Evaluación y mejora de un motor de recomendaciones aplicado a un proveedor de consumo masivo en canal tradicional

Abstract

El presente trabajo muestra el estudio y desarrollo de una nueva metodología para el cálculo de las ventas incrementales que genera un motor de recomendaciones utilizado por un proveedor de productos de consumo masivo, con tal de resolver los distintos problemas que presenta la actual metodología. Otra línea del presente trabajo es detectar posibles mejoras en esta herramienta de recomendaciones a través del desarrollo de un nuevo modelo de recomendación y experimentos que permitan confirmar ciertas hipótesis relacionadas principalmente a la distribución de las distintas estrategias que se utilizan. Los métodos dentro de este trabajo utilizan los datos transaccionales históricos de la empresa fabricante. En el caso del análisis de venta incremental se consideraron datos desde el periodo en que se implementó este motor de recomendaciones, mientras que para el desarrollo de una nueva estrategia de recomendación se utilizaron los datos transaccionales de los últimos 6 meses. En relación al problema del cálculo de ventas incrementales, se utilizó una metodología basada en el análisis descriptivo de los datos de venta históricos. Donde se estudió a profundidad la evolución que han tenido las ventas incrementales a lo largo del tiempo y como éstas se relacionan con los distintos indicadores utilizados en su cálculo. Lográndose encontrar factores que influencian a estos indicadores de manera tal, que llevan a realizar cálculos erróneos que provocan una subestimación del valor que entrega la herramienta en términos de venta incremental en al menos USD 6.000.0000. Proponiendo seguido de esto una metodología que permita magnificar el valor real de este motor de recomendaciones. En relación al desarrollo de una nueva estrategia de recomendación se utilizó un modelo de filtros colaborativos, que permite generar recomendaciones más acertadas en función de las preferencias de cada uno de los clientes. Preferencias caracterizadas en función del historial de compra de cada cliente. Finalmente para validar el impacto del nuevo modelo de recomendación y las hipótesis acerca de las distribuciones de estrategias, se realizan experimentos de campo con grupos de control y experimentales definidos. Teniendo como principales resultados que la nueva estrategia de filtros colaborativos no presenta diferencias significativas respecto a la estrategia a reemplazar, que la posición en la que se encuentra la recomendación dentro de la pantalla de recomendaciones afecta de manera directa a la efectividad que la recomendación tendrá y en última instancia que el número de recomendaciones por estrategia no tiene un efecto significativo sobre la efectividad de esa estrategia.