Motores de recomendación: tomar mejores decisiones

Motores de recomendación: tomar mejores decisiones

pulgar1

Uno de los rasgos más reveladores de las empresas de l. a. nueva technology virtual es l. a. capacidad de ofrecer recomendaciones prácticas. L. a. mayoría de las veces, l. a. ventaja competitiva de estas primeras empresas digitales se correlaciona con l. a. precisión de los motores de recomendación.

Piense en las empresas que han revolucionado sus respectivas industrias. Ya sea Netflix, Spotify o Amazon, todos ellos originalmente crearon motores de recomendación como su herramienta major para fidelizar y fidelizar a los clientes. L. a. forma en que Spotify puede descubrir nueva música que disfrutarás con una precisión sin precedentes y sin ninguna entrada visual de tu parte es lo que lo hizo destacar de l. a. competencia. A medida que pasa el tiempo, se vuelve aún más inteligente y preciso, lo que permite un ciclo interminable de creación de valor.

En muchos sentidos, los sistemas de recomendación permiten mantener un flujo cada vez mayor de información, productos y servicios nuevos. Con 60 000 canciones cargadas diariamente en Spotify, más de 500 horas de contenido cargadas en YouTube cada minuto y decenas de millones de fotos cargadas en Instagram todos los días, se vuelve significativamente más difícil tomar decisiones informadas sobre qué comprar, ver y consumir a continuación. . Ser capaz de navegar esta abundancia de contenido de una manera significativa se siente como un superpoder, y es exactamente por eso que los clientes tienden a preferir estos servicios sobre otros.

espacio en blanco

Manipulación de recomendaciones

Los números también son muy reveladores. Por ejemplo, Netflix afirma que tres de cada cuatro películas que ve l. a. gente provienen de recomendaciones personalizadas. En tal caso, el sistema de recomendación tiene una influencia sin igual en las elecciones de las personas. Surge una pregunta inevitable e infinitamente engañosa: ¿cuántas de esas recomendaciones son justas e imparciales? Dado que l. a. mayoría de consultores de análisis predictivo y los ingenieros de aprendizaje automático están de acuerdo en que es casi imposible eliminar por completo el sesgo de l. a. IA, ¿qué tan justas son realmente esas recomendaciones? Y lo que es más importante, ¿se pueden manipular las recomendaciones?

En esencia, manipular l. a. salida de un sistema de recomendación es fácil para los ingenieros. En 2018, el lanzamiento del nuevo álbum de Drake rompió récords de transmisión de un solo día en Spotify. Si bien l. a. inmensa popularidad de Drake está fuera de discusión, muchos atribuyen su éxito a l. a. promoción ‘en tu cara’ orquestada por Spotify. No solo las nuevas canciones del artista se colocaron en aparentemente todas las listas de reproducción, incluidas ‘Ambient Relax’ y ‘Absolute best of British’ (Drake es un artista canadiense), sino que muchos usuarios reportado una presencia excesivamente creciente de Drake en sus recomendaciones. Si bien nunca sabremos qué hizo realmente Spotify detrás de l. a. cortina, hay muchos factores que sugieren que se trató de una promoción paga. Si bien l. a. publicidad no tiene nada de malo, disfrazarla como una salida del motor de recomendación parece injusto.

¿Podemos hacer algo al respecto? Esto parece poco possible. A pesar de l. a. gran reacción de los usuarios y l. a. amplia cobertura mediática de las tácticas turbias de Drake, l. a. base de usuarios de Spotify está creciendo constantemente año tras año desde entonces.

Tomar mejores decisiones en todos los ámbitos

El uso de los motores de recomendación va mucho más allá de atraer clientes a una determinada plataforma; también se trata de tomar mejores decisiones comerciales. En los próximos años, el trabajo de los especialistas en advertising, los gerentes de marca, los profesionales de recursos humanos, los diseñadores de UX y los redactores se verá incrementado cada vez más por diferentes tipos de sistemas de recomendación. Esencialmente, estos sistemas son sus plataformas convencionales de análisis de datos rediseñadas en asesores digitales mucho más convenientes y fáciles de usar.

En lugar de analizar datos para determinar manualmente qué tipo de campaña de advertising será l. a. mejor para un público objetivo en explicit, este proceso se parecerá a explorar sugerencias en Amazon. Algo así como: “El grupo de clientes que reaccionó positivamente a este tipo de publicidad también hizo clic en este anuncio” o “Este grupo objetivo tiene un 80 % más de probabilidades de ser atraído por ofertas top class que por promociones 2 por 1”. Etcétera.

De manera equivalent, herramientas como Watson Tone Analyzer de IBM pueden revisar el correo electrónico de un ejecutivo en toda l. a. empresa con respecto a los cambios en l. a. estructura organizacional y sugerir ciertas revisiones para hacerlo más claro, transparente y alentador. Según el grupo objetivo seleccionado, los redactores recibirán recomendaciones sobre l. a. elección de palabras. Los diseñadores de UI recibirán recomendaciones basadas en datos sobre qué fuente se adaptará mejor a un tipo explicit de aplicación. Nuevamente, existen muchas herramientas de este tipo disponibles en el mercado hoy en día, solo que necesitan brindar una experiencia más amigable para el consumidor.

Ya es hora de que dejemos de asociar los sistemas de recomendación únicamente al comercio electrónico. Los motores de recomendación se pueden utilizar no solo para sugerir productos, sino también para proporcionar consejos basados ​​en datos que pueden ayudar a agilizar l. a. toma de decisiones. Con las innovaciones en curso en ML e IA, es seguro que los sistemas de recomendación seguirán dominando las experiencias de los consumidores y los empleados.

Pasaporte En Linea