Las recomendaciones de calidad en el comercio electrónico son componentes de algoritmos básicos.

En el primer artículo de la serie, hablamos de las propiedades de los algoritmos de recomendación de calidad que son necesarias para el uso práctico del algoritmo. En el segundo artículo, examinamos los componentes del algoritmo “Productos relacionados”. Pero el sistema de recomendación de una tienda online no sólo se compone del algoritmo “Productos relacionados”. Hay otros algoritmos igualmente importantes.

En el último artículo de la serie, veremos varios algoritmos y analizaremos algunos de sus componentes, que son los más importantes y diferentes de los que hemos considerado antes.

Recordemos que llamamos componente a una parte de un algoritmo que es responsable de una funcionalidad concreta y puede proporcionar una o varias propiedades. Los componentes que resuelven problemas similares para diferentes algoritmos pueden ser diferentes. Esto se debe a que diferentes algoritmos ayudan a resolver diferentes problemas del comprador. Por ejemplo, el componente “Arranque en frío” para los algoritmos “Productos relacionados” y “Alternativas” debe encontrar productos que coincidan con cada uno de estos algoritmos. Para “Productos relacionados”, productos que complementen bien la compra, y para “Alternativas”, opciones que puedan considerarse en lugar del producto actual. 

Como en el último artículo, para cada componente le diremos:   

• qué problema debe resolver el componente;
• cómo resolvemos el problema en nuestro algoritmo;
• cómo determinar si hay un problema en el sistema de recomendación;
• qué propiedades proporciona el componente. 

El algoritmo de Productos Alternativos y sus componentes. 

El algoritmo muestra productos que pueden ser más adecuados para los clientes. Ayuda a los indecisos a elegir. Cuando un comprador se plantea un artículo, el algoritmo le sugiere otras opciones que pueden convenirle más, lo que puede desembocar en una compra. Es uno de los algoritmos más utilizados en una página de ficha de producto. 

Utilizar el comportamiento del comprador.

Lo primero que quiere utilizar como alternativas son productos que tengan descripciones y atributos similares. El problema es que los productos más similares no son necesariamente la mejor alternativa. Por ejemplo, si un cliente está mirando un televisor y ha ido a una tienda a ver las distintas opciones, puede encontrar un televisor que le interese pero que no le convenga por su diagonal. En este caso, las alternativas pueden ofrecer otros televisores, pero con una diagonal diferente más adecuada para él, que suelen comprar las personas que estaban interesadas en el producto original.

He aquí otro ejemplo en el que la similitud en la descripción no permite mostrar los productos más adecuados. Digamos que durante el Black Friday hubo una promoción para un frigorífico, y se compró con más frecuencia. Este producto no se volvió más similar al frigorífico en el que está interesado el usuario, pero se convirtió en una alternativa mejor para él. Una situación similar ocurre cuando se acaba una promoción y el producto deja de tener demanda y deja de ser la mejor alternativa.

Hemos desarrollado un algoritmo que aprende del comportamiento de todos los compradores y muestra en las recomendaciones los productos que tienen más probabilidades de ser añadidos a la cesta y comprados después de ver el producto actual. Si los datos sobre adiciones a la cesta y pedidos son insuficientes, el algoritmo utiliza los datos sobre visualizaciones de productos de todos los usuarios. Y sólo si esos datos son insuficientes, se utiliza información sobre la similitud de la descripción y los atributos.

Para probar el componente, es necesario encontrar un bloque con recomendaciones de productos alternativos en la página de un producto popular. Las recomendaciones deben ofrecer productos similares en descripción al visualizado, así como aquellos que no son similares a él, pero pueden ser una buena alternativa.

El componente ofrece las siguientes propiedades

• eficacia – se pueden encontrar las alternativas más adecuadas;
• especificidad – se tiene en cuenta el comportamiento asociado al producto actual
• pertinencia – las recomendaciones cambian con los cambios de comportamiento de los clientes. 

Abordar el problema de las salidas en frío. 

Si se basan las recomendaciones alternativas únicamente en los datos sobre el comportamiento de los clientes, no se pueden recomendar todos los productos cuando no hay datos suficientes para algunos de ellos. Este es el caso más frecuente de los productos impopulares y nuevos. En el artículo anterior tratamos este problema, sin embargo decidimos mencionarlo aquí, porque en diferentes algoritmos los componentes diseñados para resolver el mismo problema pueden estar dispuestos de forma diferente.

