Amazon utiliza Big Data y Análisis Predictivo para recomendar futuras ventas

captura6Se ha hablado mucho sobre los gustos y preferencias que Facebook, Google y Netflix saben acerca de los usuarios. La verdad es que la Amazon puede ser la empresa que sepa más al respecto, quedando a diario demostrada esta realidad. Cuando Amazon recomienda un producto en su sitio,  claramente no es una coincidencia. Este gigante del e-commerce conoce tan bien a sus clientes que puede realizar envíos incluso antes de que efectúen una compra. Sin duda alguna es el comerciante online más grande del planeta.

En este caso Amazon (y otras empresas líderes como Netflix) utiliza el análisis predictivo para construir un sistema de recomendación que sugiere productos a las personas que visitan el sitio. Para esto, utiliza datos de secuencias de clics (clicksteams) de clientes y los datos históricos de compras de sus clientes (aprox. 152 millones en el 2012 según la infografía elaborada por 500friends) para mostrar a cada usuario, resultados personalizados en sus páginas web personalizadas.

Los sistemas de recomendación son muy conocidos por su uso en los entornos de  sitios web de e-commerce, en los cuales se utilizan las entradas acerca de los interés de sus clientes para generar una lista de recomendaciones de ítems. Para crear una lista de recomendaciones, muchos website utilizan sólo los ítems que compran los clientes y explícitamente el promedio que estos representan sus intereses, pero también pueden utilizar otros atributos, incluyendo ítems vistos, datos demográficos, asuntos de intereses y artistas favoritos.

El sistema de recomendación de Amazon se basa en una serie de elementos simples, tales como: los items que un usuario ha comprado en el pasado, los items  que tienen en su carrito de la compra virtual, los items que ha clasificado y le gustan, y los que otros clientes han visitado y comprado. El gigante de los minorista también utiliza su algoritmo de  recomendación para personalizar la tienda online para cada al cliente. La tienda radicalmente cambia según los intereses personales de cada cliente, mostrando, por ejemplo,  títulos de Big Data a un Ingeniero de Sistema y juguetes para bebé a una nueva madre.

Los algoritmos de recomendación de e-commerce, a menudo, operan en entornos desafiantes.  Por ejemplo:

  • Un sitio web de un gran minorista podría tener enormes cantidades de datos, decenas de millones de clientes y millones de artículos  produciendo, distintos catálogo.
  • Muchas aplicaciones requieren un conjunto de resultados de recomendaciones en tiempo real, en no más de medio segundo, mientras se siguen realizando recomendaciones de alta calidad.
  • Los nuevos clientes tienen información muy limitada, basado solamente en algunas pocas compras o pocas evaluaciones de productos.
  • Los clientes viejos pueden tener un exceso de información, basado en miles de compras y clasificaciones.
  • La data del cliente es volátil: Cada interacción proporciona valiosos datos del cliente y el algoritmo debe responder de manera inmediata a la nueva información.

Algoritmos de Recomendación

La mayoría de los algoritmos de recomendación comienzan por encontrar un conjunto de clientes cuyo compras y artículos clasificados coinciden con las compras y clasificación de  artículos de otros clientes. El algoritmo agrega artículos de estos clientes similares, elimina los elementos que el usuario ya ha comprado o clasificado y recomienda los productos que queden al usuario.

A juzgar por el éxito de Amazon, el sistema de recomendación funciona. En el 2012, la compañía reportó un aumento del 29% de las ventas de $12.83 millones de dólares durante el segundo trimestre fiscal, frente a los $9.9 mil millones durante el mismo período del año anterior. Gran parte de ese crecimiento podría decirse que tiene que ver con la forma en que Amazon ha integrado las recomendaciones en casi todas las partes del proceso de compra, desde el descubrimiento de productos, hasta pagos y envío.

“Nuestra misión es satisfacer a nuestros clientes, permitiéndoles por casualidad que descubran grandes productos.Creemos que esto sucede todos los días y que es esta  nuestra mayor medida del éxito.”

Amazon también realiza recomendaciones a sus usuarios vía e-mail. De hecho, la tasa de conversión y la eficiencia de este tipo de emails son ‘muy alto’, significativamente más eficaz que las recomendaciones sobre el website. De acuerdo con Sucharita Mulpuru, analista de Forrester, la conversión de Amazon para la venta de recomendaciones en el sitio podría ser tan alta como 60% en algunos casos sobre la base de la actuación de otros sitios de comercio electrónico “.

-Fortune

35% de los ingresos de Amazon.com es generado por su motor de recomendación. ( Fuente )

Paneles de Recomendación de Amazon

A continuación se muestran algunas formas en que actualmente están utilizando  recomendaciones en su web site:

  1. Frequently Bought Together

captura2

Esta recomendación tiene un objetivo principal: aumentar el valor medio de los pedidos.  “Frequently Bought Together” es una recomendación de productos que fueron comprado frecuentemente juntos, y tiene como objetivo aumentar tanto las ventas directas (up-selling) como las venta cruzada (cross-selling) al proporcionar sugerencias de productos en base a los artículos en su carrito de compras o debajo del producto que actualmente están mirando en el website.

  1. Your Recently Viewed Items and Featured Recommendations – Inspired by Your Browsing History

captura3

Para este tipo de recomendación Amazon se basa en los productos que has estado mirando y recomienda productos muy similares de diferentes formas, tamaños y marcas para ayudarle a encontrar algo muy similar a un producto en el que se haya mostrado interés. Esta lista de recomendaciones ofrece diferentes marcas, colores, formas y tamaños con la esperanza de que van a colocar un producto en frente del usuario al que no se puede resistir.

