Iniciar sesión

Recomendaciones de calidad en los componentes de comercio electrónico del algoritmo de productos relacionados

Recomendaciones de calidad en los componentes de comercio electrónico del algoritmo de productos relacionados

En el artículo anterior de esta serie sobre la calidad de los algoritmos de recomendación, examinamos las propiedades necesarias para que las recomendaciones beneficien en la práctica a una tienda online. En este artículo, describiremos cómo garantizar estas propiedades utilizando el ejemplo de los componentes de uno de los algoritmos.

Los algoritmos de recomendación pueden dividirse en componentes, cada uno de los cuales es responsable de proporcionar una o más propiedades. Por ejemplo, un componente puede proporcionar personalización, otro recomendaciones lógicas de nuevos productos. Hemos elegido el algoritmo de productos relacionados porque consta de muchos componentes diferentes.

Los productos relacionados son artículos que un cliente puede utilizar para complementar su pedido. En Retail Rocket Group hacemos un amplio uso de

 este algoritmo en muchas tiendas online de diferentes segmentos. Por regla general, se utiliza en las páginas del carrito y de la ficha de producto.

En los últimos 10 años hemos trabajado activamente en la mejora de nuestro algoritmo, y durante este tiempo ha sufrido cambios significativos. Estos cambios se han realizado para garantizar que se alcanzan todas las propiedades necesarias. Para asegurarnos de que cada cambio del algoritmo logra sus objetivos, hemos realizado muchos experimentos. Daremos más detalles sobre nuestro proceso de comprobación de hipótesis en otro artículo.

Recuerde las propiedades que deben garantizarse para obtener recomendaciones de calidad:

PropiedadDescripción
EficaciaLas recomendaciones contribuyen a resolver las tareas del comprador, es decir, ayudan a completar el pedido
LógicaEl comprador necesita ver que las recomendaciones están a la altura de la tarea de completar el pedido
CoberturaLas recomendaciones deben ser para todos los productos, incluidos los nuevos e impopulares
EspecificidadLas recomendaciones para cada producto se basan en información relacionada con ese producto, lo que las hace más apropiadas para ese producto en particular.
AlcanceLas recomendaciones ofrecen una variedad de productos que caracterizan la mayor parte de la gama de productos de la tienda en línea
RelevanciaLas recomendaciones tienen en cuenta la evolución de la base de productos y el comportamiento de los clientes a lo largo del tiempo
MultiregionalismoLas recomendaciones tienen en cuenta la disponibilidad de bienes y la relevancia de sus atributos en función de la región

Enumeramos los componentes del algoritmo de bienes relacionados y las propiedades que proporcionan. Una misma propiedad puede ser proporcionada por varios componentes, ya que algunos pueden funcionar mejor en distintas situaciones.

Componentes del algoritmo de productos relacionados

A continuación, vamos a enumerar 15 componentes del algoritmo y a considerar los detalles no evidentes de su funcionamiento. Hemos denominado cada componente en función de la tarea a la que está destinado. Cabe señalar que algunos componentes son adecuados sobre todo para determinados segmentos de tiendas en línea.

Para cada componente, vamos a decírtelo:

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

Personalización en tiempo real

La personalización permite al algoritmo mostrar las recomendaciones más adecuadas para cada cliente. El algoritmo de Productos Relacionados se utiliza en la ficha de producto y en la página del carrito, por lo que debe tener en cuenta en primer lugar para qué productos ofrece recomendaciones. Pero también es importante tener en cuenta las preferencias del comprador, que deben determinarse en tiempo real en función de sus acciones anteriores.

Para formular recomendaciones más precisas en el contexto del producto actual, es muy útil ver en qué atributos de otros productos estaba interesado el comprador.

Por ejemplo, si el cliente se encuentra en la página de un producto

“relleno para gatos”, entonces es mejor recomendarle comida para gatos del mismo fabricante por el que ha mostrado interés previamente.

