Recomendaciones de calidad en el comercio electrónico: propiedades necesarias

La empresa Retail Rocket lleva más de 10 años trabajando con sistemas de recomendación en el ámbito del comercio electrónico. Durante todo este tiempo nos hemos enfrentado a propiedades no evidentes de los algoritmos de recomendación, sin las cuales los sistemas no cumplirían su cometido. En este artículo hemos identificado y descrito propiedades como: eficacia, lógica, cobertura, especificidad, alcance, relevancia y multirregionalidad. Si dispone de un sistema de recomendación y desea evaluar su calidad, o busca criterios para seleccionar o desarrollar un sistema de recomendación, este artículo le resultará útil.

Este es el primer artículo de una serie en la que trataremos las propiedades que deben tener las recomendaciones de calidad. En el segundo artículo veremos cómo se proporcionan las propiedades necesarias utilizando el ejemplo del algoritmo de Productos Relacionados.En el tercer y último artículo abordaremos otros algoritmos de recomendación no menos importantes.

Un poco de información introductoria

Todo el mundo se ha topado alguna vez con los sistemas de recomendación de tiendas online. Tanto las pequeñas empresas como los líderes del sector utilizan con éxito las recomendaciones. Según un informe de Mckinsey, Amazon genera el 35% de sus ingresos mediante sistemas de recomendación. Existen estudios detallados sobre el valor empresarial de las recomendaciones, como el artículo “Measuring the Business Value of Recommender Systems”. Pero la mejor prueba de su valor es su uso generalizado: es difícil encontrar una tienda online que no utilice esta herramienta.

Los sistemas de recomendación deben tener en cuenta los problemas que surgen en el mundo real. Sólo así el marketing podrá utilizar estos sistemas para alcanzar sus objetivos. Este puede denominarse el principal criterio de calidad de cualquier herramienta de marketing, en particular, de un sistema de recomendación.

En Retail Rocket llevamos más de 10 años ofreciendo recomendaciones al mercado, a más de 1000 clientes. Y durante todo este tiempo hemos estado investigando y mejorando nuestro sistema. Ya en 2016, hicimos una presentación sobre el proceso de comprobación de hipótesis en la conferencia recsys, que sigue siendo la mayor conferencia dedicada a las recomendaciones. Desde entonces, hemos acumulado mucha experiencia y conocimientos. En este artículo hablaremos de las complejidades que se ocultan en los algoritmos de recomendación y que no son visibles a primera vista.

En el marco de este artículo no tocaremos muchas cuestiones técnicas complejas, como el almacenamiento de datos, el soporte de hardware, la supervisión, la integración de las recomendaciones en una tienda en línea y mucho más.

Eficacia – las recomendaciones contribuyen a resolver la tarea del comprador

Las recomendaciones deben ayudar a los clientes a cumplir sus tareas con eficacia. Como ejemplo de dichas tareas podemos citar:

• familiarización con el surtido de la tienda

• búsqueda del producto adecuado, consideración de alternativas,

• búsqueda de productos complementarios.

Lo que a su vez garantiza que:

• tomar una decisión de compra y hacer un pedido,

• mantener el contacto con el cliente una vez realizado el pedido,

• el regreso del cliente a la tienda, los pedidos regulares y la fidelización.

Por el aspecto de las recomendaciones se entiende su eficacia para resolver las tareas del comprador. Por ejemplo, una presentación monótona de los productos no resuelve la tarea de familiarización con el surtido de la tienda. Y si se eliminan de las recomendaciones todos los productos comprados con anterioridad, los algoritmos no resuelven las tareas del comprador en relación con los bienes de demanda habitual: al comprar comida para mascotas, las recomendaciones no recordarán el relleno del retrete, y al comprar pescado, no sugerirán especias adecuadas compradas con anterioridad.

Si un cliente se siente cómodo utilizando una tienda online, es más probable que realice una compra y vuelva a por la siguiente. La mejora de la experiencia del usuario hace que el cliente sea más fiel a la tienda. Todo ello se traduce en un aumento del LTV – Lifetime value -, una medida del beneficio que obtiene una empresa durante todo el tiempo que trabaja con un cliente. 

Es extremadamente difícil cuantificar el impacto de las herramientas de marketing individuales en el LTV, dada la duración de la relación de un cliente con una tienda. Por lo tanto, hay que utilizar múltiples métricas para aumentar la probabilidad de detectar un impacto en la LTV. Hemos tratado el uso de métricas proxy para el comercio electrónico en otra serie de artículos.

