Cómo construir un sistema de recomendación: del dato a la puesta en producción

Antes de pensar en algoritmos o pipelines de datos, hay que tener algo claro: un sistema de recomendación es una herramienta de negocio, no solo un proyecto tecnológico interesante. Su único propósito es conectar al usuario adecuado con el elemento adecuado en el momento adecuado, pero esa conexión tiene que servir a un objetivo de negocio concreto.

Sin una "estrella del norte" estratégica, solo estás construyendo algo técnicamente curioso que no tendrá impacto medible.

Alinear las recomendaciones con los objetivos de negocio

El primer paso -y, con diferencia, el más importante- es anclar el proyecto a un resultado de negocio real. Un sistema de recomendación no es una funcionalidad que "está bien tener"; es una máquina para mover métricas concretas. Lanzarse a los detalles técnicos sin un objetivo claro es como construir un coche sin saber adónde quieres llegar.

La primera pregunta que el equipo tiene que responder es: ¿qué problema queremos resolver o qué oportunidad queremos aprovechar? La respuesta condicionará cada decisión que se tome a partir de ahí.

Definir el objetivo principal

Empieza eligiendo un único objetivo primario. ¿Eres una tienda de comercio electrónico que quiere que la gente añada un artículo más al carrito? ¿Una plataforma de streaming que necesita que los espectadores no abandonen tras el primer episodio? ¿O quizás un medio de noticias que quiere hacer visibles esos artículos excelentes que nunca llegan a ver la luz?

La mayoría de los objetivos encajan en una de estas categorías:

• Aumentar los ingresos: El clásico. Ventas adicionales, ventas cruzadas ("los usuarios que compraron esto también compraron...") y sugerencias de productos en el momento justo.

• Incrementar el engagement: Se trata de mantener a los usuarios más tiempo en la plataforma. Más clics, más reproducciones, sesiones más largas.

• Mejorar la retención: Hacer que la experiencia sea tan personal y valiosa que los usuarios se sientan comprendidos y vuelvan.

• Potenciar el descubrimiento: El catálogo es enorme. Un buen sistema de recomendación ayuda a los usuarios a encontrar cosas que nunca habrían descubierto por su cuenta.

El consejo es centrarse en un único objetivo primario al principio. Mantiene el alcance del proyecto bajo control y facilita mucho la medición del éxito. Es un movimiento estratégico que las consultoras especializadas en IA y datos siempre recomiendan: se evita la trampa de intentar optimizarlo todo a la vez, lo que casi siempre produce un sistema mediocre en todos los frentes.

Traducir los objetivos en KPIs medibles

Una vez definido el objetivo, hay que convertirlo en un número que se pueda seguir. Esos son los indicadores clave de rendimiento (KPIs), las métricas concretas con las que se evalúa si el sistema funciona de verdad. Lo que no se mide, no se puede mejorar.

Esta lista muestra cómo conectar los objetivos de negocio más habituales con los KPIs que importan.

Conectar objetivos de negocio con KPIs de recomendación

• Aumentar los ingresos: KPI principal: Ingresos por usuario (RPU) o valor medio del pedido (AOV); Métricas secundarias: Tasa de conversión, tasa de clics (CTR) en recomendaciones

• Incrementar el engagement: KPI principal: Elementos con los que interactúa el usuario por sesión; Métricas secundarias: Duración de la sesión, páginas vistas por usuario, profundidad de scroll

• Mejorar la retención: KPI principal: Tasa de retención o tasa de abandono (churn); Métricas secundarias: Usuarios activos diarios/mensuales (DAU/MAU), frecuencia de retorno

• Potenciar el descubrimiento: KPI principal: Cobertura de recomendaciones o diversidad del catálogo; Métricas secundarias: Puntuación de serendipia, novedad, elementos vistos por usuario

Elegir los KPIs correctos es fundamental porque determina a qué datos hay que prestar atención. Un sistema diseñado para maximizar el CTR se fija en señales de usuario distintas a las de uno diseñado para aumentar el tiempo de permanencia en la plataforma.

Definir estos KPIs desde el principio no es negociable. Se convierten en la fuente de verdad para los tests A/B y guiarán cada ajuste que se haga sobre el modelo.