Al mismo tiempo, es necesario elegir los atributos adecuados para la personalización. Sería un error tener en cuenta el interés por cada atributo o cada valor de un atributo. Por ejemplo, los intereses en marcas a las que los clientes rara vez prestan atención no deben tenerse en cuenta en la personalización. Y puede ocurrir que en una categoría deba tenerse en cuenta un atributo, pero en otra no.

Para probar el componente, basta con ir a la ficha del producto con recomendaciones y, a continuación, realizar algunas acciones en el sitio de la tienda: visitar las páginas de otros productos o añadirlos a la cesta. Tras volver a la página del producto original, las recomendaciones deberían cambiar.

El componente proporciona las siguientes propiedades:

  • especificidad – utilizar el contexto del comprador para la personalización ayuda a reforzar el atributo;
  • eficacia: la personalización ayuda a que las recomendaciones sean pertinentes para la tarea actual del comprador y, por tanto, aumenta su eficacia;
  • cobertura – la personalización permite mostrar productos diferentes a compradores diferentes para el mismo producto;
  • multirregionalidad – la personalización debe tener en cuenta las diferencias de atributos en las distintas regiones, por ejemplo en los precios.

 Reducir el impacto de los productos populares

Los productos que se compran juntos en un pedido se complementan entre sí o figuran en el pedido independientemente unos de otros. Cuanto más popular es un producto, más a menudo se pide y más probable es que se incluya en el pedido con el producto actual, aunque no lo complemente. En consecuencia, las recomendaciones pueden incluir productos que no complementan al producto actual. Por tanto, debe limitarse la influencia de los productos populares.

Una forma sencilla de limitar el impacto de los productos populares es reducir la probabilidad de que un producto aparezca en las recomendaciones si se compra también con otros productos. Por ejemplo, una tienda de artículos para el hogar puede mostrar servilletas de papel y papel higiénico en lugar de otros productos para el detergente. Si el algoritmo tiene en cuenta que las servilletas de papel y el papel higiénico también suelen comprarse con otros productos, lo más probable es que estos productos no aparezcan en las recomendaciones de detergente.

Si no limita la influencia de los productos populares, empezarán a aparecer en las recomendaciones de todas partes. Los productos populares influyen en las recomendaciones de todas las tiendas, pero es más fácil encontrar esta influencia en las tiendas con productos superpopulares. Basta con comprobar un pequeño número de recomendaciones y encontrar los mismos productos en recomendaciones de productos diferentes en la tarjeta o en la cesta.

El componente ofrece las siguientes propiedades:

  • lógica – reduce la probabilidad de que se incluyan en las recomendaciones productos populares que no complementan al producto actual;
  • cobertura: limita la aparición de los mismos productos populares en las recomendaciones.

Solución del “problema del plátano

El problema de la influencia de los productos populares es más notable en las tiendas de comestibles. A este respecto, ha aparecido un término independiente: “Problema del plátano”. Los plátanos se compran muy a menudo y con cualquier otro producto, por lo que están presentes en las recomendaciones de casi todo.

Para resolver este problema, se utiliza una variante separada del algoritmo “Productos relacionados”, que reduce adicionalmente la influencia de los productos superpopulares. Esta opción no es adecuada para todo el mundo y está pensada principalmente para tiendas de alimentación, artículos infantiles y productos de cuidado personal.

Para probar el funcionamiento del componente, basta con comprobar un pequeño número de recomendaciones y encontrar productos superpopulares en las recomendaciones de diferentes productos en la ficha o en la cesta.

El componente ofrece las siguientes propiedades:

  • lógica – elimina de las recomendaciones los productos superpopulares, que pueden no complementar el producto actual.