Lógico: está claro qué tarea resuelve el algoritmo para el comprador

El comprador debe entender por qué el widget con recomendaciones del sitio ofrece productos específicos. Si las recomendaciones ayudan a encontrar productos que complementan el pedido, entonces deberían incluir no productos alternativos, no populares en la tienda, sino exactamente productos que complementan el pedido. 

Para entender el propósito del widget, es importante elegir el encabezado correcto. Por ejemplo, si el widget está diseñado para mostrar productos relacionados, será adecuado el titular “Este producto se compra con este producto” en lugar del poco informativo “Le recomendamos”.

La lógica hace que el trabajo de las recomendaciones sea más transparente, previsible. Gracias a ello, el comprador confiará en las recomendaciones y en la tienda en su conjunto. Una comprensión adecuada del funcionamiento del bloque de recomendaciones ayuda al comprador a entender cómo interactuar con él para resolver sus tareas. Por otro lado, si el comprador se encuentra repetidamente con un comportamiento ilógico de las recomendaciones, no sólo puede dejar de fijarse en ellas con el tiempo, sino también perder la confianza en otras herramientas del sitio y en la propia tienda online.

La propiedad de lógica permite a los compradores distinguir unas herramientas de recomendación de otras. Esto ayuda a colocar más de un widget en la página, mostrar más productos, aumentar el impacto de las recomendaciones y diversificar la interacción con la tienda. Un cliente puede tener una actitud negativa ante múltiples widgets de recomendación sin objetivos claros en una misma página, pero los percibirá como herramientas útiles, por ejemplo, si un widget le ayuda a encontrar el producto que ha venido a buscar y otro le muestra productos que complementan al actual.

Cobertura – recomendaciones proporcionadas para cada producto, categoría, etc.

Un sistema de recomendación debe ofrecer recomendaciones para cada producto, categoría y usuario en la página de inicio y en otras páginas. Una buena cobertura hace que la tienda sea más predecible, no interrumpe la experiencia habitual del usuario y aumenta el impacto de las recomendaciones.

Es difícil conseguir una cobertura adecuada si sólo se ofrecen recomendaciones para los productos más populares o no se ofrecen recomendaciones para los productos nuevos. Es extremadamente difícil conseguir una cobertura completa si los responsables de la tienda utilizan la correspondencia manual entre categorías o productos.

Si las recomendaciones no existen o son insuficientes para algunos productos, los compradores acostumbrados a las recomendaciones se verán obligados a buscar y utilizar otras herramientas, aunque sean menos convenientes. Es más difícil utilizar varias herramientas que una sola, por lo que los compradores pueden abandonar las recomendaciones.

Especificidad: las recomendaciones tienen en cuenta los contextos de la página, el producto y el usuario

El sistema debe ofrecer recomendaciones diferentes en función del contexto actual. El contexto puede ser un tipo de página, un producto en cuya página se sitúan las recomendaciones o un usuario al que se muestran.

Diferentes contextos resuelven diferentes tareas. Para resolver cada tarea, es necesario aplicar las herramientas adecuadas específicas del contexto actual. Una herramienta que no resuelve la tarea actual del comprador sólo distrae la atención. Por ejemplo, en la página de la ficha de producto se puede resolver la tarea de buscar el producto de interés, lo que significa que es necesario mostrar productos alternativos, no populares, que resuelvan otra tarea: la familiarización con la gama de la tienda.

Es necesario tener en cuenta el contexto con la mayor precisión posible. En particular, utilizar la personalización, no sólo en la página principal de la tienda online. Si el cliente está en la página de categorías, es importante mostrar los productos más interesantes de esta categoría. Si el comprador está en la ficha de producto, es mejor mostrar productos con atributos que él prefiera. Por ejemplo, es mejor mostrar productos con tallas adecuadas.

Cobertura – las recomendaciones muestran la mayor parte posible del surtido de la tienda online

El sistema debe recomendar el mayor número posible de productos de la tienda. Esta propiedad es importante para el comercio electrónico, ya que se caracteriza por una amplia gama de productos y por el efecto “long tail”, es decir, cuando una gran parte de los productos tienen poca demanda, pero juntos representan una parte importante de los ingresos.

