Elaboración de un modelo de recomendación de productos y servicios para los clientes de una plataforma Web de tipo Marketplace

Abstract

El éxito de las plataformas online de la actualidad se debe en gran parte a sus sistemas de recomendación. Tal es el caso de Netflix, que gracias a ellos mantienen a sus clientes interesados en su contenido o el de Amazon que genera el 35% de sus ingresos gracias a las recomendaciones. Y es que en el comercio electrónico los clientes van direccionados hacia los productos de su interés, por lo que se sienten comprendidos, generan lealtad con la empresa y es más probable que se conviertan en consumidores. Es por estas razones que los comercios electrónicos actuales deben tener un sistema de recomendaciones. En este trabajo de memoria se presenta la oportunidad de elaborar un sistema de recomendación personalizado a una empresa de venta de cupones o descuentos online que actualmente tiene un sistema no personalizado (se recomiendan los mismos productos a todos los usuarios), con el fin de evaluar la venta incremental que este sistema genera, para lo cual se utilizan 2 algoritmos: Filtrado Colaborativo y Basado en Contenido. Al elaborar el sistema se probaron diferentes versiones de los algoritmos (utilizando distintas métricas de similitud para establecer semejanzas entre usuarios y productos), siendo el sistema Basado en Contenido con similitud coseno el que mejor resultados obtuvo en las métricas de predicción de compra y a su vez el que genera recomendaciones más rentables desde el punto de vista del negocio debido a que se ajustan mejor a los diferentes tipos de clientes y a su disposición a pagar. La evaluación se hizo mediante un experimento natural, y tuvo como resultado que aquellos clientes expuestos a productos más afines a sus gustos tienen una mayor tasa de conversión. Además, 2 de cada 3 compras en este grupo de clientes son recomendaciones generadas por el sistema, con lo cual se espera que al ser implementado se observe un efecto positivo del 4,6% en las ventas. El trabajo concluye con la elaboración del plan de implementación del sistema, incluyendo el diseño de un A/B test. Finalmente, a futuro se recomienda recopilar más datos de los clientes y sus sesiones para mejorar la precisión de las recomendaciones y eventualmente desarrollar otros sistemas.