Recomendación de Productos con Inteligencia Artificial

Recomendación de Productos con Inteligencia Artificial

Las recomendaciones de productos han existido desde que se vendieron las primeras revistas como táctica de marketing personalizada. Desde sugerencias de ingredientes para usar en una receta hasta los famosos artículos “Completa el look”, los encontrarás en las revistas de moda.

Estos métodos antiguos, aunque no eran inteligentes y, en cambio, proporcionaban sugerencias claramente subjetivas. Un sistema de recomendación inteligente y preciso para el comercio electrónico siempre está impulsado por la inteligencia artificial.

En pocas palabras, los sitios web de comercio electrónico ahora utilizan el comportamiento anterior de un comprador para ofrecer recomendaciones de productos que podrían gustarle. Algo así como si ya estuviera utilizando las preferencias de un usuario web para enviar anuncios o correos electrónicos dirigidos.

A pesar de saber cuán fuerte es el poder de la personalización, los especialistas en marketing aún no lo están haciendo correctamente y envían todas las recomendaciones de productos incorrectas. Según una encuesta de Bazaarvoice , solo el 25% de los usuarios ha visto páginas de inicio personalizadas en los sitios web y las tiendas que consultaron y menos del 20% puede decir que son muy relevantes para sus necesidades. Sin embargo, hasta el 63% de las personas querrían obtener estas ofertas exclusivas que se adaptan a sus propias preferencias.

¿Cómo encaja la IA en el proceso de recomendaciones de productos de comercio electrónico?

Entonces, echemos un vistazo completo a cómo puede hacer recomendaciones personalizadas informadas para el comercio electrónico con la ayuda de la Inteligencia Artificial y el Machine Learning. Analizaremos todo lo que necesita saber para que estos motores de recomendación funcionen para su negocio de comercio electrónico.

Si bien términos como inteligencia artificial, aprendizaje automático (machine learning), minería de datos o redes neuronales para construir un sistema de recomendación suenan muy complicados, la idea detrás de ellos es simple:

Tiene una serie de cálculos y algoritmos inteligentes que aprenden gradualmente el comportamiento de un cliente y pueden predecir cuáles son sus preferencias.

Al igual que los humanos llegan a conocer a alguien y luego pueden adivinar cuál sería el mejor regalo de cumpleaños para ellos.

Solo que la Inteligencia Artificial realmente no adivina.

Utiliza una gran cantidad de datos como:

  • consultas de búsqueda
  • historial de visualización
  • compras pasadas
  • artículos colocados en el carrito de compras
  • productos que ha recomendado en las redes sociales
  • ubicación
  • tiempo de permanencia
  • segmentos de clientes / personas compradoras
Recomendación de Productos con Inteligencia Artificial

Sin un sistema de inteligencia artificial en su lugar, probablemente simplemente asumirías lo que la gente quiere ver.

Pero los gustos y preferencias de las personas, naturalmente, van a cambiar con el tiempo. Un sistema inteligente le ayuda a mantenerse al día con las constantes alteraciones de sus necesidades y otras tendencias del mercado. Estos últimos también son el resultado de las decisiones de compra de las personas.

El principio subyacente entre el éxito de IA en la creación de recomendaciones de productos personalizadas es que existen billones de dependencias entre usuarios y artículos. Hay demasiados datos y relaciones entre ellos para que los humanos puedan hacer recomendaciones con precisión sin pasar por bases de datos completas. Esto llevaría años y años y nunca podrá mantenerse al día con los rápidos cambios.

En el fondo, todo se ve así con todos los datos interconectados:


Muchas asociaciones

Los algoritmos de cada motor de recomendación de productos pueden indicar si un usuario o artículo está asociado con otro.

Pero lo que se muestra a los usuarios es el resultado de todos estos datos y cálculos. El análisis predictivo puede parecer ciencia ficción o como si estuviera fuera de su alcance, pero la verdad es que todas las principales tiendas y sitios web en línea (e-commerce) lo están utilizando.

Naturalmente, más opciones requieren más opciones de filtrado e, implícitamente, más algoritmos que puede aprovechar para ordenar sus datos.

Ahí es exactamente donde los sistemas de recomendación de productos de comercio electrónico (E-commerce) impulsados ​​por IA entran en juego para salvar el día.