Para proporcionar la propiedad de alcance, a menudo es necesario proporcionar la propiedad: si desea mostrar el mayor número posible de productos diferentes, puede mostrar productos diferentes en función del contexto. Pero especificidad no significa necesariamente cobertura y viceversa. Discutiremos los matices en la sección sobre provisión conjunta de propiedades.

Es importante que la tienda haga que el cliente conozca bien su surtido. Aunque no haya comprado un producto, pero conozca su disponibilidad en la tienda, cuando necesite ese producto, incluso después de un tiempo considerable, el cliente puede volver a la tienda y comprarlo.

Ya mencionamos las ventajas de la familiaridad con la gama en nuestro estudio, en el que descubrimos un efecto positivo del número medio de fichas de producto consultadas por un comprador sobre el LTV.

Pertinencia: tiene en cuenta los cambios en la base de productos y el comportamiento de los clientes a lo largo del tiempo

El comportamiento de los clientes y la base de productos de la tienda cambian con el tiempo. Las recomendaciones deben tener debidamente en cuenta estos cambios y actualizarse con la suficiente frecuencia. Lo ideal sería en tiempo real.

Si un producto ha aparecido en la base de productos de la tienda, pronto debería empezar a ser utilizado por las recomendaciones. Y si el producto ya no está disponible en la tienda, debería dejar de mostrarse a los clientes lo antes posible.

Las recomendaciones deben tener en cuenta la evolución de la demanda del mismo artículo disponible en distintos momentos. Por ejemplo, los productos para asar a la parrilla se comprarán activamente durante la temporada de campo, mientras que los productos para esquiar se comprarán activamente durante el invierno. Un modelo de teléfono antiguo puede perder relevancia cuando sale un modelo nuevo. Los cambios en la demanda no se tienen en cuenta si el algoritmo de recomendación utiliza sólo los atributos del producto y no tiene en cuenta el comportamiento del cliente.

Para los compradores, el hecho de que en las recomendaciones aparezcan artículos que no pueden comprar hace que se incumplan las expectativas de la herramienta. Esto puede llevar a una pérdida de confianza tanto en las recomendaciones como en cualquier otra herramienta de la tienda. Mostrar productos irrelevantes provoca un efecto similar.

Garantizar la propiedad de relevancia en la práctica es difícil de conseguir gestionando manualmente las recomendaciones. Esta propiedad debe mantenerse continuamente, lo que requiere mucho esfuerzo humano.

Multiregionalización: tiene en cuenta la disponibilidad de los productos y la relevancia de sus atributos en función de la región

La disponibilidad, el precio y otros atributos de los productos de una tienda online pueden variar según la región, el almacén y el punto de venta. Hay tiendas con miles de almacenes cuyos atributos de producto varían. Cada almacén puede tener recomendaciones diferentes debido a los distintos comportamientos de los clientes y a los distintos atributos de los productos, especialmente la disponibilidad. El sistema de recomendación debe tener en cuenta correctamente estos atributos en función de la región del cliente.

Al mismo tiempo, la base de productos de una tienda puede contener un gran número de productos, y cada producto de cada almacén puede tener sus propios atributos. Y para cada almacén puede haber recomendaciones diferentes debido a los distintos comportamientos de los clientes y a los distintos atributos de los productos, principalmente la disponibilidad.

En caso de indicación incorrecta del precio, existe un problema de discrepancia entre el precio del producto y la inscripción en la etiqueta de precio. La propiedad de relevancia también se viola en caso de disponibilidad de un producto en la edición que no está disponible en la región del comprador.

Provisión colaborativa de múltiples propiedades

Proporcionar una sola propiedad de un sistema de recomendación no es tan difícil. Los problemas empiezan cuando se intenta proporcionar múltiples propiedades simultáneamente: la necesidad de proporcionar cada propiedad posterior puede complicar la implementación de las otras propiedades y, en consecuencia, del sistema en su conjunto. Si el algoritmo de recomendación ayuda a complementar la compra y utiliza únicamente información de pedidos de productos que suelen comprarse juntos, entonces será lógico, eficaz y específico.

Pero para garantizar la propiedad de cobertura es necesario mostrar en las recomendaciones productos nuevos y poco populares de los que no hay estadísticas suficientes. Para garantizar la propiedad de cobertura es necesario mostrar en las recomendaciones no sólo productos populares. Por lo tanto, hay que buscar soluciones más complejas. Por otra parte, se puede resolver el problema de la cobertura y el alcance mostrando productos aleatorios. Pero entonces las recomendaciones pierden las propiedades de lógica, eficacia y especificidad.