  1. Browsing History

captura4

Si un usuario ha mirado en un producto, eso significa que manifestó ligeramente un interés en él y Amazon lo sabe, por lo que va a mostrar el historial de navegación en caso de que se quiera regresar rápidamente y comprar algo en lo que anteriormente mostró interés.

  1. Related to items you’ve viewed

captura5

Tal como lo dice  En relación con los artículos que has visto,  muestra productos similares en diferentes tamaños, marcas, etc., a los productos que has mirado en el pasado. Esto tiene el mismo objetivo que el punto # 2 (para ayudarle a encontrar un producto que quiere comprar), pero Amazon lo ha marcado de manera diferente en su sitio.

  1. Customer Who Bought This  Item  Also  Bought

captura6

Al igual que en # 1 (frecuentemente comprados juntos), Amazon muestra los elementos que han sido comprados juntos en el pasado por otros clientes, con el objetivo de aumentar el valor medio tanto de las ventas como las venta cruzada.

  1. Recommended for You Based on a Previous Purchase

captura7

Después que un usuaio compr un Kindle en Amazon.com,  inmediatamente muestra una sección de “detalles de la orden”. El sistema recomienda una variedad de diferentes cases (protectores) exactamente para  la Kindle que previamente se había comprado en un intento de animar al usuario a una segunda compra con una oferta de gran relevancia de venta cruzada (cross-sell).

captura8

¿Cómo funciona el motor de recomendación de Amazon?

Existen dos enfoques principales  en las metodologías adoptadas por los sistemas de recomendación: Filtrado Colaborativo y los de Filtrado basado de contenido.

Filtrado Colaborativo

Sistemas de recomendación basados en las acciones de los propios usuarios.

Las acciones de los usuarios nos dan información sobre sus propios gustos y información de los propios ítems. La idea subyacente es que esta información se puede analizar para captar los dos siguientes puntos:

  • Para cada usuario, cuales son sus gustos.
  • Para cada ítem, cuales son los gustos que satisface.

Esta idea que parece tan sencilla, requiere de un modelo complejo que necesita un alto coste en cálculo para ser ajustado en función de los datos con técnicas procedentes del campo de Machine Learning.

Su principal virtud es que permiten recomendar sin “entender” cuales son los ítems subyacentes, no hace falta que tengamos información explícita de ellos, solo las acciones de los usuarios sobre estos.

Filtrado Basado en Contenido

Sistemas de recomendación basados en el propio contenido del ítem.

La información que se posee del propio ítem puede ser procesada para inferir que ítems son parecidos entre sí. A partir de estas similitudes podemos buscar ítems que se parezcan a los que el usuario ya posee una relación satisfactoria, o que se parezcan al conjunto total o un subgrupo de ítems que el usuario sabemos que son de su agrado.

A su vez, existen también modelos híbridos que combinan ambos.

Filtrado Colaborativo ítem a ítem

Amazon cuenta con un algoritmo personalizado de recomendación que ellos llaman Filtrado Colaborativo ítem a ítem. Se trata de un desarrollo propio, patentado en los Estados Unidos, y que nació porque ninguna de las propuestas existentes por aquel entonces (principios de década)  podían escalar a decenas de millones de clientes y productos de Amazon.

A diferencia de filtrado colaborativo tradicional, su algoritmo escala el cómputo en línea independientemente del número de clientes y el número de Ítems en el catálogo de productos y produce recomendaciones de alta calidad en tiempo real.

¿Cómo funciona sin entrar en excesivos detalles técnicos? Asociando cada producto comprado por un usuario con una lista de productos similares, que se obtiene en función de los elementos que hayan sido adquiridos en un mismo pedido, añadidos a un carrito de la compra, o almacenados en una wish list.

Este proceso, como podríamos imaginar, puede llegar a ser extremadamente costoso en términos de computación. Pero Amazon se las ha arreglado para implementarlo y ejecutarlo de una forma muy eficiente, de modo que funciona aceptablemente bien incluso con conjuntos de datos enormes.

Hay que tener en cuenta que Amazon cuenta con una base de usuarios enorme (el año 2012 contaba con 152 millones de cuentas según la infografía referenciada anteriormente), y ha recogido información de cada uno de ellos. Y este tipo de sistemas dan mejores resultados cuanto mayor es la cantidad de datos que maneje, de manera que los productos recomendados para cada usuario serán cada vez más relevantes si más usuarios han adquirido ese producto.

Obviamente para productos irrelevantes no existirán datos, y es donde el algoritmo falla. No es lo mismo comprar, por poner un ejemplo, un iPod, que un reproductor MP3 de un fabricante desconocido y que aparece en la página 25 de la sección de reproductores MP3. Los productos desconocidos no serán recomendados por este algoritmo dado que no habrán sido comprados nunca, y si no son nunca comprados, no serán recomendados tampoco dado que no serán tenidos en cuenta por el algoritmo. Además, los usuarios que adquieran productos desconocidos tampoco recibirán recomendaciones.

Amazon también utiliza su sistema de recomendaciones para personalizar la experiencia de navegación y el retorno de los clientes. Por ejemplo, un consumidor entusiasta de equipos puede encontrar en el website de Amazon sugerencias relevantes de dispositivos, mientras que una nueva madre pudiera ver en esas mismas páginas la ofertas de productos para bebés.  

Si queréis más detalles técnicos, se puede consultar el paper publicado en el número de enero/febrero de 2003 de la revista IEEE Internet Computing por Greg Linden, Brent Smith y Jeremy York, por aquel entonces empleados de Amazon.

Share this post

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos necesarios están marcados *