Este enfoque en experiencias personalizadas y medibles explica por qué el mercado de los motores de recomendación está disparándose. Se valoró en torno a 5.390 millones de dólares y se proyecta que alcance los 119.430 millones de dólares en 2034. No es una moda; es un cambio estructural en cómo las empresas impulsan su crecimiento. Los datos completos están disponibles en el informe de Precedence Research.

En última instancia, alinear el trabajo técnico con los objetivos de negocio garantiza que se está construyendo un sistema que funciona y que genera un retorno de inversión claro e incuestionable.

Construir una base sólida con buenos datos

Hay que tenerlo claro: las buenas recomendaciones se construyen sobre buenos datos. Sin excepción. Ningún algoritmo sofisticado puede salvar un proyecto con una base de datos deficiente.

Aquí es donde hay que arremangarse. Se pasa de las estrategias en la pizarra a los datos reales y desordenados que van a alimentar todo el sistema. En la práctica, más proyectos fracasan por datos malos que por modelos malos. Es como cocinar: si los ingredientes son de mala calidad, el plato saldrá mal, por mucha habilidad que tenga el cocinero.

Aprovechar señales explícitas e implícitas

Lo primero es recopilar las señales que revelan qué quieren los usuarios. Estas pistas se dividen en dos tipos, y conviene tener una buena combinación de ambos para entender de verdad las preferencias del usuario.

Los datos explícitos son lo que los usuarios comunican directamente. Son claros, directos y un indicador excelente de su intención.

• Valoraciones con estrellas (por ejemplo, el clásico sistema del 1 al 5)

• Reseñas escritas y comentarios directos

• Me gusta o votos positivos

• Respuestas a encuestas sencillas ("¿te ha gustado esto?")

Los datos implícitos se obtienen observando el comportamiento. Son lo que los usuarios hacen, no lo que dicen. Suelen ser mucho más abundantes y pueden revelar preferencias que los propios usuarios ni siquiera sabrían expresar.

• Historial de compras (especialmente las repetidas)

• Artículos añadidos al carrito o a la lista de deseos

• Tasas de clics (CTR) en productos

• Tiempo de visualización de un vídeo o escucha de una canción

• Términos de búsqueda y rutas de navegación

Los datos explícitos son valiosos, pero no hay que subestimar las señales implícitas. Un usuario puede darle a una película una valoración tibia de 3 estrellas y aun así volver a verla cada año. Ese comportamiento cuenta una historia mucho más profunda que la valoración por sí sola.

Convertir el caos en datos listos para el modelo

Los datos en bruto nunca están listos para un modelo de machine learning. Son un caos de duplicados, errores tipográficos e información incompleta. Aquí entra el preprocesamiento: el trabajo de limpieza esencial que transforma la materia prima en combustible de alto octanaje para los algoritmos.

Un buen primer paso es entender los fundamentos de la construcción de un pipeline de datos para automatizar cómo se incorporan y transforman todos estos datos.

El pipeline tiene que resolver varias tareas críticas:

• Limpieza: Eliminar duplicados, corregir errores tipográficos evidentes y tratar los valores atípicos que podrían distorsionar el modelo.

• Gestión de valores ausentes: Hace falta un plan para los huecos inevitables en los datos. ¿Se elimina el registro? ¿O se rellena el hueco con un valor predeterminado, como una valoración media?

• Normalización: Escalar datos numéricos, como precios de productos o recuentos de visualizaciones, a un rango uniforme. Esto evita que una variable domine sobre las demás simplemente porque sus valores son más grandes.

• Ingeniería de características: Aquí es donde ocurre la verdadera magia. Consiste en crear variables nuevas y más informativas a partir de las que ya existen. Por ejemplo, calcular la "duración de sesión" a partir de marcas de tiempo o extraer palabras clave relevantes de las descripciones de productos.

Un problema con el que casi seguro habrá que lidiar es la escasez de datos: muchos usuarios y artículos, pero muy pocas interacciones reales entre ellos. La ingeniería de características es la mejor herramienta para afrontarlo. Añade contexto que ayuda al modelo a establecer conexiones, incluso con pocos datos directos.

