Sistemas de recomendación en los Marketplaces

Posted by Smartup on 21 septiembre
Smartup

Una de las ventajas de los eCommerce es la flexibilidad a la hora de diseñar nuestra tienda. Los servicios web nos permiten adaptar de manera muy sencilla el contenido según nuestras necesidades (ofertas, promociones, temporadas, …). Sin embargo, pocos marketplaces explotan esta plasticidad que te brindan los servicios web a la hora de personalizar el contenido más allá de las casuísticas tradicionales. Hacer que nuestra tienda se adapte al consumidor no sólo se traduce en una mejor experiencia para el cliente, sino también en un aumento de ventas. Ayudar a un cliente a encontrar aquello que está buscado, mostrarle contenido relacionado con lo que está comprando, en definitiva, anticiparse a la venta mejorará nuestro Marketplace.¿Y cómo adaptar el contenido según nuestro cliente? Los sistemas de recomendación son la respuesta.

El ejemplo más claro de caso de éxito en la integración de un sistema de recomendación en un Marketplace lo encontramos en Amazon, donde las recomendaciones se suceden a lo largo de todo el proceso de compra, desde la página de inicio hasta el pago de la compra.En todo momento se producen recomendaciones, como por ejemplo los productos que otros usuarios similares a nosotros han comprado, productos que se comprar en conjunto con el que estamos viendo, etc. Estas sugerencias no tienen por qué reducirse al proceso de compra, también se generan campañas de mailing con recomendaciones dirigidas al cliente. Pero Amazon no es el único ejemplo de éxito de integración de sistemas de recomendación, servicios de streaming como Netflix, YouTube o Spotify son tres claros ejemplos, e incluso otros marketplaces como BestBuy tuvieron que seguir la estela de Amazon con sus propios sistemas de recomendación.

Viñeta de Rina Piccolo

Viñeta de Rina Piccolo. Fuente: https://www.rinapiccolo.com/piccolo-cartoons/

Entrando en el quid de la cuestión ¿Qué es un sistema de recomendación? Es un sistema de filtrado de contenido que permite predecir los intereses de un usuario a partir de su perfil, descartando los ítems redundantes o que no interesen al usuario. Dentro de los sistemas de recomendación, se diferencian tres grandes grupos de metodologías:

  • Filtrado colaborativo: Es el más extendido y el que mejores resultados da. Se tratan de métodos que, en función de las valoraciones pasadas de un usuario, buscan aquellos usuarios más similaresy predicen nuevos productos a partir de estos. Es decir, si a otros usuarios parecidos a nosotros les gusto un producto, lo más seguro es que a nosotros también nos guste.
  • Filtrado basado en contenido: Este tipo de métodos se basan en las propiedades de los productos para encontrar similitudes. El ejemplo más claro lo tenemos en los géneros de las películas, si a un usuario le gustan las películas de acción, recomendémosle entonces películas de acción.
  • Filtrado basado en el contexto: Estas metodologías utilizan el contexto del usuario para inferir recomendaciones. Un ejemplo, si un usuario esta buscando un regalo, las recomendaciones serán diferentes a si busca algo para el mismo.

Este tipo de metodologías no son excluyentes entre ellas. Los métodos híbridos los combinan solucionando las carencias de cada uno de ellos y obteniendo mejores resultados que los que se pudieran obtener por separado. Si quieres saber más sobre sistemas de recomendación y su uso en el eCommerce, te esperamos el próximo 27 de septiembre en la feria eShow de Madrid, donde hablaremos sobre los sistemas de recomendación en los marketplaces.