Un sistema de recomendación es una rama del aprendizaje automático enfocada en construir modelos de recomendación que predicen las preferencias de los usuarios y generan sugerencias de elementos personalizadas para los usuarios analizando sus interacciones pasadas, comportamiento, atributos de elementos y datos demográficos del usuario. Estos sistemas se usan ampliamente en varios dominios, como comercio electrónico, transmisión de medios y plataformas de redes sociales, donde ayudan a los usuarios a descubrir productos, películas, libros u otro contenido relevante según sus interacciones previas. A través de sugerencias de elementos personalizadas, los sistemas de recomendación mejoran la satisfacción del usuario, impulsan la participación, aumentan la retención de usuarios y las ventas para las empresas al presentar las opciones más relevantes específicamente para cada usuario.

Aplicaciones Empresariales de Ejemplo

Los modelos de recomendación se integran activamente en plataformas de comercio electrónico para resolver múltiples casos de uso, lo que impulsa el valor del negocio.

1. Recomendaciones Secuenciales en Plataformas de Comercio Electrónico:

La Recomendación Secuencial se puede aplicar en plataformas de comercio electrónico para sugerir productos basados en el historial de navegación y compra de los usuarios. Al analizar la secuencia de productos vistos o comprados por los usuarios, las empresas pueden proporcionar recomendaciones personalizadas, aumentando así las ventas y la satisfacción del cliente.

Escenario: En las plataformas de comercio electrónico, analizar los patrones secuenciales de las interacciones de los usuarios puede revelar información sobre las preferencias y hábitos de compra de los usuarios. Por ejemplo, si un usuario compra zapatos para correr seguidos de ropa deportiva, la plataforma puede identificar esta secuencia. Basándose en esta información, la plataforma puede recomendar productos complementarios como calcetines para correr, botellas de agua o rastreadores de fitness. Estas recomendaciones personalizadas no solo aumentan la probabilidad de compras adicionales, sino que también mejoran la experiencia de compra general del usuario.

2. Sugerencias de Productos Personalizadas:

Las recomendaciones personalizadas en plataformas de comercio electrónico implican sugerir productos a los usuarios basándose en su historial de navegación, comportamiento de compra y preferencias. Al analizar las interacciones del usuario y los datos históricos, las plataformas de comercio electrónico pueden ofrecer recomendaciones de productos adaptadas, mejorando así la experiencia del usuario y aumentando las ventas.

Escenario: Considere una plataforma de comercio electrónico establecida donde los usuarios navegan por una vasta variedad de productos en diferentes categorías. Al analizar el comportamiento del usuario, como compras pasadas, artículos agregados al carrito y productos vistos, la plataforma puede generar sugerencias de productos personalizadas. Por ejemplo, si un usuario compra frecuentemente electrónica y gadgets, la plataforma puede identificar esta preferencia. Basándose en esta información, la plataforma puede recomendar productos similares, accesorios o artículos relacionados que se alineen con los intereses del usuario. Estas recomendaciones adaptadas no solo mejoran la satisfacción del usuario sino que también aumentan la probabilidad de conversión y compras repetidas.

3. Bienes de Consumo y FMCG (Bienes de Consumo de Rápido Movimiento):

En industrias como bienes de consumo y FMCG, donde los productos se compran frecuente y regularmente, optimizar las compras repetidas es esencial para las empresas. El desafío radica en recomendar efectivamente artículos básicos o productos comúnmente comprados a los clientes basándose en su historial de compras y patrones de consumo.

Escenario: Por ejemplo, en el sector de alimentos y bebidas, un servicio de entrega de comestibles puede usar algoritmos de recomendación de compras repetidas para sugerir artículos básicos o comestibles comúnmente comprados basándose en el historial de compras de un cliente. Al analizar pedidos anteriores y patrones de consumo, la plataforma puede anticipar cuándo es probable que ciertos artículos se agoten y recomendar reposición para optimizar el proceso de pedido para los clientes.

4. Gestión de Inventario Retail:

Al predecir la próxima ocurrencia de compras de productos, los retailers pueden optimizar sus niveles de inventario y asegurar la disponibilidad suficiente de stock. Esto les permite prevenir la falta de stock, minimizar el exceso de inventario y mejorar la eficiencia general de la cadena de suministro.

Escenario: En las plataformas de comercio electrónico o incluso los vendedores retail, ofrecen servicios de suscripción con varios intervalos de renovación, como mensual o bimestral. Además, al analizar patrones de compra recurrentes, las empresas retail pueden gestionar mejor el inventario, minimizando la falta de stock o el exceso de inventario. Al optimizar los niveles de inventario, las empresas pueden asegurar la disponibilidad de stock, sirviendo consistentemente las necesidades de los usuarios.