En última instancia, la calidad de los datos pone un límite absoluto a la calidad del sistema de recomendación. La tentación de saltarse esta parte para llegar a la fase "divertida" del modelado es grande, pero el tiempo invertido aquí se recupera con creces más adelante. Para profundizar, esta guía sobre cómo estimar la calidad de los datos de forma objetiva puede ser un buen punto de partida.

Elegir el algoritmo de recomendación adecuado

El pipeline de datos está en marcha. Ahora viene la parte interesante: elegir el motor que va a impulsar las recomendaciones. Es una decisión importante. El algoritmo que se elija es una bifurcación en el camino que condiciona de forma fundamental la experiencia del usuario.

No hay que bloquearse intentando encontrar el modelo más perfecto y complejo desde el primer día. El objetivo es encontrar el equilibrio entre rendimiento, complejidad y lo que los datos pueden soportar de forma realista. Un algoritmo sencillo que funcione es infinitamente mejor que uno sofisticado que nunca llega a producción.

Los clásicos: filtrado colaborativo y filtrado basado en contenido

Empecemos por los dos grandes pilares de los sistemas de recomendación. Casi todo sistema moderno es una variante o combinación de estas dos ideas fundamentales.

El filtrado colaborativo es el enfoque clásico de "los usuarios que compraron esto también compraron...". Su potencia reside en que no necesita saber nada sobre los artículos en sí. Analiza datos de comportamiento de usuarios, identifica a personas con gustos similares y sugiere lo que ellas han valorado positivamente. Así es como se producen esos descubrimientos inesperados: un sistema que recomienda una herramienta de jardinería a alguien que compró un libro de cocina, simplemente porque otros amantes de la gastronomía resultan ser también aficionados a la jardinería.

El filtrado basado en contenido, por otro lado, trabaja con los atributos de los artículos. Recomienda cosas que son intrínsecamente similares a lo que ya ha gustado. Si alguien ha visto muchas películas de acción dirigidas por Christopher Nolan, el sistema le sugerirá más películas de acción u otras obras del mismo director. Es directo, sencillo y funciona muy bien cuando no se dispone de muchos datos de usuarios.

Para muchos negocios, elegir uno de estos dos enfoques es un punto de partida excelente. Un filtrado colaborativo sencillo puede ser el producto mínimo viable (MVP) perfecto para demostrar el valor del concepto.

Cuándo apostar por los modelos híbridos

¿Y si se quiere combinar la magia de los patrones de usuario del filtrado colaborativo con la inteligencia de atributos del filtrado basado en contenido? Ahí es donde entran los modelos híbridos. Combinan distintos enfoques para compensar las debilidades de cada uno.

Un ejemplo clásico es el problema del arranque en frío. Un filtrado colaborativo puro no sirve de nada para un producto nuevo porque nadie ha interactuado con él todavía. Un modelo híbrido puede recurrir inteligentemente al contenido del artículo (su categoría, marca, descripción, etc.) para hacer una estimación razonada.

Los modelos híbridos bien diseñados pueden mejorar la precisión de las recomendaciones hasta un 15% respecto a un enfoque único. Es una ganancia significativa, y por eso la mayoría de los sistemas maduros en producción tienden hacia los híbridos. Para explorar la investigación en este campo, hay un buen resumen de enfoques modernos de recomendación en arxiv.org.

La conclusión es sencilla: empieza con el modelo que resuelve el problema más urgente. Si hay datos ricos sobre los artículos pero pocas interacciones de usuarios, el filtrado basado en contenido es la mejor opción. Si hay mucho comportamiento de usuarios pero metadatos pobres sobre los artículos, el filtrado colaborativo es el camino. El modelo híbrido es el paso natural una vez que se alcanzan los límites de un único enfoque.

Adentrarse en los modelos de deep learning modernos

En los últimos años, el deep learning ha irrumpido con fuerza con modelos como el filtrado colaborativo neuronal (NCF). Son los más potentes, utilizados por grandes plataformas de comercio electrónico y streaming. Emplean redes neuronales para descubrir patrones extremadamente complejos y no lineales en los datos que los modelos más simples pasarían por alto. Son muy eficaces para capturar los matices sutiles de las preferencias humanas.

