Los motores de recomendación son una herramienta poderosa para Amazon, Netflix y más. El columnista Daniel Faggella analiza sus beneficios y explica por qué los profesionales del marketing deberían prestarles atención.
La extensa lista de películas y series sugeridas de Netflix es un ejemplo fantástico de una experiencia de usuario personalizada. De hecho, alrededor del 70 % de todo lo que ven los usuarios es una recomendación personalizada, según la compañía.
Llegar a ese punto no ha sido fácil, y mejorar su sistema de recomendaciones es un proceso continuo. Netflix ha dedicado más de una década a desarrollar y perfeccionar sus recomendaciones.
En 2006, lanzó el Premio Netflix para buscar expertos en aprendizaje automático que pudieran mejorar su algoritmo anterior. Un equipo de científicos algorítmicos superó el algoritmo de la compañía en un 10 %; un porcentaje pequeño, podría parecer, pero fue lo suficientemente convincente como para que la compañía esperara grandes mejoras en el futuro. El esfuerzo del equipo les valió un premio de un millón de dólares.
Los motores de recomendación pueden ayudar a los especialistas en marketing y a las organizaciones a aumentar la probabilidad de llegar a recomendaciones adaptadas a la actividad o el comportamiento en línea pasados de un usuario utilizando conocimiento profundo basado en el análisis de big data.
En este artículo, exploraré cómo las empresas pueden aumentar su ROI aprovechando al máximo la personalización y las recomendaciones. Desglosaré los posibles beneficios empresariales de los motores de recomendación en tres categorías, basándome en el análisis que mi empresa realizó de decenas de casos de uso de estos motores.
Mejorando con el uso (ciclo de retroalimentación positiva)
El objetivo del Premio Netflix era mejorar la retención de miembros; en otras palabras, hacer que su servicio fuera más atractivo a largo plazo. Pero la compañía no buscaba una mejora puntual.
La promesa de los motores de recomendación es construir un sistema automejorable que, con un flujo de datos suficiente, pueda satisfacer mejor a los usuarios con el tiempo. Como explicaron Carlos Gómez-Uribe y Neil Hunt de Netflix en un artículo publicado (PDF):
Si creamos un servicio más atractivo ofreciendo recomendaciones más personalizadas, inducimos a los miembros que estaban indecisos a quedarse más tiempo y mejoramos la retención.
Al ofrecer una lista de lo que podría interesar a sus miembros mediante una clasificación muy específica, Netflix ha reducido la infinidad de opciones de streaming de vídeo a la carta. Y medir los resultados a través de las tendencias de audiencia y abandono permite a la compañía refinar esos resultados cada día.
Además de incorporar nuevos miembros, para que la empresa mantenga el crecimiento de sus ingresos, debe ser capaz de retener a sus suscriptores actuales. En otras palabras, a menor tasa de abandono, mayores serán los ingresos mensuales.
Netflix tiene muy poco tiempo para convencer a los usuarios de navegar por la aplicación y seleccionar un video; pierden el interés entre 60 y 90 segundos después de revisar solo unos 20 títulos, según la compañía.
Gómez-Uribe y Hunt dijeron que al aplicar un sistema de recomendaciones más sofisticado y una experiencia de usuario personalizada, les ha permitido ahorrar mil millones de dólares por año en cancelaciones de servicios.
Un vistazo a las cifras de ingresos de Netflix revela que en el segundo trimestre de 2017, la compañía tuvo un crecimiento interanual del 32.3 por ciento, gracias a la incorporación de 5.2 millones de suscriptores a sus 99 millones de miembros existentes en el trimestre anterior.
Con más datos para entrenar sus algoritmos (léase: más usuarios activos que interactúan con la plataforma Netflix cada día), Netflix tiene la ventaja de mejorar su oferta cada vez más rápido para los usuarios existentes. Esta dinámica de "el ganador se lo lleva todo", según el inversor en inteligencia artificial Gary Swart de Polaris Partners, es una de las razones por las que la "mejora con el uso" es tan importante.
¿Hay algún sitio web que pueda responder a tus preguntas tan bien como Google? Probablemente no. Tiene una cuota de mercado enorme y es probable que mejore más rápido que cualquier competidor utilizando menos datos. ¿Hay alguna experiencia de compra en línea que recomiende productos más relevantes que Amazon? Probablemente no.
Ya entiendes la idea: los motores de recomendación en todos los nichos tienen la posibilidad de crear el mismo tipo de diferenciación extrema.
Mejorar el valor del carrito (ganancias)
Con 37.9 millones de dólares en ingresos en el segundo trimestre, Amazon mantiene su glorioso dominio del comercio electrónico. Su algoritmo de filtrado colaborativo artículo por artículo, introducido en 1998, presenta recomendaciones a los clientes según las líneas de productos y la temática. El sistema compara los artículos comprados y valorados por el cliente con productos similares de su lista, que posteriormente se seleccionan para formar parte de sus recomendaciones.
Si bien en algunos sitios web las recomendaciones existen solo en un aspecto del recorrido del cliente (por ejemplo, una lista de “artículos relacionados” en la página de pago del sitio), Amazon ha integrado muchos “puntos de entrada” de recomendaciones en su experiencia en línea para maximizar el valor del carrito.
Por ejemplo, los usuarios pueden hacer clic en el enlace “Su recomendación” para mostrar una página que contiene productos categorizados que podrían ser de su interés, o pueden consultar la sección que contiene artículos similares con productos vistos anteriormente.
