Sapigueu què vol el vostre clients abans que ell ho sàpiga
“Els clients que van comprar aquest producte també van comprar…”. “La nostra recomanació especial per a tu”. “Inspirat en les teves tendències de compres”. Probablement heu llegit aquests i altres titulars similars abans quan cerqueu un producte a una botiga online. Darrere d’aquests suggeriments hi ha construccions matemàtiques complexes, els anomenats sistemes de recomanació (serveis de recomanació). Com funcionen els sistemes de recomanació que generen automàticament recomanacions per a noves compres a partir del comportament històric del consumidor?
En aquest article del blog arribem al fons d’aquests sistemes de recomanació. On s’utilitzen? Com funcionen? I què es suggereix realment quan demaneu caixes de mudances? No ho haguéssim pensat mai!
El 80% de les pel·lícules consumides a Netflix es seleccionen mitjançant serveis de recomanació
No només les botigues online, sinó també altres empreses utilitzen excessivament els sistemes de recomanació. Un exemple famós d’això és la plataforma de streaming de Netflix.
Segons Netflix, un client típic perd interès si no troba el que està buscant en 90 segons (font: The Netflix Recommender System: Algorithms, Business Value, and Innovation). En aquest temps, normalment mirava uns 10-20 títols. Així doncs, a part de lliurar el contingut, una de les feines més importants de Netflix és oferir a cada usuari la propera pel·lícula perfecta en un plat de plata, cada vegada. I això funciona increïblement bé gràcies als sistemes de recomanació excel·lentment desenvolupats: el 80% de les pel·lícules consumides a Netflix es van suggerir prèviament a l’usuari a través d’un servei de recomanació i no van ser buscades activament per l’usuari.
Les plataformes de reserves d’habitacions d’hotel, apartaments de vacances o vols també estan pressionades per oferir als seus clients els millors suggeriments possibles per a noves reserves per tal d’augmentar les seves vendes i fidelitzar els seus clients. És possible que hagis rebut un correu electrònic poc després de reservar un vol amb suggeriments per a l’allotjament adequat o un cotxe de lloguer.
Saber quin suggeriment concret és tan interessant per al client que decideix tornar-lo a comprar val la pena el seu pes en or. Si heu recopilat prou dades sobre compres i interaccions anteriors, els sistemes de recomanació poden resoldre exactament aquesta tasca. I per a cada client individualment.
Com funcionen els sistemes de recomanació
Els sistemes de recomanació s’utilitzen des de la dècada de 1990. En principi, es poden dividir en dos enfocaments diferents: d’una banda, l’anomenat “filtratge basat en contingut” i, d’altra banda, “filtratge col·laboratiu”.
El filtratge basat en contingut treballa en les similituds entre productes, principalment mitjançant l’anàlisi de totes les característiques disponibles a les descripcions dels productes. Prenent com a exemple Netflix, funciona així: les pel·lícules s’assignen a gèneres concrets, es coneixen els seus directors i actors principals, saps quan i en quin país es van rodar, i en quins idiomes estan disponibles. Totes aquestes característiques permeten agrupar pel·lícules i suggerir noves pel·lícules a l’usuari que pertanyin al mateix grup o a un grup similar del qual hagi vist pel·lícules en el passat i les hagi valorat bé. La complexitat addicional sorgeix perquè l’usuari pot preferir diferents pel·lícules en determinats moments, dies de la setmana, estacions, etc. Un bon servei de recomanació mapa aquests patrons.
El filtratge col·laboratiu, en canvi, inclou el comportament de compra d’altres clients. La idea és que els clients que s’han comportat de manera molt semblant en el passat probablement es comporten de la mateixa manera en el futur. Per dir-ho de manera molt senzilla, us podeu imaginar el següent sota el filtratge col·laboratiu: si, per exemple, s’ha de suggerir un article per al client Pep Pepes, s’analitza quins clients han comprat en el passat productes que també va comprar Pep Pepes. Si un gran nombre d’ells han comprat un producte que a Pep Pepes encara li falta, això se’n proposarà.
Els clients que van comprar aquest article també van comprar…
Un ús famós dels filtres col·laboratius són els suggeriments de la secció “Els clients que han comprat aquest article també han comprat…” d’Amazon, que existeix des de 1998. Cinc anys més tard, Amazon va publicar com funciona el seu algorisme de recomanació (font: Two Decades of Recommender Systems at Amazon.com). Ho resumim breument amb un exemple.
Imaginem que estem mirant una caixa de mudances a Amazon. Com es determina quins productes addicionals serien rellevants per a nosaltres?
Un enfocament senzill per a un algorisme de recomanació seria: buscar un producte que hagi estat comprat amb més freqüència pels clients que també van comprar una caixa de mudances. Tanmateix, aquest algorisme normalment no ofereix el resultat desitjat. L’explicació d’això és la següent. Imagihem que els productes més venuts a Amazon són: cable HDMI, Kindle, Codi Civil. És molt possible que aquests productes també estiguin a les llistes de més venuts de persones que van comprar una caixa de mudances. Però suggerir el Codi Civil en comprar una caixa de mudances no és exactament un bon enfocament de venda creuada. Suposo que tothom està d’acord en això.
Quins productes es compren junts amb una freqüència inusual
És molt més important suggerir productes que es van comprar amb una freqüència inusual després de comprar una caixa de mudances. Per exemple, cinta adhesiva, paper de bombolles o adhesius de “Precaució, fràgil”.
Però, com es pot saber si un Producte X es compra sovint amb una caixa de mudances? Per fer-ho, primer s’han de calcular els valors següents:
Si els dos valors són molt similars, aleshores estadísticament no hi ha correlació entre el Producte X i una caixa mòbil. Tots dos articles es compren junts amb la freqüència que s’esperaria. Per exemple, Producte X podria ser un joc de taula. Si el primer valor és significativament més gran que el segon, el Producte X es compra amb una caixa de mudances més sovint del que s’esperaria sense correlació. Per exemple, el Producte X podria ser una cinta adhesiva.
D’aquesta manera, Amazon calcula a intervals regulars quins productes es compren junts amb una freqüència inusual i després els suggereix a la categoria: “Els clients que han comprat aquest article també han comprat…”.
Suggeriments inusuals a l’hora de comprar caixes de mudances
En el nostre exemple amb les caixes de mudances, a més de cinta adhesiva i paper de bombolles, a Amazon ens suggereixen altres articles interessants: culleres per a nens petits i xumets per a nadons. Pel que sembla, els clients compren de manera desproporcionada articles per a nadons i nens petits quan estan interessats en moure caixes. Si ho penseu, aquesta connexió definitivament té sentit. Però no ens ho haguéssim plantejat tan fàcilment (sense anàlisi de dades).
Com funcionen els sistemes de recomanació