Pero toda esa potencia tiene un coste. Los modelos de deep learning son muy exigentes en cuanto a entrenamiento, requieren recursos computacionales considerables y una experiencia profunda para construirlos y mantenerlos. Para la mayoría de las empresas, saltar directamente a una red neuronal es poner el carro delante del caballo. Es un camino a explorar después de haber aprovechado al máximo los modelos más sencillos e interpretables.

Para ayudar a decidir, aquí hay un resumen rápido de los principales tipos de algoritmos:

Comparativa de algoritmos de recomendación

Esta lista describe los algoritmos más habituales, cómo funcionan y dónde brillan -o tropiezan.

• Filtrado colaborativo: Cómo funciona: Utiliza la "sabiduría colectiva". Recomienda artículos basándose en lo que gustó a usuarios similares. Ideal para: Plataformas con una base de usuarios activa y numerosa, y muchos datos de interacción (p. ej., comercio electrónico, medios). Reto principal: El problema del arranque en frío. No puede recomendar a usuarios nuevos ni artículos nuevos sin historial de interacciones.

• Filtrado basado en contenido: Cómo funciona: Recomienda artículos similares a los que el usuario ha valorado positivamente en el pasado, según los atributos del artículo. Ideal para: Dominios especializados o catálogos con metadatos ricos (p. ej., géneros de películas, etiquetas de artículos, especificaciones de productos). Reto principal: Puede generar una "burbuja de filtros" al recomendar artículos muy similares, limitando el descubrimiento.

• Modelos híbridos: Cómo funciona: Combina filtrado colaborativo, basado en contenido u otros métodos para aprovechar sus puntos fuertes. Ideal para: La mayoría de los sistemas de producción maduros. Equilibra serendipia y relevancia, y mitiga el problema del arranque en frío. Reto principal: Pueden ser complejos de diseñar, implementar y calibrar los pesos entre los distintos componentes.

• Deep learning: Cómo funciona: Usa redes neuronales para modelar interacciones complejas y no lineales entre usuarios y artículos a partir de grandes volúmenes de datos. Ideal para: Plataformas a gran escala (p. ej., Netflix, YouTube) que buscan precisión de última generación. Reto principal: Alto coste computacional, requiere grandes cantidades de datos y puede ser una "caja negra" difícil de interpretar.

En definitiva, elegir un algoritmo no consiste solo en alcanzar la mayor puntuación de precisión. Hay que tener en cuenta los objetivos de negocio, la naturaleza real de los datos y lo que el equipo puede sostener a largo plazo. También hay que considerar la experiencia del usuario: ¿las recomendaciones son frescas y variadas, o están encerrando a los usuarios en una burbuja de filtros?

Para profundizar en este último punto, consulta nuestra guía sobre cómo lograr recomendaciones de productos diversas. Es una pieza clave del puzzle.

Del modelo en local a un sistema en producción

Seamos honestos: un modelo de alto rendimiento que vive en el portátil de un científico de datos es solo un experimento interesante. El valor real -y el valor de negocio- llega cuando ese modelo se despliega, empieza a interactuar con usuarios y mueve de verdad las métricas que importan.

Aquí es donde la teoría se encuentra con la realidad. Se abandona el mundo limpio y predecible de los datos históricos para entrar en el entorno impredecible de producción. El proceso empieza con pruebas rigurosas para demostrar, sin lugar a dudas, que el nuevo modelo supera al anterior (o que aporta algo frente a no tener nada). Esto ocurre en dos etapas fundamentales: offline y online.

¿Funciona sobre el papel? (Métricas offline)

Antes de mostrar el modelo a ningún usuario real, hay que validarlo offline. Es la primera comprobación de cordura y la más importante. Consiste en evaluar el rendimiento del modelo sobre un conjunto de datos históricos que nunca ha visto.

Se utilizan algunas métricas estándar para obtener una imagen clara de cómo se comporta:

• Precision@K: De los 'K' artículos recomendados, ¿cuántos son realmente relevantes? Indica si las mejores sugerencias tienen calidad.

• Recall@K: De todo lo que al usuario le habría gustado, ¿qué porcentaje aparece en los 'K' primeros resultados? Muestra qué tan bien se cubren los intereses reales del usuario.

