Modelo de recomendación de productos aplicado a una empresa de cupones on line

Abstract

En la actualidad, los e-commerce han ido evolucionando su forma de atraer a nuevos clientes, y por sobre todo, su forma de fidelizar los que ya han comprado alguna vez. Sin embargo, esta última tarea no ha sido fácil, en especial para sitios con una alta rotación de productos, como los son los sitios de cupones online. Esta memoria propone y genera un prototipo de sistema de recomendación, que permite a los clientes conocer, mediante correos electrónicos, las ofertas que más se ajustan a sus necesidades, y lograr así mejorar los ingresos de la empresa. Se generaron dos modelos principales para la recomendación, uno basado en filtros colaborativos sobre la base de las preferencias de los usuarios y otro basado en reglas de asociación. El primero consiste en encontrar usuarios con similar comportamiento histórico a cada uno de acuerdo con la información transaccional, para luego recomendarles productos adquiridos por ellos; y el segundo compara las canastas de compras de todos los clientes para ver qué productos o categorías deberían comprarse al haber realizado otra compra. Los resultados de la experimentación arrojaron que la Tasa de Clics (porcentaje de clics de la cantidad de correos abiertos) y la Tasa de Conversión (porcentaje de compras del total de clics) aumentaría utilizando un modelo de recomendación con un 95% de confianza. El modelo que mejores resultados obtuvo, es el de Reglas de Asociación con Productos Frecuentes, donde aplicando sus cifras a toda la base de datos de la empresa, el correo tendría un tráfico diario adicional de aproximadamente 4.500 clientes, 1.000 adicionales en su sitio web y su Tasa de Conversión aumentaría en un 40% en promedio. Además, con la data descriptiva obtenida en los resultados, con este modelo se incrementarían las ventas en casi un 70%. Dado lo anterior, es recomendable que la empresa implemente un modelo de recomendación en su Newsletter basado en Reglas de Asociación con Productos Frecuentes, pues así, es posible que mejore sus rendimientos económicos como se ha probado en este proceso de experimentación. Finalmente, a futuro se puede utilizar este mismo modelo para ordenar las ofertas del sitio web de la empresa de acuerdo a las recomendaciones generadas para cada uno de los clientes, y así mismo, se pueden generar recomendaciones asociadas a cada uno de los productos ofertados cuando éstos son visitados.