Los beneficios de las recomendaciones de productos de comercio electrónico basadas en inteligencia artificial

Junto con los efectos generales que el aprendizaje automático (machine learnig) puede tener en sus objetivos comerciales:

  • mayores ganancias
  • mayor lealtad del cliente
  • mayores tasas de conversión y valor medio del pedido

Hay varios beneficios principales que puede experimentar una vez que implemente estas recomendaciones de productos personalizadas para su tienda en línea:

Personalización

El objetivo principal de los sistemas de recomendación de comercio electrónico basados ​​en inteligencia artificial es ayudarlo a elegir los productos adecuados para mostrarlos a sus compradores. Todo está respaldado por datos reales sobre productos que les gustaron o en los que mostraron interés anteriormente, por lo que ya no tendrá que adivinar lo que los compradores podrían estar buscando.

Esto también le permitirá enviar boletines informativos personalizados en el futuro para que cada suscriptor reciba diferentes recomendaciones. Y todo el proceso está automatizado, por supuesto.

Utilice datos en tiempo real y en varios canales para obtener resultados inmediatos

El futuro de los sistemas de recomendación de productos personalizados le permitirá dirigirse a nuevos segmentos de clientes y estar presente en todas partes. En las redes sociales, aplicaciones móviles, por correo electrónico y, por supuesto, en su sitio web.

Al mismo tiempo, podrá promocionar toda su gama de productos, incluidos nuevos artículos, e incluso registrar los datos del comportamiento del usuario a medida que suceda. Entonces, si la popularidad de un producto de nicho aumenta repentinamente de la noche a la mañana, no tendrá que esperar hasta la mañana siguiente para actualizar sus recomendaciones porque todo esto se hace en tiempo real.

Automatice su estrategia de marketing de comercio electrónico (e-commerce)

Registre nuevos datos y reacciones de los clientes para poder reutilizarlos en campañas futuras.

Más allá de esto, todos sabemos que establecer presupuestos no es la parte más emocionante del marketing. Los sistemas de recomendación de IA permiten a los profesionales del marketing priorizar sus gastos de acuerdo con cómo actuarán los consumidores. Por lo tanto, no está poniendo su dinero donde a nadie le importa.

Mejore la experiencia y el compromiso del cliente

De manera similar a la automatización de sus esfuerzos, estos sistemas digitales le permiten mantenerse al día constantemente con los intereses cambiantes de un usuario. Como humanos, siempre buscamos ahorrar tiempo, por lo que preferimos que nos muestren lo que nos gusta para no tener que hacer la búsqueda nosotros mismos.

Como resultado, es más probable que las personas recuerden su marca y sitio web si alguna vez les brindó una buena experiencia de cliente. Esto da como resultado compradores más leales y recurrentes que también pueden recomendarte a sus pares.

Mejorar el valor del carrito

Si ha estado en el negocio del comercio electrónico por un tiempo, probablemente ya tenga cientos, si no miles, de productos en su tienda. De hecho, los métodos basados ​​en inteligencia artificial para recomendar productos a los clientes funcionan mejor cuando hay más datos para usar.

Recomendar las mismas cosas una y otra vez claramente no mejorará el valor de los carritos de las personas, ya que ya han visto esos productos, no están interesados ​​en ellos o es posible que no quieran volver a comprarlos. En cambio, está utilizando su gran base de datos de productos para recomendar siempre nuevos productos que se adapten a sus necesidades y deseos.

Este beneficio, en particular, tiene un valor más alto para las tiendas de comercio electrónico que ofrecen envío gratuito. Su objetivo es lograr que un cliente compre tantas cosas como sea posible una vez para que no tenga que pagar varias veces por el envío de la misma cantidad de artículos a una persona.

Métodos de recomendación de productos tradicionales frente a basados ​​en inteligencia artificial para el comercio electrónico en la práctica

Hace años, cuando el aprendizaje automático era mínimo, los sitios web y las tiendas electrónicas usaban sistemas de recomendación manuales.

Los usuarios y compradores recomendaron un producto a sus amigos o crearon listas de “recomendaciones” para productos que debe usar, películas que debe ver o simplemente artículos de belleza que debe probar este año. Las listas de IMDB y Pinterest siguen siendo populares en estos días.