5. Servicios de Suscripción:

Las empresas basadas en suscripción, como cajas de suscripción, servicios de entrega de kits de comida o plataformas de software basadas en suscripción, dependen de mantener un flujo constante de ingresos recurrentes a través de las renovaciones de suscripción. Sin embargo, gestionar las renovaciones de suscripción para planes que requieren recordatorios manuales, especialmente cuando los patrones de intervalo de renovación son complejos, presenta un desafío.

Escenario: Por ejemplo, en el caso de un servicio de suscripción de periódicos, algunos clientes pueden renovar sus suscripciones solo durante períodos específicos, como visitas a sus casas de vacaciones. En tales casos, los algoritmos de recomendación de compras repetidas pueden jugar un papel crucial en la identificación de fechas de renovación de suscripción y proporcionar recordatorios oportunos a los usuarios. Al analizar el historial de renovación de los suscriptores y comprender los patrones complejos de renovación, el sistema de recomendación puede mejorar las tasas de retención y asegurar un flujo consistente de ingresos para el negocio.

Similar a las plataformas de comercio electrónico, los algoritmos de recomendación también se pueden aplicar en varias industrias para mejorar la experiencia del usuario, la participación y, en última instancia, impulsar el valor del negocio. Algunos ejemplos son:

• Entretenimiento y Medios: Plataformas de transmisión de contenido como películas, música y artículos basados en el consumo pasado.
• Educación: Generar recomendaciones de cursos y personalizar rutas de aprendizaje basadas en los intereses y el estilo de aprendizaje del estudiante.
• Redes Sociales: Sugerencias de contenido, amigos y grupos basadas en las interacciones e intereses del usuario.
• Salud: Recordatorios de medicación, sugerencias de planes de atención médica basados en el historial médico del paciente y datos de salud. Estos son solo algunos ejemplos; muchas otras industrias están explorando activamente formas de integrar modelos de recomendación para impulsar valor y mejorar los resultados del negocio.

Evaluación del Modelo de Recomendación

Estas métricas de evaluación proporcionan colectivamente información sobre diferentes aspectos del rendimiento de un modelo de recomendación, incluyendo la diversidad, calidad, precisión predictiva y corrección general de las sugerencias/recomendaciones de elementos que genera el modelo.

Exploremos e interpretemos las métricas utilizadas para evaluar los modelos de recomendación:

a. Coverage

Qué le dice: Coverage mide la proporción de todos los elementos posibles que el sistema puede recomendar.

Intuición:

• Un coverage alto significa que el sistema puede recomendar una amplia variedad de elementos, haciéndolo más diverso y menos sesgado hacia elementos populares.
• Un coverage bajo sugiere que las recomendaciones están limitadas a un conjunto más pequeño de elementos, lo que puede no satisfacer a todos los usuarios.

Ejemplo de Inferencia: Si el coverage es 90%, el sistema puede recomendar el 90% de los elementos en el catálogo, asegurando opciones diversas para los usuarios.

b. NDCG at K (Normalized Discounted Cumulative Gain at K)

Qué le dice: NDCG mide qué tan bien están clasificadas las recomendaciones, centrándose en la posición de los elementos relevantes dentro de las K principales recomendaciones.

Intuición:

• Un NDCG alto significa que los elementos relevantes aparecen cerca de la parte superior de la lista, haciendo las recomendaciones más útiles para los usuarios.
• Un NDCG bajo indica que los elementos relevantes podrían estar enterrados más profundamente en la lista, reduciendo la satisfacción del usuario.

Ejemplo de Inferencia: Si NDCG@10 es alto, los usuarios tienen más probabilidades de ver recomendaciones relevantes dentro de sus 10 principales sugerencias, mejorando su experiencia.

c. Accuracy

Qué le dice: Accuracy es el porcentaje de predicciones correctas (recomendaciones relevantes vs. irrelevantes) realizadas por el sistema.

Intuición:

• Un accuracy alto significa que el sistema es generalmente bueno para distinguir recomendaciones relevantes de irrelevantes.
• Sin embargo, no captura qué tan bien el sistema maneja casos extremos, como elementos raros o preferencias específicas del usuario.

Ejemplo de Inferencia: Si el accuracy es 95%, la mayoría de las recomendaciones son probablemente correctas, pero no asegura que todos los elementos relevantes estén incluidos.

d. ROC AUC (Receiver Operating Characteristic Area Under the Curve)

Qué le dice: ROC AUC evalúa qué tan bien el sistema puede separar elementos relevantes de irrelevantes a través de diferentes umbrales.

Intuición:

• Un AUC alto significa que el sistema puede clasificar efectivamente los elementos relevantes más arriba que los irrelevantes, independientemente del umbral de corte.
• Un AUC bajo sugiere que el sistema tiene dificultades para distinguir elementos relevantes de irrelevantes. Ejemplo de Inferencia: Si el AUC es 0.95, el sistema es muy confiable para clasificar elementos relevantes de manera consistente en todos los usuarios.

e. Precision

Qué le dice: Precision mide la proporción de elementos recomendados que son realmente relevantes.

