MADRID, 1 Abr. (Portaltic/EP) -
La era digital ha posibilitado que las compras sean cada vez más accesibles, pero las decisiones más complejas. La elección entre cientos, o incluso millones de opciones, hacen más difícil tomar una decisión. Los sistemas de recomendaciones online cambian la forma en que navegamos y elegimos los productos: limitan nuestro proceso de toma de decisiones acercándonos a lo que estamos buscando, sugiriendo productos complementarios o incluso alternativos.
Este 'conocimiento' acerca de la personalidad de compra normalmente proviene de lo que los consumidores han comprado o visualizado anteriormente, lo que los compradores con perfiles similares han visto o comprado, así como la fecha y hora de visualización, como destacan en RTB House, empresa global que ofrece tecnología punta de 'retargeting'.
Las tecnologías de recomendación estudian lo que buscan los consumidores y les sugieren productos. Recogen y analizan millones de datos sobre sus preferencias para aportar sugerencias ultra-precisas.
Suena simple, pero estas tecnologías precisan de volúmenes masivos de datos para realizar predicciones exactas. Y, por supuesto, cuanta más información, mejor. Aquí es donde entra en juego el 'deep learning', o aprendizaje profundo: una innovadora rama de la inteligencia artificial que resuelve los problemas al imitar el trabajo del cerebro humano en el procesamiento de datos y la creación de patrones de toma de decisiones.
LA IA PODRÁ PREDECIR EXACTAMENTE LO QUE QUIERES
La mayoría de nosotros, como apuntan en RTB House, ya tenemos experiencia con sugerencias y recomendaciones basadas en datos de comportamiento y navegación. Hemos adquirido productos en Amazon recomendados en la sección 'Los clientes que compraron este producto también compraron' o hemos añadido nuevas personas a Linkedin después de ver 'Gente que podrías conocer'. Incluso vemos películas en Netflix gracias recomendaciones de IA.
Y ahora los motores son cada vez más inteligentes. Emplean herramientas de 'deep learning' que personalizan la experiencia de un usuario tratando de averiguar sus hábitos incluso después de haber realizado tan solo una visita.
Junto con la analítica en tiempo real, los algoritmos de autoaprendizaje pueden mejorar las sugerencias hasta el punto de la predicción. Servicios como Spotify pueden predecir la siguiente sugerencia de canciones, mientras que YouTube pone en cola los videos recomendados basados en el que está viendo.
El 'deep Learning' ultra-preciso se utiliza en todo tipo de industrias digitales, como en la publicidad. De acuerdo con RTB House, los algoritmos de autoaprendizaje ayudan a lograr recomendaciones muy precisas que hacen que las actividades publicitarias sean hasta un 50 por ciento más eficientes. Pero, ¿cómo funciona en la práctica?
CÓMO FUNCIONA EL 'DEEP LEARNING' EN LAS RECOMENDACIONES
Tomando como ejemplo comprar un vestido nuevo, cuando un comprador hace clic en cualquier apartado del sitio web, el mecanismo de recomendación captura cada pieza de información, indican desde la compañía. Comprueba el color del vestido, detalles como precios, tallas y docenas de puntos de otras acciones.
A continuación, explican, conecta tantos patrones de interacción como sea posible. Al medirlos y analizarlos (en tiempo real), el sistema puede entender la historia, el gusto, los intereses o incluso el estado de ánimo, y luego hacer predicciones precisas de productos interesantes.
Las coincidencias entre los zapatos y la joyería, los vestidos de noche, la ropa de verano, podrían ser recomendaciones basadas en predicciones eficaces. Todo esto sucede sin ninguna intervención humana por parte del anunciante. En el campo de la predicción de compra, los algoritmos de 'deep learning' ya han obtenido tanto conocimiento, que ha hecho innecesarias las intervenciones manuales.
Los modelos típicos de recomendaciones no pueden hacer esto, resaltan desde la compañía. La mayoría del software de recomendación simplemente recopila información y luego selecciona productos para mostrarlos con reglas predefinidas por un ser humano, como por ejemplo: 'mostrar joyas sólo a aquellas que visitaron ropa femenina, ya que son las mujeres tienen mayor probabilidad de comprar'.
Ahora, esto puede ser sustituido por 'Nuestro sistema sabe haber visitado ropa femenina es un predictor para la compra de joyas, pero también ha aprendido a detectar a los hombres que tienen la intención de comprar joyas para sí mismos o como un regalo'.
Los algoritmos de 'deep learning' simulan nuestra forma de pensar, pero aprendemos practicando resultados sin ninguna aportación humana. Una máquina analizará innumerables conjuntos de datos implacablemente, sin cansarse o aburrirse, y producirá decisiones lógicas, a prueba de riesgos sin estrés, duda o emociones.
Obedecerá las reglas generales del anunciante, pero lo más importante, es capaz de aprender y escribir nuevas reglas con proactividad y rendimiento inalcanzable por el trabajo humano. Esta es la esencia de los algoritmos de autoaprendizaje y por qué son tan eficaces para la industria publicitaria.
AVANZANDO HACIA EXPERIENCIAS PERSONALIZADAS CON IA
De acuerdo con Janrain & Harris Interactive, el 74 por ciento de los consumidores 'online' se ven frustrados por el contenido que es irrelevante para sus necesidades en un sitio web. Es más, Infosys encontró que el 86 por ciento de los consumidores dice que la personalización juega un papel relevante en sus decisiones de compra.
El uso de recomendaciones ultra-precisas refuerza la relación de la marca con sus consumidores y, como indican desde RTB House, acelera las ventas de los minoristas, mejora las tasas de conversión y aumenta los ingresos - no importa que sea cine, música o publicidad.
