Evaluación experimental de sistema de recomendación para campañas de email marketing

Abstract

Una tendencia creciente dentro de la industria del retail es la de personalizar la experiencia de compra de los consumidores, y en términos de campañas de marketing, eso se traduce en poder generar estrategias de comunicación que estén pensadas en el cliente que las recibe. Es por ello que han tomado fuerza estrategias de comunicación activadas por acciones de los mismos clientes, pues estas acciones identifican oportunamente comportamientos claves del cliente, y a partir de ellos se pueden generar ofertas o promociones acordes. Este trabajo generará y evaluará distintas estrategias para lograr este objetivo. Específicamente, se identificará a clientes que durante un periodo de tiempo hayan comprado ciertos tipos de productos ligados al hogar, se les enviará un correo recomendándoles seguir equipando su casa, incentivando que compren otros productos de la tienda a través de cualquiera de sus canales En este trabajo se evalúan tres estrategias para generar comunicaciones automáticas. En primer término, se evaluará la implementación de un algoritmo de recomendación basado en filtros colaborativos, luego se considerará el uso de reglas de asociación, y finalmente ambos sistemas de recomendación se compararán a una implementación en que solo se ofrecen categorías de manera genérica invitando al cliente a navegar dentro del sitio web. Las estrategias implementadas se evalúan experimentalmente de forma de conocer por medio de las cuáles se puede construir más valor para la compañía y para el cliente. Los resultados de este estudio sugieren que en términos absolutos los filtros colaborativos generan más venta incremental que las demás estrategias propuestas. Pero al descomponer a nivel de categoría se concluye que los filtros colaborativos solo funcionan considerablemente mejor para el caso de los productos de línea blanca, ya que en el caso de los productos de muebles y decoración las reglas de asociación y la estrategia genérica mostraron resultados que superaban a los filtros colaborativos. Estas diferencias se explican principalmente por el tipo de productos que cada lógica de recomendación le ofrece a los clientes, ya que, las reglas de asociación tiende a recomendar productos que son de menor frecuencia de compra y de mayor precio que los filtros colaborativos que tienen a recomendar los productos más populares dentro de una comunidad de clientes con preferencias similares.