• nDCG (Normalized Discounted Cumulative Gain): Es algo más sofisticado. Otorga más puntos por colocar los artículos más relevantes justo al principio de la lista, que es exactamente lo que se busca.

Estas métricas dan números concretos para comparar diferentes algoritmos o versiones nuevas de un mismo modelo. Son la respuesta definitiva a la pregunta: "¿El modelo B es realmente mejor que el modelo A sobre el papel?"

Pero una puntuación offline excelente no garantiza el éxito en producción. Los usuarios son impredecibles. Por eso el siguiente paso es absolutamente imprescindible.

La prueba real: los tests A/B en vivo

Una vez que un modelo ha demostrado su valía offline, llega la prueba definitiva: el test A/B.

Aquí se divide el tráfico. Un segmento pequeño de usuarios (el grupo de "tratamiento") recibe las nuevas recomendaciones. El resto (el grupo de "control") sigue viendo la versión anterior o quizás ninguna recomendación.

Después se observa y se mide. ¿Los usuarios que ven el nuevo modelo hacen más clics, compran más o permanecen más tiempo? Un test A/B da una respuesta clara y respaldada por datos, conectando todo con los KPIs de negocio definidos al principio. Una mejora del 5% en la tasa de conversión es un resultado tangible y directo.

Este diagrama muestra el proceso de razonamiento para elegir el algoritmo correcto que probar y desplegar.

Como se observa, el camino suele llevar de los métodos más simples hacia enfoques híbridos más robustos, que son muy eficaces para resolver problemas reales complejos como el temido arranque en frío.

Elegir la arquitectura de despliegue

El modelo ha ganado el test A/B. ¿Y ahora qué? La última pieza del puzzle es desplegarlo para que todos los usuarios se beneficien. La arquitectura elegida depende fundamentalmente de la velocidad y la frescura que se necesiten en las recomendaciones.

Estos son los tres patrones más habituales:

1. Recomendaciones por lotes: La opción más sencilla. Se precalculan las recomendaciones para todos los usuarios según un calendario (por ejemplo, cada noche) y se almacenan los resultados. Son muy rápidas de servir, pero no reaccionan a lo que el usuario está haciendo en ese momento.

2. API casi en tiempo real: Un enfoque mucho más reactivo. Los clics recientes de un usuario pueden desencadenar una llamada a la API del modelo, que devuelve sugerencias más frescas y relevantes dentro de la misma sesión.

3. Arquitectura de streaming: El nivel más avanzado. Procesa las interacciones de los usuarios a medida que ocurren, actualizando perfiles y recomendaciones en tiempo real de forma continua. Es enormemente potente, pero también la más compleja de construir y mantener.

Para profundizar en los detalles técnicos de esta etapa, nuestra guía sobre despliegue de modelos de machine learning ofrece una hoja de ruta detallada. Sacar el modelo del laboratorio y ponerlo en producción es el paso final y crítico para construir un sistema de recomendación que marque una diferencia real.

Escalar y resolver desafíos avanzados

Poner en marcha el sistema de recomendación es un gran logro, pero el trabajo de fondo no hace más que empezar. Un buen sistema de recomendación no es algo que se configure una vez y se olvide. Para seguir aportando valor, necesita atención constante: manejar más usuarios, adaptarse a datos nuevos y gestionar todos los casos límite que inevitablemente van a surgir.

Hay que pensar en el sistema como un organismo vivo. Su rendimiento se degradará con el tiempo a medida que evolucionen los gustos de los usuarios, lleguen nuevos productos al catálogo y otros desaparezcan. Llega un momento en que se pasa de construir un modelo a operar un sistema robusto y preparado para el futuro.

El problema del arranque en frío

Uno de los primeros obstáculos con los que chocará cualquier sistema es el problema del arranque en frío. Es un clásico, y se presenta de dos maneras. Hay que tener un plan para cada una.

• Usuarios nuevos: ¿Qué se muestra a alguien que acaba de registrarse? El modelo de filtrado colaborativo no tiene datos sobre esa persona, lo que deja la sección de recomendaciones vacía. Es una pésima primera impresión.

• Artículos nuevos: ¿Cómo se recomienda un producto nuevo si nadie lo ha comprado ni valorado todavía? Los modelos que dependen de interacciones de usuarios son completamente ciegos ante él.

