Evaluación y rediseño de un motor de recomendaciones personalizadas a nivel de consultora, para una empresa de ventas por catálogo de la industria de belleza

Abstract

La siguiente memoria tiene como objetivo evaluar y proponer mejoras al actual motor de recomendaciones de la empresa Penta Analytics, el cual genera ofertas personalizadas a nivel de consultora-campaña para una empresa peruana dedicada a la venta por catálogo, con marco en la industria de belleza. Una de las principales motivaciones para realizar el trabajo de título es que la empresa no posee una evaluación del motor de recomendaciones, por lo que no se tiene claridad sobre los resultados que este tiene en la empresa peruana. Por otro lado, también es parte de la memoria evaluar cómo y cuánto afecta el sesgo de popularidad al motor. Este sesgo está presente en gran parte de los sistemas de recomendaciones, generando que a los clientes se les muestren principalmente los productos populares del catálogo. Este tipo de recomendaciones resultan ser muy poco atractiva tanto para los clientes como para la empresa. Para poder realizar la evaluación del motor de diseño de ofertas (MDO), es necesario en primer lugar realizar un levantamiendo de este proceso, detallando los modelos ocupados e identificando oportunidades de mejora. De este levantamiento se proponen nuevos modelos de propensión de compra y de bundle. La realización del diagnóstico de las recomendaciones resulta ser una de las etapas claves del trabajo de esta memoria, dado que en base a los resultados de este diagnóstico, se podrá definir si las propuestas realizadas logran mejorar el sesgo de popularidad que tiene el modelo actual del MDO. De la evaluación de las recomendaciones se obtiene que el motor cuenta con una tasa de conversión igual a 0,22%, y un efecto directo igual a USD$145.000 equivalente al 1,1% de la venta total de la empresa. Como propuestas para el nuevo modelo de propensión de compra se usa un algoritmo de filtros colaborativos a nivel de MCT (subconjunto de productos por su marca, categoría y tipo) y una versión de filtros colaborativos incluyendo un indicador de novelty score, el cual indica que tan novedosa es cada una de las MCT de la empresa. Con ambos modelos se busca recomendar solo productos nuevos a las consultoras. Dentro de los principales resultados de este trabajo, se destaca el hecho de que es posible recomendar productos más novedosos a las consultoras y aún así, mejorar la tasa de conversión que tienen las ofertas alcanzando un 3,98% con el modelo de novelty score en las ofertas de productos indivuduales, y un 1,64% en las ofertas de packs de productos.