Intuición:

• Un precision alto significa que la mayoría de las recomendaciones realizadas son útiles y relevantes para el usuario.
• Un precision bajo indica que a los usuarios se les muestran muchos elementos irrelevantes, lo que podría reducir la confianza en el sistema.

Ejemplo de Inferencia: Si el precision es 80%, 8 de cada 10 recomendaciones son probablemente relevantes.

f. Recall

Qué le dice: Recall mide la proporción de todos los elementos relevantes que se recomiendan exitosamente.

Intuición:

• Un recall alto significa que el sistema es bueno para identificar todos los elementos relevantes, incluso si ocasionalmente incluye elementos irrelevantes.
• Un recall bajo sugiere que se están perdiendo muchos elementos relevantes.

Ejemplo de Inferencia: Si el recall es 70%, el sistema está encontrando el 70% de todos los elementos relevantes para un usuario, pero algunos todavía se están dejando fuera.

g. Recurrence Rate

Definición: La proporción o frecuencia de eventos o patrones recurrentes dentro de un conjunto de datos.

Qué le dice intuitivamente:

• Una tasa de recurrencia más alta significa que el conjunto de datos contiene eventos o patrones repetidos frecuentes.
• Una tasa de recurrencia más baja sugiere menos o raras repeticiones en los datos.

Ejemplo de Inferencia: Si la tasa de recurrencia es 60%, significa que el 60% de los eventos en el conjunto de datos son parte de algún patrón repetitivo. Esto ayuda a identificar qué tan cíclicos o predecibles son los datos.

h. Mean Absolute Error (MAE)

Definición: La diferencia absoluta promedio en días entre la recurrencia predicha y la real.

Qué le dice intuitivamente: MAE muestra cuán lejos están las predicciones, en promedio, de los intervalos de recurrencia verdaderos, ignorando si la diferencia es una sobreestimación o subestimación. Un MAE más bajo significa predicciones más precisas.

Ejemplo de Inferencia: Si el MAE es 3 días, los intervalos de recurrencia predichos están, en promedio, a 3 días de los intervalos reales. Esto da una idea directa de cuán precisas son las predicciones.

i. Mean Squared Error (MSE)

Definición: La diferencia cuadrada promedio en días entre la recurrencia predicha y la real.

Qué le dice intuitivamente:

• MSE penaliza los errores más grandes más fuertemente porque eleva al cuadrado las diferencias.
• Un MSE más bajo significa que el modelo es generalmente preciso y evita grandes errores en las predicciones.

Ejemplo de Inferencia: Si el MSE es 16 días², indica que mientras la mayoría de las predicciones pueden estar cerca, cualquier error más grande en las predicciones del intervalo de recurrencia impacta significativamente la puntuación. Esto lo hace útil para identificar modelos propensos a errores grandes.

Métricas de evaluación para algoritmos específicos

Los modelos de recomendación varían en tipo, como se mencionó anteriormente. Por lo tanto, no hay un enfoque genérico único para evaluar los modelos. En cambio, se pueden evaluar usando diferentes métricas específicas para cada algoritmo.

Las métricas de evaluación para algoritmos de recuperación de información son las siguientes:

a. Recuperación de Información

Tipo de recomendación	Algoritmos	Métricas de Evaluación
Sequential Recommendation	SubSeq	Coverage: Coverage mide la proporción de todos los elementos posibles que el sistema puede recomendar. NDCG at K (Normalized Discounted Cumulative Gain at K): NDCG mide qué tan bien están clasificadas las recomendaciones, centrándose en la posición de los elementos relevantes dentro de las K principales recomendaciones. Accuracy: Accuracy es el porcentaje de predicciones correctas (recomendaciones relevantes vs. irrelevantes) realizadas por el sistema.
Personalized Recommendation	Light FM	ROC AUC (Receiver Operating Characteristic Area Under the Curve): : ROC AUC evalúa qué tan bien el sistema puede separar elementos relevantes de irrelevantes a través de diferentes umbrales. Precision: : Precision mide la proporción de elementos recomendados que son realmente relevantes. Recall: Recall mide la proporción de todos los elementos relevantes que se recomiendan exitosamente.
	Pixie	Precision: Precision mide la proporción de elementos recomendados que son realmente relevantes. Recall: Recall mide la proporción de todos los elementos relevantes que se recomiendan exitosamente. Coverage: Coverage mide la proporción de todos los elementos posibles que el sistema puede recomendar.
Recurring Purchase Recommendations	Recurrence Finder	Recurrence Rate: La proporción o frecuencia de eventos o patrones recurrentes dentro de un conjunto de datos. Mean Absolute Error (MAE): La diferencia absoluta promedio en días entre la recurrencia predicha y la real. Mean Squared Error (MSE): La diferencia cuadrada promedio en días entre la recurrencia predicha y la real.

Cada una de estas métricas de evaluación sirve un propósito específico en la evaluación del rendimiento de un modelo respectivo, proporcionando información sobre su rendimiento y confiabilidad.