Cada vez internet nos ofrece más oferta y más datos. Los algoritmos más inteligentes y éticos son la clave para que se pueda lograr la fidelidad y confianza de sus clientes. La Inteligencia Artificial es partícipe de estas recomendaciones con filtraciones de contenido y filtración colaborativa.

La Inteligencia Artificial es el paso principal para la fidelización de clientes en algunas empresas como son Netflix, HBO o muchas de las redes sociales que se visitan a diario.  Para ello la empresa tiene que lanzar recomendaciones al usuario, ya que ya se han analizado los gustos del usuario. Pero, ¿sabemos su funcionamiento?

¿Cómo funciona?

Hay dos técnicas principales para encontrar los elementos apropiados para un usuario determinado: filtración basado en el contenido y filtración colaborativa.

Las recomendaciones basadas en el contenido se basan en la afinidad que hay entre las propiedades de los elementos a recomendar (las categorías, el año, etc) y los perfiles de los usuarios.

En la filtración colaborativa, la afinidad entre los elementos a recomendar y los usuarios se calcula a través del comportamiento de todos los usuarios, tal y como sucede, por ejemplo, en los sistemas de recomendación de Amazon o Netflix: qué películas se seleccionan, hasta qué minuto se consumen, qué calificación reciben por parte del usuario, etc.

Todos esos datos, gestionados por algoritmos, pueden proporcionarnos predicciones sobre el comportamiento de los consumidores con un nivel de profundidad inédito hasta el momento.

Cuando queremos predecir si una película le va a gustar a un usuario que aún no la ha visto, simplemente analizaríamos si la gente que tiene evaluaciones similares a este usuario sobre otras películas les ha gustado o no esta película que queremos recomendar. Este método llamado filtraje colaborativo se ha mostrado muy eficaz pero requiere de muchos datos. Como extraer la evaluación de los productos o servicios en sistemas de recomendación puede ser complicado, la tendencia es que las plataformas de Internet no preguntan de forma explícita a los usuarios evaluaciones porque esto requiere de un esfuerzo de parte del usuario y además en muchos ámbitos esas opiniones no coinciden con la actividad real del usuario.

Por este motivo muchas veces las opiniones de los usuarios son calculadas con muchos parámetros, la mayoría parámetros derivados de la actividad implícita del usuario y no sus opiniones explícitas. Por ejemplo, si el usuario ha visto una película entera nos indica que le ha gustado mucho más que otro que la ha empezado a ver pero no la ha terminado. O en música, se pueden considerar el número de veces que el usuario ha escuchado una canción, si la canción ha sido incluida en una lista de canciones, etc. Es decir, en muchas aplicaciones el feedback implícito del usuario nos indica sus opiniones de una forma más real que las opiniones explícitas que el usuario pueda indicar en el sistema.