Recomendaciones de productos: ofrecer a los clientes la próxima gran novedad que ni siquiera sabían que querían.

La importancia de recomendar el producto adecuado

Las recomendaciones de productos son tan antiguas como Internet. Bueno, al menos tan antiguas como Amazon. Presentar a los clientes el contenido más relevante basándose en los datos existentes es una práctica habitual en todo el sector: las publicaciones intentan presentar las lecturas más atractivas, los sitios de comercio electrónico promocionan los productos más relevantes y los sitios de juegos ofrecen los juegos y aplicaciones que cada jugador específico encontrará más interesantes. Las campañas de recomendación de productos son una forma eficaz de aumentar las ventas, la satisfacción del cliente, la fidelidad del cliente y el valor del ciclo de vida del cliente. Las opciones en Internet son infinitas, pero para nosotros, los seres humanos, solo hay 24 horas en un día. Un usuario pasa una media de entre 7,5 y 11 minutos en un sitio de comercio electrónico.  Si ese usuario navega por cada artículo durante 10 segundos, cuando se vaya habrá visto 66 artículos, una fracción de los artículos del sitio. Esto significa que solo hay una pequeña posibilidad de que el navegador encuentre el artículo que estaba buscando. Y eso solo en el caso de que el cliente sepa realmente lo que está buscando. Para enmarcar el problema: el cliente interactúa con la marca durante un tiempo limitado y, para aprovechar al máximo ese tiempo, la marca necesita un algoritmo que empareje al cliente específico con los productos más relevantes. Esto ahorrará tiempo al cliente y permitirá a la marca ofrecer productos de la larga cola que no son visibles inmediatamente en el sitio.

Contenido frente a filtrado colaborativo

Hay dos enfoques para ofrecer recomendaciones de productos: el enfoque basado en el contenido y el enfoque de filtrado colaborativo. El enfoque basado en el contenido recomienda artículos en función de sus atributos. Para ello, se enumeran los diferentes atributos de contenido de cada artículo y se recomiendan productos que comparten los mismos atributos que los que el cliente ha comprado recientemente. Esto funciona bien para artículos que tienen contenido real, como libros o películas, en los que podemos fijarnos en el género, los actores, la época, el tipo, etc. Así, a un cliente que haya visto El padrino, podríamos recomendarle Los Soprano. El paradigma no funciona tan bien para artículos que tienen atributos menos distintivos, como maquillaje, suplementos dietéticos, vacaciones, ropa, etc. Además, con las recomendaciones basadas en el contenido corremos el riesgo de recomendar las mismas cosas una y otra vez, lo que no permite al cliente ampliar sus horizontes y disfrutar del descubrimiento fortuito de artículos que se encuentran fuera de su zona de confort. El filtrado colaborativo da un giro al modelo: no partimos de los atributos del producto, sino de la sabiduría colectiva de los usuarios de la marca, utilizando los datos de otros clientes para predecir qué artículos podrían gustarle al siguiente cliente. Partimos de la base de que las personas que coincidieron en el pasado volverán a coincidir en el futuro. Las ventajas de este método son la facilidad de implementación (no es necesario atribuir diferentes valores de contenido a los artículos), la independencia del dominio (dado que la metodología es independiente del contenido, se puede utilizar en muchos dominios) y la serendipia (la posibilidad de que el usuario encuentre artículos que no habría buscado por sí mismo, pero que le gustarán). En algunos casos, puede ser beneficioso utilizar un enfoque híbrido que tenga en cuenta tanto los atributos del contenido como el filtrado.

Las dos caras del filtrado colaborativo

El filtrado colaborativo se puede implementar de dos maneras: basado en la memoria y basado en modelos. El método basado en la memoria utiliza todos los datos del sistema, mientras que el enfoque basado en modelos se basa en la agrupación o en variables latentes para medir la similitud entre los elementos. El método basado en la memoria puede construirse sobre un enfoque de usuario a usuario o de elemento a elemento. En ambos casos, calculamos la distancia entre usuarios o elementos. En el enfoque de usuario a usuario, por ejemplo, encontramos los k clientes más similares al cliente objetivo (sus «vecinos») y generamos recomendaciones basadas en las preferencias de estos vecinos.

Cómo utiliza Optimove el filtrado colaborativo para las recomendaciones de productos

Para el nuevo módulo de recomendaciones de productos de Optimove, utilizamos un algoritmo de filtrado colaborativo basado en la memoria. Era la solución perfecta para nuestros usuarios, que trabajan en diversos ámbitos, desde aperitivos hasta bolsos y calcetines. Las recomendaciones de productos generadas por Optimove ayudan a mostrar a los clientes productos y categorías de productos que no han explorado antes, pero que probablemente les resulten atractivos. En combinación con la segmentación avanzada de clientes de Optimove, las campañas de recomendación de productos permiten crear comunicaciones hiperorientadas que se personalizan aún más para cada cliente individual. Por ejemplo: una campaña dirigida a los compradores que buscan ofertas será mucho más eficaz si muestra no solo la oferta general, sino también productos específicos que puedan interesar a cada cliente y su precio rebajado. Este nivel adicional de personalización tiene el potencial de captar la atención incluso de los clientes más distantes de su base de datos.