Como solución, hemos implementado un componente que encuentra productos adecuados utilizando la similitud de atributos. Esto permite mostrar recomendaciones para casi todos los productos. Al mismo tiempo, los productos que tengan suficientes datos de comportamiento se mostrarán en primer lugar.

Para comprobar el funcionamiento del componente, puede visitar las fichas de los productos nuevos o poco populares y asegurarse de que se muestran las recomendaciones. Además, debe asegurarse de que los productos de las recomendaciones son alternativos al producto actual.

El componente ofrece las siguientes propiedades:

cobertura – se generan recomendaciones para productos sin datos suficientes sobre el comportamiento del cliente.

El algoritmo “Productos populares” y sus componentes. 

Cuando un cliente entra en una tienda online, lo primero que hay que hacer es interesarle. Para ello, se le pueden mostrar las mejores ofertas de la tienda. Además, el comprador necesita comprender lo antes posible qué tipos de productos están presentes en el surtido de la tienda. Estas tareas se resuelven con la ayuda del algoritmo “Productos populares”. El algoritmo es más útil en la página principal del sitio, en las categorías hijo y padre, pero también puede mostrarse en otras páginas. 

Aumente la variedad de productos en las recomendaciones. 

Los productos más populares de una tienda pueden ser muy similares. Por ejemplo, en una tienda de electrónica, los productos más populares pueden ser los smartphones, que ocuparán un gran número de posiciones en el bloque de recomendaciones. Como el número de productos a mostrar en el bloque de recomendaciones es limitado, no habrá espacio para productos que podrían dar una mejor idea del surtido de la tienda.

Para resolver este problema, Retail Rocket Group muestra productos del mayor número de categorías diferentes en el algoritmo. Para cada categoría se seleccionan los productos más populares. Por ejemplo, si hay más de 5 categorías en la tienda, y hay 5 posiciones en el bloque de recomendación, siempre se mostrará un producto más popular de las 5 categorías más populares.

No es difícil comprobar el funcionamiento del componente. Sólo tiene que visitar la página principal de la tienda y asegurarse de que el bloque con los productos más populares no muestra muchos productos similares.

El componente ofrece las siguientes propiedades:

• eficacia – las recomendaciones dan una mejor idea del surtido de la tienda;
• cobertura – se muestran más productos de diferentes categorías. 

Utilizar la jerarquía de categorías. 

En las recomendaciones de productos populares de la página de la categoría principal, debe mostrar los productos de sus categorías secundarias. Por ejemplo, para mostrar los productos populares de la categoría electrónica, necesita conocer todas sus categorías hijas. La propia categoría de electrónica puede no pertenecer a los productos, y si ignoramos las categorías hijas, no habrá productos en las recomendaciones.

Nuestro sistema utiliza los datos sobre la jerarquía de categorías proporcionados por la tienda online para calcular el algoritmo. Así, las recomendaciones de las categorías superiores muestran productos de las categorías inferiores.

El componente ofrece las siguientes propiedades

• cobertura – se generan recomendaciones para las categorías padre. 

Aumentar el impacto de los datos actualizados. 

El interés por los productos puede cambiar con el tiempo y pueden volverse menos o más populares. En ello pueden influir diversos factores externos, como la estacionalidad, las promociones, etc. Por ejemplo, durante la temporada de verano, los clientes suelen pedir pantalones cortos, que se hacen muy populares en la tienda. Y puede ocurrir que cuando llegue la temporada de invierno, ningún otro producto de abrigo adquiera la misma popularidad, lo que significa que existe el riesgo de que los pantalones cortos aparezcan en las recomendaciones en la temporada equivocada.  

En nuestro algoritmo, cuanto más nuevos son los datos, más influencia tienen en las recomendaciones. Al mismo tiempo, cuanto más antiguos son los datos, más lentamente disminuye su influencia en las recomendaciones. Por ejemplo, los datos que entraron en el sistema hoy y hace un mes tienen un impacto diferente en las recomendaciones. Y los datos que se recibieron hace un año y hace un año y medio tienen aproximadamente el mismo impacto.