Luego tenías tus listas clásicas [todavía en uso pero ya no tan confiables debido a su subjetividad] Top 10 o Best que fueron seleccionadas manualmente por el propietario, comercializador o escritor de un sitio web.

Las recomendaciones de productos existen hoy en día en varias formas. Incluso elegir mostrar un artículo sobre otro en su página de inicio es una forma de recomendar productos a los clientes.

Mostrar artículos populares por número de ventas

Esta técnica no personalizada no se basa en las elecciones individuales de un usuario, sino en las preferencias colectivas.

Las recomendaciones se muestran en función de criterios como:

  • La cantidad de artículos comprados [como cuando se lanza un nuevo modelo de iPhone y todos se apresuran a comprarlo]
  • Cuánto tiempo dedicaron los compradores a ver ese artículo [colocar repetidamente un artículo en el carrito o dedicar más tiempo a ver una película o video como para el algoritmo de YouTube]
  • Número de visitas y compras de artículos en su país o área

Cuando un usuario ingresa a un sitio web, los datos se registran en segundo plano, pero como podría ser la primera vez que ingresa a esa tienda, las recomendaciones son muy generales y se basan en la popularidad general.

recomendaciones de productos de etsy

Etsy es un ejemplo perfecto de una plataforma de comercio electrónico que utiliza elementos populares para mostrar recomendaciones. Aquí hay una foto de su página de inicio:

Note el posicionamiento central de sus recomendaciones. La idea detrás de mostrar productos populares primero es que, dado que muchas personas ya los han comprado, existe una gran posibilidad de que alguien más esté interesado en ellos también.

Aunque al utilizar este método no está realmente personalizando la experiencia del cliente, mostrar elementos populares le permite dirigirse a los usuarios nuevos que aún no tienen una cuenta.

A modo de comparación, así es como se ve mi página de inicio de Etsy una vez que he iniciado sesión:

recomendación de productos personalizados de etsy

La plataforma registró todas mis visualizaciones de productos anteriores [sí, busqué hace estos años] y los elementos que agregué a mis favoritos. Luego, hicieron correlaciones automáticas con productos similares de la misma categoría o vendedor.

Recomendaciones basadas en el historial de navegación

Tal como lo indica su nombre, está recibiendo nuevas sugerencias de productos basadas en los productos que ya ha visto.

El ejemplo de Etsy anterior hace exactamente eso, como casi todas las tiendas de moda en línea.

Aquí hay una comparación clara entre las recomendaciones y los artículos vistos recientemente en Asos, por ejemplo:

recomendación de productos en tiendas de comercio electrónico

Puede saber que el sistema funciona, ya que varias de las prendas recomendadas son las mismas que ya ha mirado.

Aquí hay otro ejemplo de Tiffany & Co:

recomendaciones basadas en vistas de productos

Venta cruzada y venta adicional

Otros dos métodos para recomendar productos que se hacen comúnmente de forma manual son la venta cruzada y la venta adicional. Ambos están destinados a ayudar a las personas a elegir los mejores artículos posibles y al mismo tiempo aumentar sus ingresos, incluso si está vendiendo a un nuevo cliente.

La venta cruzada es una estrategia para recomendar productos basados ​​en un artículo que un cliente ha decidido o que ya posee.

Todo el mundo realiza ventas cruzadas de una forma u otra, desde el postre que le recomiendan en un restaurante hasta las baterías que necesitará para que su nueva báscula de cocina funcione.

Hay literalmente docenas de técnicas para usar en las recomendaciones de productos con un propósito de venta cruzada como:

Compra el look:

comprar el look ecommerce

Obtén estos accesorios para acompañar tu compra principal:

eBay usando venta cruzada

Descuentos especiales para accesorios relevantes al comprar un artículo específico como en la tienda Crutchfield:

producto de venta cruzada de descuento

No todas las recomendaciones de productos se centran en la venta cruzada .

El siguiente paso sería aumentar las ventas de los artículos de su tienda en línea haciendo que las personas también compren productos que sean:

  • más caro
  • o simplemente agregue funciones por un costo adicional a la elección inicial

Apple ha dominado esta técnica de ventas adicionales, guiando a los compradores a optar por un modelo más grande o más espacio de almacenamiento a un costo adicional:

upselling tienda online

Obtendrá el mismo teléfono pero con funciones adicionales que mejoran el rendimiento y que son fáciles de vender mediante recomendaciones.

