"Desarrollo de un sistema de recomendación para una plataforma de beneficios"

Abstract

El proyecto se desarrolla en la empresa SemSo fundada por consultora estratégica GeCo, la cual ha brindado su servicio a más de 115 empresas, dentro de las cuales ha encuestado a más de 60 mil colaboradores (SemSo, 2022), siendo una pequeña empresa de menos de 50 empleados. (Mercantil, 2022) SemSo brinda el servicio de asesoramiento en la gestión del bienestar para los colaboradores de las empresas asistidas (SemSo, 2022), para lo cual realiza encuestas a los colaboradores de sus clientes, entregando posteriormente recomendaciones de beneficios. Además, genera un reporte de la situación de la empresa con recomendaciones. Se identificó como problemática, la calidad insatisfactoria del servicio entregado, especialmente con respecto a las recomendaciones realizadas en la plataforma SemSo, lo cual causa adicionalmente el incumplimiento de las metas internas de la empresa. El objetivo del proyecto es, identificar los atributos de los ítems y usuarios con mayor impacto en la conversión en las recomendaciones de la plataforma de SemSo, para mejorar la conversión, utilizando modelos estadísticos e incorporando sus resultados en el algoritmo de recomendación. El modelo SemSo se basa en las preguntas de la CASEN respecto de la pobreza multidimensional, incorporando la dimensión económica al modelo de la encuesta y complementando el resto de las dimensiones con preguntas adicionales, con las cuales se calcula el indicador de carencia multidimensional. Del análisis exploratorio se identificó que el género, el nivel de ingresos, la edad, la carencia y el tiempo de respuesta tienen incidencia en la conversión en la plataforma. También se observó una preferencia por ítems de la dimensión de vivienda y económica, representando alrededor de un 58% de las interacciones. Por otra parte, proporcionalmente se observó un mayor interés por ítems del tipo subsidio, ya que solo un 5% de los ítems corresponden a subsidios, pero un 25% de las interacciones fueron con subsidios. Se evaluaron sistemas de filtrado colaborativo con factorización matricial con factores implícitos, filtrado basado en contenido y un modelo basado en un clúster. Para este último se utilizó el K-Means con 5 clústeres, identificados como: personas carentes, personas con carencia media, personas con carencia baja, personas en camino al bienestar y personas en bienestar. Se determinó como mejor alternativa utilizar el modelo de clústeres para los usuarios nuevos que no hayan interactuado, ya que tiene obtuvo un accuracy de 0,81, 20 veces superior a la alternativa evaluada para este segmento. Para usuarios que ya hayan interactuado, pero con menos de 3 ítems diferentes, se decidió hacer una recomendación en función un filtro basado en contenido, el cual usa una asociación por las etiquetas de los temas de las preguntas y la información de las interacciones, con un acuraccy de 0,34. Finalmente, para usuarios con más de 3 interacciones de determino utilizar un filtrado colaborativo de factorización matricial no negativo con iniciación basada en una descomposición de valores singulares, con un accuracy de 0,815. Adicionalmente se entrega un plan de acción para implementar y evaluar los resultados del sistema de recomendación propuesto en un entorno de prueba.