Así es como la inteligencia artificial recomienda lo que cree que te gusta

El uso de algoritmos más inteligentes, y éticos, en la recomendación es por tanto la clave para que las empresas, sean del ámbito que sean, puedan lograr la fidelidad y la confianza de sus clientes.

Además, habida cuenta de que cada vez hay más oferta, y más datos, parece que el único camino es confiar en estos sistemas de recomendación automática. Pero ¿cómo funciona exactamente?

Funcionamiento

Hay dos técnicas principales para encontrar los elementos apropiados para un usuario determinado: filtraje basado en el contenido y filtraje colaborativo.

Las recomendaciones basadas en el contenido se basan en la afinidad que hay entre las propiedades de los elementos a recomendar (las categorías, el año, etc) y los perfiles de los usuarios.

En la filtración colaborativa, la afinidad entre los elementos a recomendar y los usuarios se calcula a través del comportamiento de todos los usuarios, tal y como sucede, por ejemplo, en los sistemas de recomendación de Amazon o Netflix: qué películas se seleccionan, hasta qué minuto se consumen, qué calificación reciben por parte del usuario, etc.

Todos esos datos, gestionados por algoritmos, pueden proporcionarnos predicciones sobre el comportamiento de los consumidores con un nivel de profundidad inédito hasta el momento.

Concretamente, Amazon utiliza un sistema que se llama “item to item collaborative filtering”, que personaliza la página web en función del consumo pasado del cliente, es decir, que más que unir al usuario con otros clientes similares, vincula cada uno de los productos comprados y evaluados por el usuario con otros productos similares y con ello elabora una lista de recomendación.

Gracias a la gran disponibilidad de datos los sistemas de recomendación son capaces de recomendar productos o servicios a usuarios en función de la actividad de otros usuarios similares. Los sistemas de recomendación se basan en algoritmos que son capaces de predecir cómo le va a gustar a un usuario un producto que aún no ha descubierto ni que sabe que existe.

Cuando queremos predecir si una película le va a gustar a un usuario que aún no la ha visto, simplemente analizaríamos si la gente que tiene evaluaciones similares a este usuario sobre otras películas les ha gustado o no esta película que queremos recomendar. Este método llamado filtraje colaborativo se ha mostrado muy eficaz pero requiere de muchos datos: es decir, centenares de miles de usuarios que hayan evaluado miles de películas. Como extraer la evaluación de los productos o servicios en sistemas de recomendación puede ser complicado, la tendencia es que las plataformas de Internet no preguntan de forma explícita a los usuarios evaluaciones porque esto requiere de un esfuerzo de parte del usuario y además en muchos ámbitos esas opiniones no coinciden con la actividad real del usuario.

Por este motivo muchas veces las opiniones de los usuarios son calculadas con muchos parámetros, la mayoría parámetros derivados de la actividad implícita del usuario y no sus opiniones explícitas. Por ejemplo, si el usuario ha visto una película entera nos indica que le ha gustado mucho más que otro que la ha empezado a ver pero no la ha terminado. O en música, se pueden considerar el número de veces que el usuario ha escuchado una canción, si la canción ha sido incluida en una lista de canciones, etc. Es decir, en muchas aplicaciones el feedback implícito del usuario nos indica sus opiniones de una forma más real que las opiniones explícitas que el usuario pueda indicar en el sistema.