Recomendación basada en contenido: conoce a fondo tu catálogo para convertir mejor

Es quizá un tópico, pero me gusta hablar de comercio tradicional para explicar los beneficios de una técnica en comercio electrónico (la analogía no siempre es válida, pero veréis como en esta ocasión resulta apropiada). Haced por un momento el esfuerzo de imaginar una tienda física. En algunos casos, el vendedor puede llegar a establecer una estrecha relación con sus clientes habituales, pero el verdadero valor que aporta a sus compradores es su conocimiento del producto. Un librero, por ejemplo, es habitualmente un experto lector y crítico literario, además de un vendedor que conoce las últimas tendencias de compra, los lanzamientos y los perfiles más habituales. Sin embargo la primera cualidad tiene muchísimo más peso para el cliente. El librero no se conforma con recomendar una lectura en base a un perfil de gustos literaros, o alternativas a una búsqueda vaga o fallida, sino que puede razonar estas sugerencias con argumentos convincentes. Y lo mejor de todo es que seguramente no necesitará conocer personalmente al lector. Lo que sí conoce a la perfección su catálogo de productos. Al fin y al cabo, la capacidad de conocer en profundidad los propios productos encaja en la estrategia básica de Business Intelligence de cualquier organización, y esto se aplica a todos los niveles.

El catálogo de productos contiene más información útil de la que se aprecia a primera vista

La explicación o razonamiento tras una recomendación o conjunto de recomendaciones tiene un peso específico en el valor que los usuarios dan a la misma. En comercio electrónico normalmente se sitúa un caption informativo como cabecera de un conjunto de recomendaciones. Sin embargo, incurrir en un exceso de información puede provocar el efecto contrario al buscado: sensación de ruido y rechazo. Además, en muchos casos es bastante difícil, o incluso imposible determinar con exactitud la relación existente entre un conjunto de ítems, que pueden haber obtenido relevancia en base a distintos criterios. En el caso ideal, cada recomendación podría reforzarse individualmente con información más detallada, que refleje de manera clara, por ejemplo, por qué una sugerencia específica es similar al producto que se está visitando, o al perfil del propio usuario, dejando el caption para un mensaje directo y sencillo que pueda leerse de un vistazo.

Los algoritmos de recomendación más populares están basados en técnicas estadísticas como el filtrado colaborativo, que arrojan excelentes resultados pero que construyen rankings basados en similitudes numéricas. Lamentablemente, este tipo de algoritmos no pueden ofrecer una explicación clara sobre una recomendación. Para ilustrar este aspecto, volvamos al ejemplo del librero: ¿Sería más apropiado asesorar a un cliente acerca de la compra del libro Crónicas Marcianas de Bradbury porque sus intereses están relacionados con la ciencia ficción y los extraterrestres, o explicarle por qué este libro tiene una afinidad de un 0,8976 con su perfil de compra en la tienda? Los razonamientos aportan coherencia, la coherencia confianza, y la confianza fidelidad. Esto lo saben bien los buenos libreros.

Otro punto importante a tener en cuenta es la evaluación de la bondad de las recomendaciones. Normalmente esto es bastante difícil, y sólo suele abordarse a través de la conversión específica que generan. Un plan de Analítica Web bien diseñado puede ayudarnos a evaluar el impacto de las recomendaciones en nuestro negocio, pero en ocasiones necesitamos conocer de manera específica el razonamiento que se esconde tras una sugerencia específica de forma entendible.

La recomendación basada en contenido aborda directamente este tipo de problemas. Cuando se habla de contenido, lo primero que viene a la mente es un medio online o una red de blogs. Sin embargo, “recomendación basada en contenido” no significa necesariamente “recomendación de contenido” (trataré la recomendación de contenido en un post específico próximamente). La idea que subyace tras este conjunto de técnicas es básicamente la de utilizar todas las fuentes de contenido disponibles, analizables, y de calidad relacionadas con los ítems contenidos en el catálogo. Es natural pensar en fuentes textuales cuando nos referimos a contenido, aunque si la tecnología lo permite, no hay que descartar la posibilidad de utilizar fuentes de tipo multimedia, tales como imágenes o videos.

La recomendación basada en contenido no sólo es aplicable a comercio electrónico, sino que aborda problemas que el filtrado colaborativo no puede tratar

En un medio online, como por ejemplo un periódico, los propios elementos a sugerir contienen normalmente información suficiente para ofrecer recomendaciones de calidad (artículos, reportajes, posts, etc). Cuando estamos hablando de comercio electrónico, en muchos casos no resulta trivial obtener contenido de calidad suficiente en la propia descripción del producto (si es que esta existe). En una tienda online moderna, que incluya elementos 2.0, el contenido está disperso pero existe: descripción del producto, comentarios, valoraciones textuales, etc. Utilizando técnicas clásicas de Minería de Textos y Procesamiento del Lenguaje Natural, pueden definirse perfiles de usuarios e ítems, y medir la similitud entre ambos. Se puede entender en este caso la recomendación como un problema de Recuperación de Información en base a un criterio de relevancia (usando mismas técnicas similares a las que usan los buscadores en Internet), o incluso de clasificación.

Es importante reseñar que no todas las técnicas de análisis de textos aplicables a la recomendación basada en contenido pueden ofrecer una explicación en lenguaje natural sobre la recomendación. Los clásicos métodos aplicados a la recuperación de información, como Naïve Bayes o aquellos basados en probabilidad o distancias euclídeas (modelo espacio vectorial) obvian la semántica en beneficio de la eficiencia. Sus resultados son muy válidos, y haré especial hincapié en ellos cuando hable de Recomendación de Contenidos, pero el verdadero valor añadido de la recomendación basada en contenido, bajo mi humilde opinión, es el razonamiento.

Concluiré diciendo que voy a intentar que este sea mi primer y último post de 1000 palabras. Pero no os quejéis, ¿no queríais contenido?

—————————————–

(*) Imagen con licencia Creative Commons by accent on eclectic