El método de upselling más básico y común se basa en el tamaño, lo que hace que las personas opten por una versión grande del producto que desean:

comercio electrónico de ventas adicionales según el tamaño

Sistemas de recomendación basados ​​en la ubicación

Con este sistema de recomendación de productos, la personalización es mínima ya que solo tenemos en cuenta la ubicación de un usuario. 

Puede optar por esta opción si no tiene o no recopila otro tipo de información.

El problema es que si bien este sistema es fácil de implementar, no aporta mucho valor. Las opciones de personalización son malas y existe una alta probabilidad de que todos reciban aproximadamente las mismas recomendaciones, dejando atrás sus nuevos productos.

Al optar por este sistema, los especialistas en marketing de comercio electrónico optan por mostrar un descargo de responsabilidad como “A las personas que te rodean también les gustó” o “Las personas en tu área también compraron”. El objetivo detrás de este método es intentar adivinar las posibles relaciones o particularidades sociales de las personas en un área geográfica. Si vende mercadería en todo el mundo, es posible que desee mostrar productos que sean adecuados para las vacaciones o eventos actuales únicos de un país específico en dichas secciones.

Una de las campañas similares más comunes podría ser la de “Temporada de regreso a clases”. El primer día de clases varía de un país a otro. Un padre de Australia, donde la escuela comienza alrededor del 1 de febrero, no estará interesado en ver anuncios de suministros de oficina y mochilas en agosto, que es un mes común para que las escuelas de EE. UU. Abran.

Sin embargo, francamente, hay un uso limitado de las recomendaciones basadas en la ubicación cuando vende a nivel internacional o nacional. En cambio, es un método que usa a través del teléfono móvil para atraer personas a sus tiendas físicas cuando están en la ciudad o pasan por su tienda.

Técnicas de filtrado basadas en contenido para recomendaciones de productos de comercio electrónico

Este método se basa en las similitudes entre los artículos que vende: productos, películas, canciones, cualquier cosa.

Cada uno de estos elementos tiene una serie de características o características que los definen y cada par de usuarios se toma individualmente y se compara entre sí.

Supongamos que vende películas en una sección de su tienda en línea.

Entonces tienes un cliente que te compró previamente 10 películas. 8 de esas 10 películas fueron animadas o tal vez tenían el mismo director. Lo que hace el filtrado basado en contenido es utilizar una serie de sistemas de datos booleanos para juzgar cuál sería la mejor recomendación para ese cliente en función de las características de las adquisiciones anteriores y las películas que revisaron o incluso agregaron a su carrito.

Como resultado, en este caso, lo más probable es que el sistema recomiende un montón de películas animadas del mismo director o con los mismos temas.

sistema de recomendación de filtrado basado en contenido

Es realmente tu acertijo matemático básico:

A María le gustan las manzanas y las naranjas. A José le gustan las naranjas. Entonces, hay muchas posibilidades de que a José también le gusten las manzanas.

Cuantas más características tengan en común dos elementos, mayor será la posibilidad de que sean recomendados.

El problema con el filtrado de contenido solo es que necesita recopilar MUCHOS datos para dar una recomendación perfecta.

Para una película, necesitas recopilar información sobre género, géneros secundarios, duración, actores y otro equipo de filmación, año de lanzamiento, idioma, etc. De hecho, cuando Netflix comenzó, no tenían ninguna técnica inteligente basada en IA en place, por lo que solo pidieron a sus usuarios que completaran una encuesta larga de antemano.

Estos datos de preferencias claramente no eran precisos, ya que requería que las personas seleccionaran manualmente respuestas de las que no estaban completamente seguros en primer lugar. Además, describir cuánto ves un género de película sobre otro es bastante difícil de todos modos.

Esta técnica de recomendación para el comercio electrónico es una buena opción para las tiendas que recién están comenzando y tienen algunas compras pero ninguna calificación. El motor de recomendaciones de comercio electrónico podrá utilizar las adquisiciones pasadas de otro comprador o el contenido del carrito para hacer sugerencias a otros usuarios.

