Evaluación de la efectividad de un sistema de recomendación de productos en una tienda por departamentos

Abstract

Los sistemas de recomendación son herramientas utilizadas por retailers para personalizar la experiencia de compra. Un ejemplo de esto es Alibaba, el cual señala que, en sus campañas promocionales, las ventas realizadas en páginas con recomendaciones personalizadas tienen una conversión un 20% mayor que las no personalizadas. El trabajo de título consiste en evaluar el desempeño de metodologías para la recomendación de productos en las categorías de vestuario y calzado en una tienda por departamentos. El desarrollo tiene dos fases: Seleccionar, en base a la eficiencia y eficacia, el modelo de filtros colaborativos que entrega mejores resultados de acuerdo con la métrica del recall. Luego se desarrolla un A/B test en email-marketing para medir la efectividad empírica del modelo seleccionado con respecto a recomendaciones del área comercial del negocio. De la primera fase se tiene que, con 5 recomendaciones por cliente, el mejor modelo de la familia de factorización de matrices (filtro colaborativo basado en modelo) acierta a alguna de las compras de un 29% de los clientes, mientras que la mejor implementación en base a KNN (filtro colaborativo basado en memoria) acierta a un 32%. Por contraparte KNN tiene un tiempo de ejecución 11 veces mayor, tiempo que además no aumenta de forma lineal al aumentar el número de clientes. Por lo tanto, se elige el de FM como el modelo a probar experimentalmente debido a que tiene mayores posibilidades para una implementación real. Con respecto al experimento, se envía un correo con recomendaciones dadas por el modelo de factorización de matrices y otro con el mismo diseño y asunto, pero con recomendaciones masivas elegidas por el área comercial. Como resultados se tiene que las recomendaciones personalizadas generaron un 32% más de tráfico hacia la página (10.123 v/s 7.645), 69% más de conversión en órdenes (123 v/s 74) y un 7% más de venta en la página web incluyendo ventas cruzadas (3.411.760 CLP v/s 3.187.540 CLP). Se concluye que, para el caso analizado, hacer recomendaciones personalizadas en base a factorización de matrices entrega mejores resultados que recomendaciones generales basadas en juicio de experto. Además, se proponen algunos puntos de contacto con el cliente donde podrían ser implementadas estas recomendaciones, como pueden ser: campañas de email, página web, selección de las categorías de descuentos para los cupones que se entregan en caja y selección de categorías para cupones que se envían al hacer una compra online con retiro en tienda. Finalmente, también se propone que la implementación de filtros colaborativos podría aportar a otros negocios del holding que tengan un alto volumen de sku para recomendar, en específico se cree que los de retail como supermercados, mejoramiento del hogar y marketplace serían buenos candidatos para realizar más pruebas sobre estas metodologías.