Evaluación y diseño de un modelo de recomendaciones para una campaña de consumo masivo

Abstract

La presente memoria evalúa el modelo de recomendación SVD para un set de datos transaccional en una empresa de consumo masivo. Las recomendaciones de este modelo buscan acertar en potenciales compras de productos por parte de pequeñas bodegas y puestos de mercado pertenecientes al canal de venta tradicional del Perú. Este problema es relevante dado que el proceso de venta se reduce a solo a cobrar y tomar pedidos. Una sugerencia personalizada cambia la situación por lo que puede ser de gran impacto. Es por esto que los objetivos de la presente memoria se centran en aumentar a través del modelo SVD la tasa de aceptación de productos por parte de clientes. El modelo SVD utiliza la matriz de valoraciones de productos por parte de los clientes. El modelo permite descomponer la matriz en sus valores singulares y reducir su dimensionalidad, esto a su vez permite agrupar la información esencial en dos matrices que guardan los factores latentes de los clientes en una y de los productos en otra. Dada la reducción de dimensionalidad, el producto entre las matrices de factores latentes es un aproximado de la matriz real. Para lograr obtener los factores latentes más precisos que den un resultado más parecido a la matriz real de valores conocidos, se utiliza la optimización de la gradiente descendente. Una vez ajustados los factores latentes se puede reconstruir la matriz de valoraciones completa, la reconstrucción de la información de valoración que no se tenía en la matriz original, son las predicciones del modelo. El modelo SVD sugiere productos distintos a los valorados por el cliente, se espera que el experimento tenga éxito en más casos del indicador de productos distintos. Lamentablemente en el experimento realizado en 4 semanas, la mayoría de los perfiles evaluados no se logró un mejor indicador. Salvo en el perfil especifico de Limpieza que se logró en promedio vender 6 veces más productos distintos que el grupo de control. Este número es estadísticamente significativo. El ratio de vendidos es alto puesto que en el grupo de control se ven muy pocos productos no comprados anteriormente. En conclusión, se observa que el modelo presenta problemas en matrices masivas y altamente dispersas, se observa también que, si bien en un perfil pequeño se vende más unidades, lo hace en productos más económicos. Para mejorar este modelo se propone que al ser una base transaccional, se agrupen los productos iguales que se diferencien únicamente en la cantidad de unidades contenidas, también se propone evaluar un modelo más reducido en que solo se recomienden los productos que mayor margen entreguen. También se recomienda que se busquen parámetros más precisos de aprendizaje para un dataset transaccional.