La mejor manera de gestionarlo es tener alternativas inteligentes. En lugar de no mostrar nada, se puede recurrir a los artículos más populares en general, a lo que está en tendencia o al contenido mejor valorado. Para los usuarios nuevos, un proceso de incorporación sencillo que les pida elegir algunas categorías o artículos que les interesen puede proporcionar datos suficientes para arrancar.

Para los artículos nuevos, el filtrado basado en contenido es el mejor aliado. Al trabajar con atributos del artículo (como categoría, marca o descripción), puede encontrar de inmediato productos similares ya establecidos. Esto le da al artículo nuevo visibilidad y la oportunidad de empezar a acumular los datos de interacción que necesita.

MLOps para la salud a largo plazo

Una vez que el sistema está en marcha, las actualizaciones y los reentrenamientos manuales dejan de ser sostenibles. Hay que adoptar los principios de MLOps (Machine Learning Operations) para automatizar todo el ciclo de vida del modelo. Eso es lo que diferencia un prototipo frágil de un sistema robusto a nivel empresarial.

Estas son algunas prácticas de MLOps imprescindibles para un sistema de recomendación:

• Monitorización continua: Vigilar de cerca el rendimiento del modelo en producción. ¿Las métricas clave como el CTR y la tasa de conversión se mantienen, o empiezan a caer? Es el sistema de alerta temprana.

• Reentrenamiento automatizado: El modelo necesita aprender de datos frescos. Hay que configurar pipelines automatizados para reentrenarlo de forma periódica. La frecuencia -diaria, semanal o mensual- depende de la rapidez con que cambia el entorno de datos.

• Control de versiones del modelo: Nunca hay que sobrescribir un modelo antiguo sin más. Siempre hay que mantener un registro de las distintas versiones. Si una actualización nueva deteriora el rendimiento -y ocurrirá-, es imprescindible poder volver a la última versión estable con facilidad.

MLOps transforma el mantenimiento del sistema de recomendación: deja de ser una respuesta reactiva a emergencias y se convierte en un proceso proactivo y predecible. Es el respaldo operativo que permite seguir mejorando sin romper lo que ya funciona.

Diversidad y equidad en las recomendaciones

Un sistema que no para de mostrar al usuario más de lo que ya le gusta acaba aburriéndole. Puede parecer que se está clavando la personalización, pero en realidad se le está encerrando en una "burbuja de filtros" que limita el descubrimiento y genera una experiencia cada vez más estancada.

Para combatir esto, hay que introducir diversidad de forma activa. Una técnica sencilla y eficaz es penalizar los artículos demasiado similares a otros en la lista final de resultados. Por ejemplo, si la primera recomendación es una película de ciencia ficción, se puede reducir ligeramente la posición de otras películas del mismo género para hacer hueco a un thriller o una comedia.

Esto va más allá de mejorar la experiencia del usuario: también es una cuestión de equidad. Un algoritmo sin supervisión puede amplificar sesgos existentes fácilmente, como favorecer desproporcionadamente los productos de una marca concreta o invisibilizar el contenido de creadores pequeños. Incorporar reglas que garanticen una mezcla más diversa de artículos recomendados contribuye a crear un ecosistema más sano y equilibrado para todos. Este tipo de pensamiento a largo plazo es central en cómo se construye un sistema de recomendación que sea efectivo y, al mismo tiempo, responsable.

Preguntas frecuentes sobre la construcción de un sistema de recomendación

Arrancar el primer proyecto de motor de recomendación siempre genera muchas preguntas. Es completamente normal. Con el tiempo, los equipos tienden a tropezar con los mismos obstáculos prácticos: desde entender cuántos datos hacen falta hasta saber si el sistema realmente está funcionando. Veamos las más habituales.

¿Cuántos datos se necesitan para empezar?

Es siempre la primera pregunta, y la respuesta honesta es... depende. No hay un número mágico. Todo depende del modelo que se quiera construir y de lo que se espera de él.

Para un modelo de filtrado colaborativo -el que aprende del comportamiento de los usuarios-, hacen falta interacciones entre usuarios y artículos: clics, compras, valoraciones. Unos pocos miles de interacciones pueden ser suficientes para empezar a detectar patrones básicos.

