¿Te gusta la mantequilla de cacahuete? Este algoritmo tiene una corazonada sobre lo que vas a comprar después
Una nueva técnica puede incorporar el comportamiento del cliente a los algoritmos de recomendación
Los algoritmos de recomendación pueden hacer que la experiencia de compra en línea de un cliente sea más rápida y eficiente al sugerir productos complementarios cada vez que el comprador añade un producto a su cesta. ¿El cliente ha comprado mantequilla de cacahuete? El algoritmo le recomienda varias marcas de gelatina para que las añada a continuación.
stevepb / Pixabay
Estos algoritmos suelen funcionar asociando los artículos comprados con los que otros compradores han adquirido con frecuencia junto a ellos. Si los hábitos, los gustos o los intereses del comprador se parecen mucho a los de los clientes anteriores, estas recomendaciones pueden ahorrar tiempo, refrescar la memoria y ser una adición bienvenida a la experiencia de compra.
Pero, ¿qué ocurre si el comprador compra mantequilla de cacahuete para rellenar un juguete de perro o ponerle un cebo a una ratonera? ¿Y si el comprador prefiere miel o plátanos con su mantequilla de cacahuete? El algoritmo de recomendación ofrecerá sugerencias menos útiles, lo que costará al minorista una venta y podría molestar al cliente.
Una nueva investigación dirigida por Negin Entezari, que acaba de obtener un doctorado en ciencias de la computación en la Universidad de California en Riverside, por colaboradores de Instacart y por su asesor doctoral Vagelis Papalexakis, traslada al mundo del comercio una metodología llamada descomposición tensorial -utilizada por los científicos para encontrar patrones en volúmenes masivos de datos- para recomendar productos complementarios más cuidadosamente adaptados a las preferencias del cliente.
Los tensores se pueden imaginar como cubos multidimensionales y se utilizan para modelar y analizar datos con muchos componentes diferentes, llamados datos multiaspecto. Los datos estrechamente relacionados con otros pueden conectarse en una disposición de cubos y relacionarse con otros cubos para descubrir patrones en los datos.
"Los tensores pueden utilizarse para representar los comportamientos de compra de los clientes", explica Entezari. "Cada modo de un tensor de tres modos puede capturar un aspecto de una transacción. Los clientes forman un modo del tensor y el segundo y tercer modo captan las interacciones entre productos al considerar los productos comprados conjuntamente en una misma transacción."
Por ejemplo, tres compradores hipotéticos -A, B y C- realizan las siguientes compras:
A: Compra perritos calientes, bollos para perritos calientes, Coca-Cola y mostaza en una sola transacción.
B: Realiza tres transacciones distintas: Cesta 1: perritos calientes y bollos para perritos calientes; Cesta 2: Coca-Cola; Cesta 3: Mostaza
C: Perritos calientes, bollos para perritos calientes y mostaza en una sola transacción.
Para un algoritmo convencional basado en matrices, el cliente A es idéntico al cliente B porque han comprado los mismos artículos. Sin embargo, utilizando la descomposición tensorial, el cliente A está más relacionado con el cliente C porque su comportamiento fue similar. Ambos compraron productos similares en una misma transacción, aunque sus compras difieran ligeramente.
El algoritmo de recomendación típico hace predicciones basadas en el artículo que el cliente acaba de comprar, mientras que la descomposición tensorial puede hacer recomendaciones basadas en lo que ya está en la cesta completa del usuario. Así, si un comprador tiene en su cesta comida para perros y mantequilla de cacahuete, pero no pan, un algoritmo de recomendación basado en un tensor podría sugerir un juguete rellenable para perros en lugar de gelatina si otros usuarios también han hecho esa compra.
"Los tensores son estructuras multidimensionales que permiten modelar datos complejos y heterogéneos", explica Papalexakis, profesor asociado de ciencias e ingeniería informática. "En lugar de limitarse a observar qué productos se compran juntos, hay una tercera dimensión. Estos productos son comprados por este tipo de usuarios y el algoritmo intenta determinar qué tipos de usuarios están creando esta coincidencia".
Para probar su método, Entezari, Papalexakis y los coautores Haixun Wang, Sharath Rao y Shishir Kumar Prasad, todos ellos investigadores de Instacart, utilizaron un conjunto de datos públicos de Instacart para entrenar su algoritmo. Descubrieron que su método superaba a los métodos más avanzados para predecir recomendaciones de productos complementarios específicos para cada cliente. Aunque se necesita más trabajo, los autores concluyen que la descomposición tensorial de big data podría acabar encontrando un hogar también en las grandes empresas.
"Los métodos tensoriales, aunque son herramientas muy potentes, siguen siendo más populares en la investigación académica en lo que respecta a los sistemas de recomendación", afirma Papalexakis. "Para que la industria los adopte debemos demostrar que vale la pena y que es relativamente indoloro sustituir lo que ya tienen que funciona".
Aunque investigaciones anteriores han demostrado las ventajas del modelado tensorial en problemas de recomendación, la nueva publicación es la primera que lo hace en el entorno de la recomendación de artículos complementarios, lo que acerca los métodos tensoriales a la adopción industrial y la transferencia de tecnología en el contexto de los sistemas de recomendación.
"Los métodos tensoriales han sido adoptados con éxito por la industria con anterioridad, siendo la quimiometría y la calidad de los alimentos grandes ejemplos, y cada intento como nuestro trabajo demuestra la versatilidad de los métodos tensoriales al ser capaces de abordar una gama tan amplia de problemas desafiantes en diferentes dominios", dijo Papalexakis.
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Más noticias del departamento ciencias
Reciba la industria alimentaria y de bebidas en su bandeja de entrada
No se pierda nada a partir de ahora: Nuestro boletín electrónico de la industria de alimentos y bebidas le pone al día todos los martes y jueves. Las últimas noticias del sector, los productos más destacados y las innovaciones, de forma compacta y fácil de entender en su bandeja de entrada. Investigado por nosotros para que usted no tenga que hacerlo.