Resolver el problema del arranque en frío

Si el producto tiene suficientes estadísticas de comportamiento, está claro cómo obtener productos relacionados: basta con utilizar los datos de los productos en pedidos conjuntos. Pero en la tienda aparecen constantemente nuevos productos de los que no hay datos o hay muy pocos. Además, muchas tiendas online tienen una base de productos enorme, y para una parte notable de los productos los datos no serán muchos. 

Para resolver el problema se pueden utilizar fuentes de datos más débiles que los pedidos, como las vistas compartidas de productos y la popularidad general. Pero el uso ingenuo de tales eventos llevará a que las recomendaciones incluyan productos que pueden violar la propiedad de lógica. Como consecuencia, el algoritmo será peor a la hora de resolver las tareas del comprador para las que está diseñado y, por tanto, la propiedad de eficiencia se resentirá. 

Para evitarlo, nuestro sistema determina automáticamente qué categorías pueden complementar al producto actual. Si una categoría no es adecuada como categoría complementaria, los productos de esta categoría no se muestran en el arranque en frío.

Puede evaluar el rendimiento de este componente comprobando las recomendaciones de productos nuevos o poco populares. 

En lugar de este componente puede mostrar productos aleatorios. Pero en este caso tendrá que sacrificar la lógica. Es necesario asegurarse de que los productos de las recomendaciones pueden añadirse al producto actual. 

Para resolver el problema de un arranque en frío, puede mostrar productos populares. En este caso, se mostrarán las mismas recomendaciones para diferentes productos y, como resultado, las propiedades de cobertura y especificidad se verán afectadas.

El componente proporciona las siguientes propiedades:

  • сobertura: se generan recomendaciones para productos sin estadísticas.

Priorización de la marca del producto actual en un arranque en frío

Un cold start puede ofrecer una gran variedad de productos, y es importante seleccionar los más relevantes de entre toda esta variedad. Por ejemplo, si una tienda tiene un portátil nuevo y aún no hay suficientes datos sobre él, un arranque en frío puede sugerir productos incompatibles.

Para los compradores, la marca es importante, por lo que priorizar por marcas ayuda a destacar los productos relevantes. Es importante señalar que si hay suficientes estadísticas, la priorización por marcas puede impedir que el algoritmo encuentre productos relevantes. Por lo tanto, este mecanismo sólo tiene sentido utilizarlo en frío.

El problema que resuelve esta variante del algoritmo se encuentra en las recomendaciones a marcas que producen tanto el producto principal como productos relacionados con él. Por ejemplo, para ver si los accesorios de Apple estarán en las recomendaciones para un nuevo macbook.

El componente ofrece las siguientes propiedades:

  • eficacia – es más probable que los productos de la misma marca se combinen entre sí;
  • especificidad – se tiene en cuenta la marca del producto actual.

Arranque en frío a partir de productos de marcas actuales

En algunos segmentos, los clientes están muy vinculados a marcas concretas, como en la electrónica y la ropa. Por lo tanto, no tiene sentido mostrarles productos de otra marca si no está respaldado por datos suficientes.

En estos casos, puede hacer un arranque en frío sólo con productos de la marca actual. Para mantener la cobertura, puede mostrar productos de la misma marca aunque no se encuentren en eventos conjuntos o no sean populares.

El componente ofrece las siguientes propiedades:

  • eficacia – las recomendaciones muestran productos de la marca que le gusta al cliente;
  • especificidad – se tiene en cuenta la marca del producto actual.

Filtrado de productos aleatorios de categorías ilógicas

Los productos relacionados se construyen principalmente mediante pedidos conjuntos, que son la fuente de datos más importante para este algoritmo. En este caso, un pedido puede incluir productos que no se complementan entre sí, sino que se compraron por alguna otra razón. Como resultado, en las recomendaciones aparecen productos inadecuados.

Para evitar productos aleatorios en las recomendaciones, nuestro sistema determina automáticamente qué categorías son adecuadas como productos relacionados. Y cuanto menos encaje una categoría como relacionada, más co-ocurrencias debe tener un producto de esa categoría para ser incluido en las recomendaciones. Esto es similar a cómo, en la vida normal, una persona necesitaría más pruebas para estar de acuerdo con algo de lo que inicialmente no estaba segura.