Nuestro sistema tiene en cuenta todos los datos disponibles de todo el historial. Los datos antiguos tienen menos influencia, pero también participan en el cálculo de las recomendaciones, al igual que los datos nuevos. Para obtener las recomendaciones más relevantes para el momento actual, podríamos tener en cuenta sólo el historial reciente, pero entonces se resentiría la cobertura de las categorías con productos que no son populares en el momento actual.

Para comprobarlo, basta con mirar las categorías con artículos de diferentes temporadas y ver si las recomendaciones populares coinciden con la temporada actual. Las categorías con productos no populares en la temporada actual también deberían mostrar recomendaciones. 

El componente ofrece las siguientes propiedades:

• Relevancia: las recomendaciones muestran productos que coinciden con el comportamiento de compra de los clientes en ese momento. 

Utilizar distintos tipos de eventos

Los clientes realizan varias acciones en el sitio web de una tienda: hacer un pedido, añadir a la cesta, hacer clic en las recomendaciones y examinar los productos. La acción más importante son los pedidos, pero suelen ser relativamente pocos. Por otra parte, un cliente puede estar interesado en un producto pero no comprarlo, lo que puede ser una señal importante para el algoritmo. Así pues, es necesario tener en cuenta distintos tipos de interacciones y equilibrar su influencia en el algoritmo.

En nuestro algoritmo, se tienen en cuenta todas las interacciones con un producto, y cada una de ellas tiene un impacto diferente en la popularidad del producto. Por ejemplo, un producto que se ha comprado 10 veces será más popular que un producto que se ha visto 100 veces. Pero si el segundo producto se ve mucho más a menudo, en algún momento será más popular que el primero. Los distintos tipos de interacciones también pierden su influencia con el tiempo de formas diferentes. Hemos determinado experimentalmente el equilibrio óptimo entre la influencia de los distintos tipos de interacciones en la popularidad de los productos.

Es difícil comprobar visualmente el funcionamiento del componente, pero a veces se pueden utilizar para ello categorías con productos baratos y caros. Los productos baratos tienen más probabilidades de ser comprados, por lo que deben mostrarse más a menudo en las populares. Por ejemplo, en las recomendaciones populares para la categoría de televisores, no debería haber un televisor demasiado caro, que rara vez se compra. 

El componente proporciona las siguientes propiedades

• cobertura – se utilizan más datos sobre diferentes tipos de interacciones, como consecuencia más categorías tendrán suficientes recomendaciones.

Filtrado de anomalías en los datos. 

Incluso un solo cliente puede realizar demasiadas acciones con productos concretos y afectar a su popularidad. Entonces, productos que no son realmente populares pueden aparecer en las recomendaciones. Además, la popularidad de los productos puede verse influida arbitrariamente por los robots de búsqueda y otros robots.

En nuestro algoritmo, hemos limitado el impacto en la popularidad de cada cliente individual durante un pequeño periodo de tiempo. Medimos la popularidad no por el número de interacciones que ha habido con un artículo, sino por el número de compradores que han interactuado con el artículo a lo largo del tiempo. Filtramos completamente el tráfico procedente de bots.

Si, a pesar del correcto funcionamiento de todos los demás componentes, observa productos ilógicos en las recomendaciones, es probable que, como resultado de una investigación detallada del problema, encuentre una anomalía en los datos.

El componente ofrece las siguientes propiedades

• Lógica: se filtran los datos que distorsionan las recomendaciones.

El algoritmo Interés personal en las categorías y sus componentes. 

El algoritmo identifica las categorías que interesan al comprador a largo plazo. Para estas categorías, puede mostrar diferentes productos, como productos populares, nuevos u otros. Es uno de los algoritmos de personalización y utilizaremos su ejemplo para demostrar características importantes relacionadas con la personalización en general. El algoritmo se utiliza con mayor frecuencia en la página de inicio y en la página de la categoría principal.

La influencia de las categorías en la formación de intereses. 

Dependiendo de la categoría con la que interactúe un comprador, los intereses pueden formarse de distintas maneras. Por ejemplo, después de comprar pañales o comida para mascotas, una persona desarrollará un interés a largo plazo por estas categorías. Y después de comprar un smartphone o un frigorífico, una persona no formará un interés por la categoría, ya que es poco probable que necesite pronto un segundo producto de la misma categoría. 