Airbnb también utiliza filtros basados ​​en contenido para recomendar estancias según las preferencias del anfitrión. ?

¿Alucinante? Sin embargo, es muy simple en la práctica.

Los anfitriones tienen derecho a aceptar o rechazar invitados. Si eres un usuario activo de Airbnb, es posible que hayas notado que hay un cierto orden en el que obtienes los primeros resultados. Esto se basa en los criterios y las tasas de aceptación anteriores de los anfitriones.

Por lo tanto, con los alojamientos en la primera página de sus resultados, existe una mayor probabilidad de que el anfitrión acepte su estadía. Pase a las páginas 10 y siguientes y es probable que no pueda quedarse allí. Quizás hayas estado buscando anfitriones que acepten mascotas antes o necesites una estadía prolongada.

En la práctica, la plataforma también tiene en cuenta sus propias preferencias y las correlaciona con la posibilidad de que el anfitrión le dé el visto bueno.

Así es como se ve una búsqueda de Airbnb para estadías en Londres cuando no estás conectado:

recomendaciones de airbnb

Una vez que me conecto, primero me recomiendan estadías en Airbnb Plus [esto es lo que he estado viendo comúnmente], así como apartamentos que tienen cocina, lavadora y Wi-Fi [Siempre he marcado estas instalaciones como obligatorias ]:

recomendación de producto de airbnb

Resultados completamente diferentes adaptados a mis preferencias. Garantizado para ayudar a las personas a encontrar la estadía perfecta más rápido y aumentar las tasas de conversión de Airbnb.

¿Te gustaría tener este sistema para tu e-commerce?

En Brita Inteligencia Artificial te podemos ayudar.

Técnica de filtrado colaborativo

El más popular de todos los métodos de recomendación de productos, la técnica de filtrado colaborativo se basa únicamente en cómo otros clientes y usuarios han calificado previamente un producto que compraron.

El método surge de la idea de que las personas con compras y gustos anteriores similares probablemente también querrán usar las mismas cosas en el futuro. Además de esto, confía en las elecciones reales que la gente ha hecho en lugar de las calificaciones simples que pueden ser solo una estimación.

Ahora, hay dos formas principales en las que puede hacer esto:

  1. Utilice la clasificación de estrellas clásica y pida a las personas que dejen una recomendación
  2. Haga que las personas elijan entre dos o más productos y el sistema clasificará automáticamente uno sobre el otro en el backend

El proceso es simple pero bastante largo.

Así es como empieza todo:

  • El usuario A califica un producto con 4 estrellas.
  • B califica el mismo producto con 4 estrellas.
  • A continuación, al usuario A le gusta un producto y le da 5 estrellas.
  • A B se le recomendará el mismo producto que el usuario A ha calificado con 5 estrellas, ya que asume que al usuario B también le gustará.
filtración colaborativa

Como puede imaginar, este análisis continúa para miles de millones de consultas para todos en su base de datos hasta que se crean perfiles completos para que las recomendaciones personalizadas sean cada vez más precisas.

La buena noticia es que con los sistemas de recomendación, todo lo hace la computadora. De lo contrario, literalmente tendría que crear perfiles manualmente para cada usuario.

Si bien juzgar un producto en función de las reseñas de una persona real crea confianza, el método carece en general porque los usuarios aún deben tomar medidas para enviar sus calificaciones.

Un mejor enfoque para este método [y por qué somos tan dependientes de los algoritmos de IA] es tomar su gran base de datos y aprender esas calificaciones de su comportamiento .

Si una persona compra la misma pasta de dientes con regularidad, el sistema puede asumir que un usuario le ha dado una calificación alta. Por otro lado, si un producto se devuelve o nunca se vuelve a comprar a favor de una opción de la competencia, ese artículo específico obtiene una calificación baja.

Recomendaciones basadas en calificaciones

Han existido por un tiempo y se pueden colocar en la lista de métodos tradicionales. Sin embargo, se convierten en un filtrado colaborativo una vez que comienzas a hacer recomendaciones personalizadas basadas en los perfiles de los usuarios y no solo mostrando una lista de los mejor calificados en tu página de inicio.