A modo de prueba, puede mirar diferentes fichas de productos y asegurarse de que no hay productos ilógicos entre las recomendaciones. La mayoría de los productos pueden ser lógicos, pero habrá algunos que no complementen el producto actual.

El componente ofrece las siguientes propiedades:

  • lógica – se reduce la probabilidad de mostrar productos inadecuados;
  • eficacia: se muestran más productos útiles en las recomendaciones.

Aumentar la variedad de productos en las recomendaciones

A veces las recomendaciones de productos pueden consistir en muchos productos similares. Por ejemplo, para una aspiradora podemos recomendar muchas bolsas que sólo se diferencian por el número de bolsas del conjunto. En este caso, las bolsas llenarán el bloque de recomendaciones y no ayudaremos al comprador a resolver su problema, por ejemplo, si necesita un filtro para una aspiradora o bolsas de otro tipo.

Para solucionar este problema, es necesario aumentar la variedad de la presentación, sin empeorar la eficacia de las recomendaciones, es decir, no dejar que desaparezcan de la presentación los productos que complementan al producto actual. Por ejemplo, si hay productos similares en las recomendaciones, pero son más eficaces en relación con otros productos tan afines, deben dejarse.

Esto puede llevarse a cabo mediante un algoritmo codicioso que seleccione el producto más apropiado de un conjunto de productos relacionados y, a continuación, añada en la salida otro producto que sea el más apropiado, pero teniendo en cuenta la similitud en atributos con los productos seleccionados anteriormente. Este proceso se repite hasta que se selecciona un número suficiente de artículos.

El problema que resuelve el componente es común. Aparece más claramente cuando se pueden obtener recomendaciones precisas, es decir, en primer lugar, en las recomendaciones de productos populares de los que se dispone de muchos datos. Es necesario asegurarse de que las recomendaciones para tales productos no consistan principalmente en productos muy similares.

El componente aporta las siguientes propiedades:

  • eficacia – aumenta la probabilidad de encontrar el producto deseado entre los recomendados;
  • cobertura – se muestran más productos diferentes.

Personalización manual de las recomendaciones

Por muy bueno que sea el sistema, en la vida real sigue habiendo productos en las recomendaciones que no deberían estar ahí. Puede que se trate de casos poco frecuentes y que no afecten significativamente a la eficacia de las recomendaciones, pero se les prestará atención. Por lo tanto, estos casos serán difíciles de ignorar.

Además, puede haber factores externos que requieran ciertas restricciones en el algoritmo. Por ejemplo, una tienda necesita recomendar sólo alcohol y nada más. En tal caso, necesita poder restringir la visualización de alcohol en otras páginas de productos.

Para resolver estos casos, se puede dar la posibilidad de añadir reglas que permitan o no recomendar un determinado grupo de productos en contextos específicos.

También hay muchos casos en los que es necesario mostrar un determinado grupo de productos en determinadas condiciones, por ejemplo, para promocionarlos. Esto no es tarea del algoritmo de recomendación, y lo hemos trasladado a un producto aparte: Smart Placement Ads

El componente ofrece las siguientes propiedades:

  • lógica: se filtran las mercancías que no deberían haber sido seleccionadas, pero que lo han sido en las recomendaciones.

Exclusión de categorías de productos para las que se generan recomendaciones

Los clientes pueden pedir productos de una misma categoría, comprando sólo un producto y rechazando los demás. Esto hace que las recomendaciones del algoritmo incluyan productos de la misma categoría. Al mismo tiempo, no serán necesariamente similares entre sí. Por ejemplo, la gente coge varios pares de vaqueros diferentes y compra sólo el que le queda mejor.