Nuestro algoritmo para cada categoría entiende cómo debe cambiar el interés de un cliente tras una interacción. Al mismo tiempo, cada tipo de interacción puede afectar de forma diferente al interés del comprador por una categoría. Para algunas categorías, ver la página de la categoría crea el mayor interés, para otras, ver una tarjeta, hacer un pedido o añadir un producto de esa categoría a la cesta. Sin embargo, a menudo ocurre que no todas las categorías tienen suficientes datos para que el sistema entienda cómo generar interés. Por lo tanto, recopilamos datos para todas las categorías similares de la tienda y los utilizamos para determinar cómo se forma el interés.

Puede comprobar el funcionamiento del componente realizando un pedido de un producto que no tenga una demanda repetida y asegurarse de que los productos de la misma categoría han desaparecido de las recomendaciones personales.

El componente ofrece las siguientes propiedades

• especificidad – se utiliza el contexto del comprador y de la categoría;
• eficacia – las recomendaciones corresponden a la tarea del comprador.

Generar interés en categorías relacionadas. 

Como hemos escrito antes, el interés por algunas categorías puede desaparecer después de realizar el pedido. En tal caso, no es obvio lo que se puede mostrar en las recomendaciones personalizadas a los compradores. En este caso, el comprador puede beneficiarse de productos que complementen su pedido. Por ejemplo, si se compró un producto de la categoría de teléfonos, para el que no hay una demanda repetida, no tiene sentido mostrar otros teléfonos en las recomendaciones personalizadas, pero es posible mostrar productos que completen el pedido.

En nuestro sistema después de un pedido se pueden formar intereses a las categorías, los productos de los cuales complementan el pedido realizado anteriormente. Por ejemplo, después de comprar un teléfono puede mostrar recomendaciones de categorías tales como: casos, gafas protectoras y otros accesorios. En otras palabras, el algoritmo puede sugerir productos relacionados con los comprados anteriormente. Tenga en cuenta que no tiene sentido generar interés en categorías relacionadas para cada categoría.

Puede comprobar el trabajo del componente pidiendo un producto que no tenga una demanda repetida, y asegurarse de que las recomendaciones personales incluyen productos que complementan el producto comprado anteriormente. 

El componente ofrece las siguientes propiedades

• eficacia – ayuda al cliente a encontrar productos que complementan el pedido;
• cobertura – se forman intereses en más categorías.

Cálculo en tiempo real de recomendaciones personalizadas. 

Si un cliente realiza una acción y sus intereses cambian, las recomendaciones deben cambiar inmediatamente. Por ejemplo, si un cliente no estaba interesado antes en un producto, pero ahora muestra interés por él, deben aparecer inmediatamente productos similares en las recomendaciones. De lo contrario, las recomendaciones no ayudarán al comprador a resolver su problema actual.

Para resolver el problema, nuestro sistema obtiene datos de comportamiento y cambia el interés de los compradores por categorías en tiempo real. El hecho de que el sistema tenga que almacenar datos de interacción de cada usuario a lo largo del tiempo crea una complejidad adicional. Esto es necesario porque la personalización debe tener en cuenta no sólo las acciones de la sesión actual, sino también las de sesiones pasadas, cuando una persona se marcha durante mucho tiempo, vuelve y continúa con una tarea anterior.

Además de los propios intereses, el sistema calcula de antemano las reglas por las que cambian. No es práctico realizar este cálculo en tiempo real, ya que se utilizan todos los datos disponibles sobre el comportamiento de todos los visitantes de la tienda, y el cálculo resulta ser computacionalmente muy complejo. Además, estas reglas cambian lentamente con el tiempo, por lo que no es necesario actualizarlas inmediatamente. 

Para comprobar el funcionamiento del componente, basta con mirar algunos productos de la tienda y asegurarse de que aparecen productos similares en el bloque con recomendaciones personales. 

El componente ofrece las siguientes propiedades

• eficacia – las recomendaciones son pertinentes para la tarea actual del comprador;
• pertinencia – las recomendaciones se modifican en el momento oportuno. 

El algoritmo “Accesorios” y sus componentes. 

El algoritmo ayuda al comprador a elegir los accesorios que complementan el producto.

Por ejemplo, si el comprador ha elegido un smartphone, el algoritmo le ofrecerá inmediatamente una funda adecuada, auriculares, cristal protector, etc. La principal diferencia entre los accesorios y los productos relacionados es que los productos relacionados pueden utilizarse el uno sin el otro, por ejemplo, pantalones y zapatillas, mientras que los accesorios sólo se utilizan junto con el producto principal.