Los usuarios también pueden consultar productos agrupados en la sección "Comprados juntos frecuentemente", lo que permite a Amazon reducir los gastos de envío al comprar juntos. Esto no sería posible sin los miles de millones de datos que analiza la tienda online, desde el historial de compras hasta los carritos abandonados.
McKinsey estimó que el 35 % de las compras de los consumidores en Amazon provienen de recomendaciones de productos, aunque el gigante del comercio electrónico nunca ha revelado sus propias estimaciones. En 2016, ofreció gratuitamente su marco de inteligencia artificial (IA) de código abierto, DSSTNE (pronunciado "destiny"), para fomentar el desarrollo de aplicaciones de inteligencia artificial.
Alibaba Group, otro gigante del comercio electrónico, sigue dominando el panorama del comercio electrónico en China a través de sus plataformas Tmall y Taobao. Los clientes reciben recomendaciones de productos basadas no solo en sus transacciones anteriores, sino también en su historial de navegación, comentarios sobre productos, marcadores, ubicación geográfica y otros datos de comportamiento en línea.
La empresa utiliza IA para ofrecer recomendaciones de productos a nuevos usuarios que no tienen datos de transacciones previas. Su tecnología puede recibir datos de las compras de productos de un usuario en otros lugares y utilizarlos para encontrar artículos en su catálogo, explicó Wei Hu, director de tecnología de datos de la Unidad de Negocio de Servicios Comerciales de Alibaba, en un comunicado.
Durante el Festival de Compras 11.11 de 2016, un evento de compras en línea de 24 horas en China, Alibaba utilizó IA para mostrar recomendaciones de productos en las páginas personalizadas de los compradores. Los comercios participantes personalizaron sus escaparates basándose en los datos de sus clientes objetivo. Alibaba informó a InsideRetail Asia que generó 6.7 millones de páginas de compra personalizadas, con una mejora del 20 % en la tasa de conversión gracias al evento.
Mejorar el compromiso y el deleite (retención)
El motor de recomendaciones de YouTube funciona con Google Brain desde 2015, y Google lo considera uno de los sistemas de recomendación más sofisticados hasta la fecha.
Al igual que Netflix, YouTube experimentó y rediseñó mucho antes de implementar un algoritmo que busca similitudes entre diferentes tipos de contenido de video. Johanna Wright, vicepresidenta de gestión de productos de YouTube, declaró a Wired que la compañía ahora tiene mayor confianza en que los videos recomendados que muestra son relevantes para el espectador.
También puedes ir por Certificación de gestión de productos en Singapur para obtener conocimientos adecuados.
Algunos de los datos que utiliza incluyen el historial de visualización del usuario, la antigüedad de los vídeos, los términos de búsqueda y la ubicación para decidir qué vídeo se reproducirá a continuación. A diferencia de Netflix, YouTube es gratuito y se basa completamente en la interacción con su contenido (y la exposición a los anuncios), en lugar de un modelo de facturación por suscripción.
Mediante recomendaciones, YouTube busca mantener al espectador interesado en el sitio mientras el sistema combina anuncios según datos históricos. YouTube genera ingresos cuando un espectador ve más de 30 segundos de un anuncio o cuando hace clic en un elemento de la pantalla o en un anuncio de la página.
Su empresa matriz, Alphabet, incluye a YouTube como parte de toda la plataforma de sitios web de Google, por lo que no se incluyen cifras de ingresos por separado (los ingresos totales por publicidad de Google al 30 de junio de 2017 ascendieron a más de 22 mil millones de dólares).
Por otro lado, servicios de streaming de música como Pandora y Spotify (con sede en Suecia) utilizan motores de recomendación para mejorar la interacción y fidelizar a los suscriptores. Estas empresas de radio por internet obtienen ingresos mediante planes de suscripción de pago y publicidad para quienes no son suscriptores.
Discover Weekly de Spotify recomienda canciones según los gustos, hábitos de escucha, artistas favoritos e incluso las funciones que utiliza el usuario. Esto es posible gracias al filtrado colaborativo y al procesamiento del lenguaje natural. Edward Newett, gerente de ingeniería que contribuyó al desarrollo de la función de recomendaciones, explicó a Wired:
Al intentar imitar el comportamiento de todos nuestros usuarios cuando intentan crear su combinación perfecta, podemos aprovechar las 2 mil millones de listas de reproducción de Spotify, orientarnos a los gustos individuales y crear listas de reproducción que sean interesantes.
El motor de recomendaciones de Pandora se basa en el Proyecto Genoma Musical, que cuenta con 450 atributos musicales. El algoritmo analiza canciones de miles de artistas y programa sus estaciones de radio en línea según los gustos de los usuarios.
Con estas funciones de Spotify y Pandora, los oyentes pueden escuchar canciones que nunca antes habían escuchado, pero que probablemente les interesen, especialmente las de artistas independientes emergentes. Esta es una forma de fidelizar a sus suscriptores y permitir que quienes no son miembros escuchen más música con anuncios.
Spotify afirma en su sitio web que, a julio de 2017, contaba con más de 60 millones de suscriptores y 140 millones de usuarios activos en 61 países, que podían elegir entre más de 30 millones de canciones. Mientras tanto, los ingresos de Pandora en el segundo trimestre fueron de 376.8 millones de dólares.
La variedad de motores de recomendación no se limita a estas industrias. Empresas de la industria alimentaria, deportiva e incluso de la moda utilizan inteligencia artificial para identificar posibles opciones para los clientes. Cada vez más empresas intentan mejorar su retorno de la inversión (ROI) utilizando esta tecnología en sus campañas de marketing.
___
by Daniel Faggella
fuente: MARTECH HOY