Una solución sencilla es excluir de las recomendaciones los productos de la categoría actual. Como resultado, no habrá otros vaqueros en los productos relacionados con los vaqueros.

Esto permitirá que el algoritmo, en lugar de vaqueros, muestre otros productos que complementen al producto actual, que es la tarea del algoritmo de productos relacionados.

Y la tarea de encontrar productos alternativos la resuelve otro algoritmo.

Para probarlo, tenemos que buscar, por ejemplo, en el segmento de la ropa, entre 20 y 30 productos. En ausencia del componente, será posible ver en las recomendaciones los productos de la categoría actual.

El componente proporciona las siguientes propiedades:

  • lógica – se excluyen los productos que no están relacionados con la tarea del algoritmo;
  • eficacia: se mantienen los productos que ayudan a resolver la tarea del comprador.

Cálculo de recomendaciones para cada producto del grupo

En algunas tiendas hay muchas variantes de un mismo producto que forman un grupo. Los productos de un mismo grupo pueden diferir, por ejemplo, en tamaño, color o disponibilidad. Al mismo tiempo, puede haber decenas de productos en un grupo. Y de este conjunto de productos, sólo uno debe mostrarse en las recomendaciones para el producto actual.

Puede representar todo el grupo como un solo producto y calcular las estadísticas generales para todos los productos del grupo. En este caso no será posible encontrar el más adecuado para el producto actual del conjunto de productos del grupo. 

Como solución al problema, tenemos en cuenta por separado los eventos para cada producto del grupo. De esta forma averiguamos que un producto concreto del grupo complementa de la mejor manera al producto actual. Pero en este caso, el número ya de por sí elevado de productos en el cálculo de las recomendaciones puede aumentar en un orden de magnitud, lo que requiere más potencia de cálculo.

Para comprobar si el componente está disponible, es necesario añadir un artículo específico del grupo a la cesta en una tienda con artículos del grupo y asegurarse de que las recomendaciones muestran los artículos más adecuados de otros grupos, por ejemplo, se recomiendan zapatos verdes para un bolso verde.

El componente ofrece las siguientes propiedades:

  • eficacia – se muestra el producto más adecuado del grupo;
  • especificidad – se tiene en cuenta el contexto de un producto concreto del grupo.

Cálculo de recomendaciones para cada región

Los productos pueden estar vinculados a distintos lugares, como tiendas, almacenes, regiones, etc. Para simplificar, llamaremos regiones a estos lugares. En una tienda puede haber un gran número de ellas, cientos y a veces incluso miles. Además, puede haber cientos de miles de mercancías en la tienda. En cada región, los productos pueden diferir en atributos y disponibilidad. Y para cada región es necesario mostrar recomendaciones pertinentes y actualizadas.

La disponibilidad en cada región puede variar, y es importante mostrar sólo los productos que están disponibles para los clientes en su región. Además, es importante utilizar atributos de producto relevantes para cada región, principalmente el precio. Cabe señalar que no se puede simplemente tomar las recomendaciones para todas las regiones y dejar las mercancías disponibles para la región actual, porque en las regiones pequeñas debido a la pequeña base de productos disponibles después de filtrar las mercancías no permanecerá. O pueden quedar muchos productos similares, lo que perturbará la variedad de mercancías en las recomendaciones. Esto significa que las recomendaciones deben formarse por separado para cada región.

Además, los atributos de los productos se utilizan en la personalización, y es importante tener en cuenta los valores de los atributos pertinentes para la región actual.

Para comprobar la disponibilidad del componente, puede abrir una pequeña región en la tienda, ver un grupo de productos y asegurarse de que allí hay recomendaciones entre las que no hay productos agotados. Para comprobar la relevancia de los precios, puede seleccionar dos regiones geográficamente distantes, buscar productos en las recomendaciones que tengan precios diferentes en la ficha de estas regiones y, a continuación, asegurarse de que los precios en las recomendaciones de estos productos también son diferentes.

