Saltar al contenido
Noticias de tecnologia

richrelevance: ¿Es su sistema de recomendación adaptable la próxima generación?

richrelevance: ¿Es su sistema de recomendación adaptable la próxima generación?

La semana pasada analizamos Baynote, una empresa de recomendaciones que se centra en el comportamiento de la comunidad en tiempo real en lugar de la personalización. Hoy vemos una empresa que adopta un enfoque más amplio: richrelevance utiliza la personalización de manera extensiva, además de la sabiduría de las multitudes cuando es relevante. richrelevance afirma que su enfoque es la “inteligencia artificial adaptativa” y que clientes como Sears y KMart están utilizando su tecnología. Hablamos con el fundador y director ejecutivo de richrelevance, David Selinger (ex-Amazon), para obtener más información sobre el producto y lo que lo hace diferente a Baynote y otros.

Como antecedentes, David Selinger dirigió una vez el brazo de investigación y desarrollo del equipo de personalización y minería de datos de Amazon. Selinger nos dijo que trabajaba para el “director de algoritmos” Udi Manber en Amazon, donde su papel era mejorar la tecnología de recomendaciones de Amazon (nota: Manber es ahora uno de los vicepresidentes de ingeniería de Google). Después de Amazon, Selinger trabajó en Overstock y finalmente creó su propia empresa de recomendaciones, richrelevance, que otorga licencias de su tecnología a sitios web de comercio electrónico.

Como señalamos en nuestra publicación anterior, nuestra serie sobre motores de recomendación ha demostrado que todas las empresas de este mercado, incluidas aquellas que crean su propia plataforma, como Amazon y Netflix, tienen diferentes enfoques e ideas sobre lo que hace que un buen motor de recomendaciones. La clave del enfoque de richrelevance, dijo Selinger a ReadWriteWeb, es que las personas no compran lo mismo y, por lo tanto, se utilizarán diferentes tipos de recomendaciones para cada comprador. Esto es marcadamente diferente del enfoque de Baynote, que excluye específicamente el comportamiento de compra pasado de un usuario y, en cambio, se centra en los patrones comunitarios en tiempo real.

En la cosmovisión de richrelevance, los compradores de Amazon son diferentes a los de Sears, una de las empresas que utiliza la tecnología de richrelevance. Además, una persona que tiene un historial de compras en una tienda es diferente de alguien que es totalmente nuevo en ese sitio. Entonces, a diferencia de Baynote, richrelevance tiene en cuenta el historial de compras de un usuario, si se conoce.

Si miramos un ejemplo de Sears, en la página de este artículo, las recomendaciones de gran relevancia se muestran en dos lugares: a la izquierda hay un cuadro ‘Personas que vieron x También vieron’, y en la parte inferior de la página hay un ‘Más vendidos ‘ sección. Selinger nos dijo que si un usuario de Sears tiene un largo historial de compras, verá recomendaciones en Sears basadas en eso. Les preguntamos si necesitan iniciar sesión en Sears como un usuario registrado, pero Selinger nos dijo que está basado en cookies y, por lo tanto, no tiene en cuenta su perfil de usuario registrado de Sears.

Tecnología de richrelevance: ¿es mejor que la de Baynote?

Teníamos curiosidad por saber por qué richrelevance cree que su enfoque es superior a los que excluyen el comportamiento del usuario personal, como el historial de compras (como Baynote). Selinger nos dijo que richrelevance ejecuta constantemente pruebas A / B, al igual que lo hace Amazon, para descubrir cuáles son los métodos de recomendación más efectivos para un cliente determinado (por ejemplo, Sears) o un usuario individual. Este enfoque lleva a utilizar una combinación de “sabiduría de las multitudes” y “personalización”.

La teoría es que el consumidor le dirá qué tipo de recomendaciones le gustan; por ejemplo, en Sears a los usuarios les pueden gustar las recomendaciones basadas en artículos en ciertos productos, pero la personalización en otros productos. Selinger utilizó la analogía del “comprador personal”; richrelevance intenta diferentes formas de ayudar a los usuarios a comprar, encontrando la mejor manera mediante prueba y error. Hay diferentes tipos de interacción para cada cliente, dijo Selinger.

Preguntamos cómo funciona este enfoque para un cliente nuevo, porque presumiblemente no habrá un historial de compradores para usar. Selinger respondió que richrelevance “funciona bien de inmediato, pero lleva un tiempo obtener excelentes recomendaciones”. Por lo tanto, pueden comenzar con un nuevo cliente utilizando datos existentes que posee Richrelevance (por ejemplo, de un proveedor similar) y luego recopilar y probar datos sobre el nuevo cliente.

En cuanto a la tecnología detrás de richrelevance, David Selinger la ha denominado “aprendizaje conjunto”. En una publicación de blog reciente, en respuesta a la publicación de ReadWriteWeb’s Guide to Recomender Systems, David Selinger escribió que “ningún enfoque de ‘algoritmo único’ puede esperar mantenerse al día con la mentalidad de los consumidores en constante cambio”, por lo que richrelevance no intenta forzar a los minoristas y consumidores “en un solo cubo”. En cambio, Selinger dice que richrelevance ha “construido un sistema que se adapta al minorista y a cada cliente en tiempo real”, que se realiza a través de “un tipo adaptativo de inteligencia artificial llamado Bayesian Ensemble Learning”.

En un comentario sobre una publicación reciente de RWW, Selinger afirmó que “los algoritmos como el filtrado colaborativo son cosa del pasado” y que el aprendizaje conjunto es la próxima generación más allá de eso.

Conclusión

En última instancia, solo los clientes de richrelevance y Baynote saben si sus recomendaciones están funcionando. Ambas empresas afirman que su tecnología genera mayores ventas para sus clientes de comercio electrónico; richrelevance dice que da como resultado un “aumento sostenido de ventas del 5% al ​​30%” para sus clientes. Es difícil para ReadWriteWeb corroborar ese tipo de cifras. Lo que es que Baynote se centra más en el comportamiento de la comunidad, mientras que richrelevance tiene en cuenta tanto los datos personales como los de la comunidad, incluido el historial de compras, que Baynote excluye.

Tenemos la impresión de que el enfoque de richrelevance es muy amplio, tal vez también ¿amplio? En un hilo de correo electrónico con David Selinger, nos contó sobre algunas de las diferentes formas de recomendaciones:

“… Puede ser contextual básico (estás mirando a Adidas, aquí hay más Adidas) o contextual social (estás mirando a estos Adidas, la gente que lo vio finalmente compró esto); puedes tener un comportamiento básico (ayer miraste a Adidas, aquí hay más de Adidas), o un comportamiento social (ayer miraste estas 10 cosas, las personas que las miraron terminaron comprando una de estas 3 cosas); o perfil básico (aquí hay algo de tu lista de deseos) a perfil social (parece que te gusta la música rock, aquí hay algo de música rock nueva) “.

Esa es una gran cantidad de datos que richrelevance está tratando de procesar, en tiempo real. Háganos saber en los comentarios si le gusta el enfoque adaptativo de las recomendaciones de richrelevance o si cree que el enfoque más centrado de Baynote es mejor.