Si los mismos productos aparecen a menudo en las recomendaciones, aunque sean populares y se compren mucho, se puede conseguir una cobertura total. Para los productos alimentarios, estos productos pueden ser plátanos, huevos, agua, verduras. En el caso de los productos para bebés, pueden ser pañales y comida para bebés. Para algunos algoritmos, mostrar un grupo tan reducido de productos universales permite lograr una gran eficacia. Sin embargo, las propiedades de especificidad y cobertura no están garantizadas.

En los algoritmos que utilizan datos sobre el comportamiento de los usuarios, la propiedad de relevancia puede lograrse utilizando el historial de un periodo de tiempo reducido. Por ejemplo, para calcular los productos populares sólo se puede utilizar el último mes, pero en este caso es difícil garantizar la propiedad de cobertura y lógica.

El trabajo conjunto de propiedades como la multirregionalidad, la cobertura y la especificidad también supone un reto. Hay tiendas con múltiples almacenes, donde para cada almacén es necesario proporcionar recomendaciones adecuadas para cada producto, teniendo en cuenta los atributos del producto para el almacén correspondiente. En tal caso, el número de opciones de recomendación diferentes alcanza el producto del número de almacenes por el número de productos de la tienda. Esto requiere una gran inversión en tratamiento de datos, eficiencia de algoritmos e infraestructura. Para complicar aún más las cosas, es necesario garantizar la propiedad de pertinencia. La base de mercancías cambia con mucha frecuencia y las recomendaciones deben calcularse y actualizarse constantemente. Para garantizar la especificidad de las recomendaciones personalizadas, hay que actualizarlas en tiempo real, ya que el contexto del usuario cambia con cada acción.

Los ejemplos anteriores demuestran que organizar la oferta conjunta de incluso dos propiedades es una tarea nada trivial. Y lo que puede pasar desapercibido o parecer sin importancia al principio del sistema de recomendación puede convertirse más tarde en un obstáculo insalvable.

Cómo comprobar la calidad de un sistema de recomendación

Ofrecemos una serie de comprobaciones sencillas para detectar violaciones de las propiedades de las recomendaciones:

• La eficacia debe evaluarse en relación con las tareas que los usuarios realizan en el sitio. Por ejemplo, la tarea “familiarizarse con el surtido” no se cumple si el widget de productos populares muestra sólo un grupo de productos similares, lo que no da una idea de todo el surtido de la tienda.

• Lógica significa que se pueden visitar las páginas de la tienda y entender qué tarea del usuario resuelve cada widget de recomendación. Por ejemplo, un widget en una ficha de producto puede ayudar a completar un pedido con el producto actual o a encontrar una alternativa más adecuada. Los productos de las recomendaciones deben corresponder a la tarea que el usuario está resolviendo. Si las recomendaciones complementan el pedido, puede imaginarse a los usuarios acudiendo a la tienda para comprar los artículos del widget junto con el producto actual.

• No hay cobertura si no hay recomendaciones de nuevos productos. Estos productos pueden encontrarse a menudo en un bloque de la página de inicio o clasificando la página de categorías por nuevos productos.

• No se proporciona especificidad si se proporcionan las mismas recomendaciones para diferentes productos, incluso similares. Por regla general, basta con ver recomendaciones para varios productos de la misma categoría.

• La cobertura no estará garantizada si sólo se utilizan productos populares en las recomendaciones de la tienda. Los productos menos populares pero relevantes también son dignos de consideración y pueden representar una parte importante de los ingresos. Consultar las recomendaciones de artículos populares de la misma categoría suele permitir evaluar rápidamente la cobertura.

• La compatibilidad multirregional puede comprobarse cambiando la región y viendo si las recomendaciones muestran productos que sólo están disponibles en esa región y que sus precios se corresponden con los precios de esa región.

Conclusión

Un sistema de recomendación se utiliza para cumplir tareas de marketing y no está obviamente relacionado con muchos aspectos del funcionamiento de una tienda en línea. Para ello, el sistema de recomendación debe tener propiedades sin las cuales no será utilizable en la práctica. La necesidad de estas propiedades hace que la implementación de un sistema de recomendación sea una tarea compleja.

En el siguiente artículo describiremos los componentes que permiten dotar de las propiedades necesarias a un sistema de recomendación de calidad, tomando como ejemplo el algoritmo de productos relacionados.