Pero el verdadero secreto no está en el volumen bruto de datos, sino en la densidad de los datos. Es mucho mejor tener 1.000 usuarios que han interactuado con 20 artículos cada uno que un millón de usuarios que solo han interactuado con uno o dos. Para el enfoque de filtrado basado en contenido, el juego cambia por completo: lo que importa es contar con información descriptiva rica sobre los artículos -etiquetas, categorías, especificaciones técnicas, lo que sea.

El mejor consejo es no esperar al conjunto de datos "perfecto". Hay que empezar con lo que ya se tiene, construir un modelo base sencillo y analizar su rendimiento. Los resultados mostrarán exactamente dónde están las lagunas de datos.

Este enfoque práctico permite aprender e iterar mucho más rápido que esperar a que lleguen más datos de forma mágica.

¿Cuál es la diferencia real entre el filtrado colaborativo y el basado en contenido?

Una analogía sencilla lo aclara todo.

Imagina que buscas un libro nuevo. El filtrado colaborativo es como preguntarle a un amigo: "Tú y yo tenemos gustos parecidos. ¿Qué has leído últimamente que te haya encantado?" El sistema no necesita saber nada sobre los libros en sí: solo que personas con un perfil similar al tuyo también disfrutaron de ese libro concreto. Es el motor detrás del clásico "Los clientes que compraron esto también compraron..." de Amazon. Se basa en similitudes entre usuarios.

El filtrado basado en contenido, en cambio, es como hablar con una bibliotecaria que conoce tu historial de lectura. Le dices: "Me encantan las novelas policiacas ambientadas en Los Ángeles." Ella buscará en su catálogo libros con etiquetas coincidentes: "policíaco", "crimen" y "Los Ángeles". Este enfoque se centra completamente en los atributos del artículo.

La diferencia fundamental está en los datos que utiliza cada uno:

• Filtrado colaborativo: Se apoya en datos de comportamiento del usuario (clics, visualizaciones, compras).

• Filtrado basado en contenido: Se apoya en datos de características del artículo (géneros, palabras clave, especificaciones técnicas).

En la práctica, los sistemas más potentes son híbridos. Combinan los dos enfoques para aprovechar lo mejor de cada uno: la capacidad de detectar patrones del filtrado colaborativo y el conocimiento profundo de los artículos del filtrado basado en contenido.

¿Cómo sé si mi sistema de recomendación está funcionando de verdad?

Es una pregunta fundamental. Un modelo puede tener un rendimiento excelente sobre el papel y no mover ni una sola aguja en el negocio. Por eso el éxito hay que medirlo en dos fases diferenciadas.

Primero, se utilizan métricas offline mientras el modelo aún está en construcción y entrenamiento. Son como una revisión técnica. Se evalúa el modelo sobre datos históricos para ver cómo habría funcionado. Las métricas habituales aquí son:

1. Precision@K: De los K artículos recomendados, ¿cuántos eran realmente relevantes? Mide la calidad.

2. Recall: De todo lo que al usuario le habría gustado, ¿qué porcentaje llegó a mostrársele? Mide la cobertura.

3. nDCG (Normalized Discounted Cumulative Gain): Algo más avanzado. No solo comprueba la relevancia, sino que da mayor puntuación a los modelos que colocan los artículos más relevantes justo al principio de la lista.

Pero las métricas offline no cuentan toda la historia. La prueba definitiva llega con las métricas online, que se miden tras desplegar el sistema. Ahí es donde entra el test A/B: se muestran las nuevas recomendaciones a un grupo de usuarios y la experiencia anterior (o ninguna recomendación) a otro.

Y es donde se vuelve a los KPIs de negocio definidos desde el principio. ¿Subió la tasa de clics (CTR)? ¿Compra más gente (tasa de conversión)? ¿Está subiendo el valor medio del pedido? Un sistema de recomendación solo tiene éxito de verdad si mueve las métricas que importan al negocio.

---

En NILG.AI ayudamos a las empresas a convertir ideas como estas en resultados prácticos y medibles con IA y datos. Si quieres explorar cómo aplicarlo a tu negocio, ponte en contacto con nuestro equipo.