Best Buy utiliza este tipo de recomendaciones básicas de productos en línea basadas en calificaciones generales:

recomendación basada en calificaciones

Técnica de filtrado colaborativo:

La técnica anterior de filtrado colaborativo entre usuarios emparejaba elementos según las compras y el comportamiento de diferentes usuarios. Con el método de personalización de artículo a artículo, los productos dentro del perfil de un solo usuario están interconectados sin depender de otros compradores.

Por ejemplo, si anteriormente compró utensilios de cocina de una marca, se le recomendarán más artículos de cocina de esa misma empresa.

Amazon es un ejemplo perfecto de esta técnica:

“Amazon.com utiliza ampliamente algoritmos de recomendación para personalizar su sitio web según los intereses de cada cliente. Debido a que los algoritmos de recomendación existentes no pueden escalar a las decenas de millones de clientes y productos de Amazon.com, desarrollamos los nuestros. Nuestro algoritmo, filtrado colaborativo de artículo a artículo, escala a conjuntos de datos masivos y produce recomendaciones de alta calidad en tiempo real “. – Greg Linden, Brent Smith y Jeremy York

También utilizan recomendaciones de paquetes en los que los productos que a menudo se compran juntos se recomiendan como una táctica de venta cruzada que se basa en los datos de compras anteriores de los compradores. Al menos en teoría, puede utilizar un sistema de recomendación de productos de comercio electrónico basado en inteligencia artificial para mostrar las elecciones de productos reales que han tomado los usuarios en lugar de seleccionarlas a mano.

¿Recuerda cómo dije que las recomendaciones de productos personalizados inteligentes podrían aumentar el valor del carrito?

Tome este ejemplo de un producto que se coloca con frecuencia en un carrito con otros productos similares, ya que se recomiendan en la sección “Comprados juntos con frecuencia”:

técnica de filtrado colaborativo en amazon

Recomendaciones de productos de comercio electrónico híbrido

La mayoría de los sitios web principales utilizan técnicas de filtrado colaborativas y basadas en contenido para garantizar la precisión de las recomendaciones personalizadas. Para decirte la verdad, esta es la norma y no puedes hacerlo solo con una técnica.

Es por eso que nunca se te recomendará una película de terror si nunca has hecho clic en una, aunque otro usuario con un perfil similar al tuyo haya dado 5 estrellas a una película de terror.

Si todavía es escéptico sobre el poder de la IA, solo tenga en cuenta que estos sistemas de recomendación híbridos le han ahorrado a Netflix casi mil millones de dólares cada año. Y si usted mismo es un usuario de Netflix, debe admitir que probablemente siempre esté viendo lo que le recomiendan.

La razón por la que buscaron el sistema híbrido en primer lugar fue porque se dieron cuenta de lo que todo propietario de una tienda de comercio electrónico debería saber:

Cada cosa que pones en tu sitio web es una recomendación en sí misma.

Desde lo que elige mostrar en su página de inicio hasta el orden de sus categorías y videos.

El simple hecho de usar la técnica basada en calificaciones no sería de utilidad para Netflix, ya que varios miembros del hogar usan la misma cuenta. Como resultado, sus recomendaciones están destinadas a varias personas de todos modos.

Sistemas de recomendación basados ​​en el conocimiento

Este sistema de recomendación traza las relaciones entre los productos y las necesidades de las personas a partir de un conjunto de reglas predefinidas. En comparación con los métodos anteriores para recomendar productos, este método es mejor cuando se usa para impulsar productos que no se compran con regularidad. Como un nuevo hogar, automóvil, destino de vacaciones o caro reloj Rolex.

Para los artículos de lujo en particular, simplemente no puede haber suficientes calificaciones.

Cuando compra algo para usar durante más de 5 años o incluso toda la vida, confía en mucho más que una calificación.

De hecho, muchos vendedores que se ocupan de estos artículos ni siquiera muestran una calificación, ya que la marca hará el trabajo de recomendación. Además, las preferencias por estos productos pueden cambiar radicalmente. Si compra un automóvil nuevo cada 10 años, siempre hay una tecnología considerablemente más nueva que debe tenerse en cuenta.

