Estos días veraniegos he tenido la suerte de descansar en una playa. Uno de los días en los que disfrutaba de una refrescante bebida a la sombra, observaba a un hombre que iba vendiendo cosas típicas del lugar de hamaca en hamaca, siguiendo una sucesión un tanto caótica. «Dentro de unos años – pensé- seguro que también él tendrá la opción de usar modelos de recomendación para optimizar su selección».
Bromas aparte, hoy os voy a contar otro caso hecho por el equipo de Conento, que consiste en desarrollar un modelo que determina qué personas están interesadas en qué productos de qué comercios.
Lo primero que hicimos fue un análisis descriptivo de las de las que teníamos datos. De ellas conocíamos dónde habían realizado compras y qué cantidad se habían gastado.
A continuación, llevamos a cabo una segmentación tanto de las personas como de los comercios en los que habían comprado. El objetivo era separar de manera óptima los grupos de personas y los de comercios: lo más homogéneos entre sí y lo más heterogéneos entre ellos. Cada grupo representaba un perfil de comportamiento de personas o de comercios.
Cruzando ambas segmentaciones ya podíamos responder a preguntas como:
- ¿En qué tipología de comercios compra cada grupo de clientes?
- ¿Qué tipología de clientes compra en cada grupo de comercios?
Pero el objetivo no era decidir por grupos sino para cada persona en particular.
Para ello, decidimos utilizar modelos de recomendación basados en filtros colaborativos. Os explico brevemente en qué consiste:
- Para cada persona y cada comercio, anotamos el número de veces que la persona ha comprado en dicho comercio multiplicado por el gasto total que la persona ha hecho en todas esas compras («num.compras*valor»). Así, el numerito sería igual para una persona que ha comprado 10 veces en un comercio y se ha gastado cada vez 10 euros (número que registraríamos sería 100); que para una persona que ha comprado solo una vez pero se gastó 100 (número que registraríamos sería 100).
- Podemos comparar, para cada persona y cada comercio, cuál es la «afinidad» de la persona al comercio en comparación al resto de personas. Por ejemplo, si en un comercio Y la métrica «num.compras*valor» es 100 y tenemos la persona X que en ese comercio tiene un valor de la métrica igual a 225, podemos afirmar que la persona X es muy afín al comercio Y.
- ¿Cuáles son las características del comercio Y? ¿Es un comercio donde se vende ropa deportiva? ¿Podemos mandar un mensaje a través del móvil a la persona X recomendándole otros comercios similares a Y?
- Y si sabemos cómo es la persona X, ¿no tendrá sentido recomendar el comercio Y a personas similares? En caso de tener pocos datos de la persona, siempre se podrá asignar el comercio utilizando la segmentación inicial que hicimos.
La empresa gestora de los comercios, una vez tiene este sistema aplicado a su base de datos de personas y comercios, puede determinar cómo distribuir, por ejemplo, el dinero que tiene reservado en promociones entre los diferentes comercios. No a todas las personas ofrecer lo mismo, ni en los mismos comercios.
Habíamos tomado como variable sobre la que tomar las decisiones «num.compras*valor» pero la realidad es que se puede parametrizar cómo se quiera. Por ejemplo, si a un comerciante lo que le interesa no es tanto el monto total que la persona gasta como la frecuencia de visitas, se podría tomar ésta como la variable de interés. Los resultados serían diferentes.
En base a los datos recogidos, se realizará un seguimiento de la calidad de cada uno de los modelos desarrollados ¿Están cambiando los resultados? ¿Aparecen atípicos? ¿Cómo se degradan las recomendaciones? ¿Se están distribuyendo todas las promociones?¿Estamos teniendo éxito desde el punto de vista del negocio?
Estos modelos de recomendación se pueden utilizar en multitud de negocios diferentes: grandes cadenas de tiendas que utilizan tarjetas de clientes (muchos datos de las personas), bancos, centros de salud, etc.
Comentarios