El componente ofrece las siguientes propiedades:

  • eficacia – se muestran los productos más adecuados para la región;
  • cobertura – se muestran recomendaciones para cada producto en cada región;
  • cobertura – se muestra un número suficiente de productos diferentes en las recomendaciones;
  • multirregionalidad – se tiene en cuenta la situación actual de los productos en función de la región.

Utilizar los datos durante todo el tiempo disponible

La mayoría de los artículos de una tienda suelen pedirse con relativa poca frecuencia. Este fenómeno se conoce como “cola larga”. Si los artículos tienen muy pocos pedidos, empieza a afectar negativamente a la calidad de las recomendaciones. Lo que significa que es importante para los artículos de baja demanda recopilar tantos datos como sea posible. 

Para acumular muchos datos de cada producto, es necesario recopilar eventos durante el mayor tiempo posible. Al mismo tiempo, al aumentar la cantidad de datos para los artículos de baja demanda, también aumentaremos significativamente los datos para otros artículos, lo que en última instancia conduce a un aumento de la cantidad de cálculo. 

Probamos experimentalmente si la cantidad de datos utilizada por el algoritmo afecta realmente a su rendimiento. Para ello, comparamos recomendaciones basadas en varios años de datos con una variante que sólo tiene en cuenta el historial de los últimos meses. Como resultado, comprobamos que cuantos más datos utiliza el algoritmo, mejor es su rendimiento.

Para obtener datos suficientes desde el momento en que se instalan las recomendaciones en una tienda, es importante poder cargar en el sistema los datos históricos de los pedidos para poder utilizarlos en el cálculo de las recomendaciones.

Para comprobarlo, es necesario encontrar un producto poco popular y comparar la calidad y cantidad de recomendaciones para él con la que se muestra para los productos populares.

El componente ofrece las siguientes propiedades:

  • eficacia – se utilizan más datos sobre el comportamiento de los compradores;
  • cobertura – hay datos para más productos.

Actualización de las recomendaciones

En todas las tiendas aparecen constantemente nuevos productos, se agotan los antiguos y cambian diversos atributos de los productos disponibles. Como consecuencia, las recomendaciones pueden carecer de productos nuevos, mostrar productos agotados, atributos irrelevantes, principalmente precios. Por ejemplo, si un producto ya no está disponible, pero aparece en las recomendaciones o se muestra con un precio irrelevante, esto puede minar la confianza del comprador en la herramienta y en la tienda en su conjunto.

Al mismo tiempo, la tienda puede tener un gran número de productos que forman grupos de muchas variantes en un gran número de regiones. Y es necesario obtener recomendaciones para cada variante de producto en cada región y actualizarlas continuamente. 

Además, hay nuevos datos sobre la interacción de los clientes con los productos, lo que provoca cambios en su popularidad actual y en qué productos se complementan mejor actualmente. Todo esto hace que la tarea de calcular las recomendaciones sea extremadamente complicada desde el punto de vista computacional.

Los datos de los productos se nos transmiten en tiempo real, lo que permite aplicar inmediatamente cambios relacionados con la visualización de los atributos de los productos en las recomendaciones, como cambios en el precio, disponibilidad de una promoción o descuento. Si un producto deja de estar disponible, desaparece inmediatamente de las recomendaciones. Al mismo tiempo, se siguen mostrando las recomendaciones de los productos no disponibles.

El algoritmo de productos relacionados en tiempo real es bastante difícil de calcular, dada la necesidad de ofrecer todas las propiedades de las recomendaciones de calidad. Por eso procesamos nuevos productos y nuevos datos sobre la interacción de los compradores con los productos una vez al día. Además, cargamos más productos para su visualización de los que son necesarios en las recomendaciones. Así, si algunos productos se agotan, seguirá habiendo suficientes productos en las recomendaciones. También es necesario cargar un gran número de candidatos para que el componente de personalización seleccione los productos más adecuados en tiempo real. 