Dejando a un lado todas las calificaciones, el sistema de recomendación basado en el conocimiento utiliza consultas [o búsquedas si lo desea] para deducir lo que están buscando a partir de un gran conjunto de datos. De ahí el nombre. Las bases de conocimiento son la base de datos donde agrega las especificaciones de cada artículo que vende, como caballos de fuerza para automóviles o la cantidad de habitaciones para apartamentos.

Cuando busca un automóvil en Cars.com, también puede optar por un filtrado avanzado que esencialmente muestra todos los elementos de su base de conocimientos:

recomendaciones de productos: filtrado avanzado de automóviles para comercio electrónico

Usted marca sus preferencias y el algoritmo calcula las mejores recomendaciones posibles comenzando con las opciones que cumplen con todos sus criterios.

Piense en ello como un filtrado avanzado que ocurre en cuestión de segundos.

Palabras finales sobre cómo elegir el sistema de recomendación de productos personalizado adecuado para su sitio web de comercio electrónico

Para evaluar si un sistema de recomendación para el comercio electrónico funciona como debería en su caso, simplemente realice pruebas A / B [las pruebas multivariadas también son una opción].

Comience con un par de predicciones y una hipótesis como “Este algoritmo mejorará la participación en un X%”. Cada alternativa se basará en una técnica de recomendación separada.

Disney ha estado utilizando la IA de Recomendaciones de Google para realizar pruebas A / B en sus recomendaciones de productos temáticos.

Esta solución les ayudó a darse cuenta de que mostrar productos relevantes “Más como este” basados ​​en el comportamiento de compra anterior de una persona y no solo en relación con los productos que vieron mejoró su CTR, aumentó sus ingresos y resultó en más acciones de “agregar a la bolsa”. . A cambio, esto también ha proporcionado datos para su sección “Comprados juntos con frecuencia” para mantener a los compradores informados a través de la venta cruzada.

Aquí encontrará más información sobre su experiencia y cómo utilizaron los datos de un año para mejorar la experiencia de los compradores:

Los motores de recomendación como estos son la razón por la que a menudo ves recomendaciones tan precisas en las tiendas de comercio electrónico.

Intente probar solo las técnicas de recomendación de productos de comercio electrónico con una mayor probabilidad de éxito 

Dicho esto, probar la técnica de filtrado colaborativo frente a las técnicas de filtrado basadas en contenido es simplemente una pérdida de tiempo, ya que la mayoría de las tiendas de comercio electrónico ya están utilizando la técnica híbrida, ya que se ha demostrado que brinda más precisión.

Sus desarrolladores probablemente se ocuparán de los aspectos técnicos, pero usted todavía tiene un papel importante como especialista en marketing: decidir en qué página probar las recomendaciones de productos en línea. Esta puede ser cualquier ubicación siempre que pueda recopilar suficientes datos. Preferiblemente, envíe la prueba a solo el 20% de su tráfico para no romper las recomendaciones para todos en caso de que algo salga mal.

Si desea probar todos estos sistemas personalizados de recomendación de productos en línea de manera segura, sin interferir con los datos en vivo, puede hacer que su equipo de desarrollo web o de datos realice pruebas en su zona de pruebas [que es la etapa de prueba, antes de que nada esté en vivo y disponible para todos en público].

En ambos casos, preste atención a sus KPI y cómo les afecta una técnica individual.

Sus tasas de clics y de conversión para cada artículo y no solo a nivel de toda la tienda son dos opciones seguras con las que puede comenzar si no ha realizado pruebas A / B antes.

Las empresas de comercio electrónico de todo el mundo ya utilizan recomendaciones de productos personalizadas para retener a sus clientes y aumentar las ganancias. Si se tomó el tiempo de repasar toda la guía anterior, probablemente ya conozca el potencial de la IA.

Su siguiente paso es elaborar un plan para cambiar de cualquier método tradicional que pueda estar utilizando a los basados ​​en inteligencia artificial para profundizar en los intereses de los clientes y ofrecer mejores recomendaciones de productos.

En Brita inteligencia Artificial le podemos apoyar a desarrollar un e-commerce con estás funciones o integrarle un algoritmo para recomendar contenido y productos de acuerdo a los hábitos y comportamientos de sus usuarios.

Brita Inteligencia Artificial

Recomendación de Productos con Inteligencia Artificial, Marketing con Inteligencia Artificial, Inteligencia Artificial para Marketing.