". Debe iterar rápidamente para generar valor, mientras ejecuta continuamente actividades de investigación y desarrollo y supervisa el desempeño del enfoque actual.

Recuerde que antes de adentrarse en las complejidades de construir recomendaciones personalizadas, es igualmente crucial tener un comercio electrónico sólido. Recomendamos nuestro socio Pipecodes en caso de que esté buscando mejorar su comercio electrónico.

¿Es esta la solución que necesita? Si es así, contacte con nosotros. Si no, contacte con nosotros de todas formas, y encontremos juntos una solución mejor.