Detección automática de categorías con accesorios. 

El algoritmo necesita saber no sólo qué artículos complementan al artículo actual, sino también qué artículos son accesorios. Es posible seleccionar manualmente las categorías de la tienda cuyos artículos son accesorios. Pero esto requiere recursos humanos, y constantemente, ya que las categorías del sitio cambian y, en consecuencia, es necesario definir nuevas categorías con accesorios. Además, con un gran número de acciones una persona puede cometer errores. 

Nuestro sistema detecta automáticamente las categorías de accesorios sin la intervención de un vendedor y es capaz de mostrar los accesorios que se ajustan al producto actual.

El componente ofrece las siguientes propiedades:

• eficacia – el algoritmo ayuda al comprador a resolver mejor la tarea de búsqueda de accesorios;
• relevancia – las recomendaciones tienen en cuenta automáticamente la aparición de nuevos accesorios;
• cobertura – las recomendaciones tienen en cuenta más categorías de accesorios y, como resultado, se pueden mostrar recomendaciones a más productos.

El algoritmo Upsell y sus componentes. 

El algoritmo recomienda productos lo más parecidos posible, pero con características mejoradas y más caros. Por ejemplo, si un comprador está mirando unos auriculares con cable de 2000 rublos y va a pedirlos, el algoritmo le mostrará unos auriculares muy parecidos pero inalámbricos de 3000 rublos, que le sentarán igual de bien que los de cable. El comprador puede compararlos, considerar que los auriculares inalámbricos le resultarán más cómodos y comprar la versión más cara.

Al mismo tiempo, las recomendaciones de este algoritmo pueden diferir significativamente de las recomendaciones del algoritmo “Alternativas” considerado anteriormente.

Utilizando la popularidad de los productos. 

El algoritmo puede encontrar muchos productos adecuados, de los cuales se deben seleccionar los mejores para mostrarlos en las recomendaciones. En este caso, no podemos, como en las alternativas, utilizar las preferencias de otros compradores que estaban interesados en el producto dado, porque en tal caso podrían mostrarse productos que no se ajustan a la tarea del algoritmo Upsell.

Para seleccionar los mejores artículos, mostramos primero los artículos más populares y preferidos por los clientes de la tienda. Por ejemplo, si un cliente está mirando ropa, y el estilo es un criterio determinante para él si la ropa le queda bien, el algoritmo puede encontrar ropa del mismo estilo pero con mejores materiales. Y este componente ayudará a seleccionar de entre los productos ya encontrados aquellos que tienen más probabilidades de gustar al usuario.

Para comprobarlo, hay que ir a la ficha de un producto popular y asegurarse de que los productos que muestra el algoritmo deben ser populares en la categoría del producto actual.

El componente ofrece las siguientes propiedades

• eficacia: las recomendaciones muestran los productos más adecuados.

Conclusión. 

En nuestro sistema hay otros algoritmos de recomendación que contienen muchos otros componentes. En los distintos algoritmos, los componentes pueden resolver tareas similares y funcionar de forma parecida, pero cada uno de ellos tiene su propia especificidad. En este artículo hemos considerado los componentes más interesantes, cuya necesidad puede no resultar obvia a primera vista.

En esta serie de artículos, hemos identificado las propiedades necesarias para obtener recomendaciones de calidad y hemos demostrado que, sin ellas, no se cumplirán los objetivos del comprador y de la empresa. Proporcionar una sola propiedad no suele ser demasiado difícil, pero implementar recomendaciones que tengan todas las propiedades simultáneamente se convierte en un reto. 

Para cumplir con éxito esta tarea, se necesitan componentes que puedan proporcionar una o más de las propiedades sin interferir con las demás. Al mismo tiempo, cada algoritmo de recomendación tiene sus propias peculiaridades, lo que da lugar a un conjunto único de componentes. Todo esto hace que el desarrollo de un sistema de recomendación sea muy costoso.

Esperamos que si se enfrenta a la tarea de desarrollar un sistema de recomendación, esta serie le ayude a comprender lo que debe hacer para que el sistema sea utilizable. Y si necesita seleccionar un sistema de recomendación, la serie le proporcionará una forma de evaluar su calidad.