Para comprobar que los nuevos artículos se procesan a tiempo, puede asegurarse de que existen recomendaciones para ellos. Si no hay nuevos artículos en el sistema, no habrá recomendaciones para ellos.

Para identificar un problema de artículos no disponibles o de pertinencia de los datos de los productos, se pueden buscar en las recomendaciones los artículos que tengan la demanda más activa en ese momento, que se estén comprando activamente y que probablemente se agoten o cambien de precio. Algunos ejemplos serían los artículos de temporada y promocionales. Hay que asegurarse de que no haya artículos agotados en las recomendaciones y de que los precios de todos los artículos estén actualizados.

El componente ofrece las siguientes propiedades:

  • pertinencia – las recomendaciones se modifican oportunamente; 
  • eficacia – se utilizan datos actuales
  • cobertura – se muestran recomendaciones para nuevos productos.

Filtrado de estadísticas extremas

Junto con los datos correctos sobre el comportamiento de los clientes, el sistema de recomendación recibirá datos anómalos. Por ejemplo, un mismo cliente puede comprar un número extremadamente elevado de artículos en uno o varios pedidos. Esto puede deberse a un error, a pedidos de prueba o a que el comportamiento del comprador es muy diferente al de los demás.

Un pequeño número de usuarios anormales puede afectar mucho a las recomendaciones. Por ejemplo, un cliente puede hacer muchos pedidos con artículos que normalmente no irían juntos en un pedido y el sistema los considerará complementarios.

Además, los datos de usuarios anómalos pueden complicar el cálculo del algoritmo, ya que deben tenerse en cuenta todos los pares de artículos de un pedido. El número de pares es mucho mayor que el número de productos en sí. Por ejemplo, en un pedido de 100 productos diferentes, el algoritmo tiene que considerar 100*99/2 = 4950 pares.

Como solución, eliminamos de los datos una pequeña fracción de clientes que realizan un número anormal de eventos para calcular el algoritmo. Así se reduce la probabilidad de utilizar comportamientos no representativos en las recomendaciones, al tiempo que se sigue disponiendo de suficientes datos correctos para calcular las recomendaciones.

Si, a pesar de que todos los demás componentes funcionan correctamente, observa productos ilógicos en las recomendaciones, es probable que una investigación detallada del problema revele una anomalía en los datos.

El componente proporciona las siguientes propiedades:

  • lógica: se filtran las estadísticas que distorsionan las recomendaciones.  

Conclusión

En este artículo, hemos mostrado mediante el ejemplo del algoritmo Productos relacionados cómo proporcionar las propiedades necesarias de las recomendaciones de calidad. Los componentes correctamente seleccionados e implementados permiten encontrar un compromiso entre las propiedades, cuyo cumplimiento conjunto es una tarea compleja.

Sin los componentes considerados, el algoritmo no proporcionará todas las propiedades necesarias, por lo que surgirán problemas que habrá que resolver en algún momento. La elección de los componentes puede depender del segmento de mercado concreto. Por ejemplo, el componente para el “problema del plátano” lo necesitan principalmente las tiendas de comestibles, bebés y mascotas, pero la mayoría de los componentes son importantes para cualquier tienda.

En el próximo artículo, veremos características interesantes de otros algoritmos que proporcionan las propiedades necesarias de las recomendaciones de calidad.

Publicación anterior

Recomendaciones de calidad en el comercio electrónico: propiedades necesarias

Siguiente publicación

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

Suscríbete a nuestra newsletter y recibe las novedades, tips, casos de éxito y noticias sobre marketing y retención directamente en tu bandeja de entrada.

Suscríbete a la newsletter

Utilizamos cookies propias y de terceros para obtener estadísticas de la navegación de nuestros usuarios y mejorar nuestros servicios relacionados con sus preferencias. Puedes configurar tus preferencias. Puedes obtener más información aquí.