Probablemente ya hoy has sido objeto de varios sistemas de recomendación sin darte cuenta. La lista de películas sugeridas, los productos que aparecen bajo la etiqueta "quien compró esto también compró", las canciones que la plataforma eligió para ti, los artículos que el sitio te propuso a continuación — todos son fruto de algoritmos que intentan adivinar lo que vas a querer. Los sistemas de recomendación se han vuelto una de las aplicaciones más exitosas y omnipresentes de la inteligencia artificial, y una parte enorme de lo que las empresas gigantes venden pasa por ellos. La buena noticia, que muchos ignoran, es que esta tecnología dejó de ser exclusiva de los gigantes: está hoy al alcance de empresas de cualquier tamaño.
Un sistema de recomendación tiene un objetivo simple de enunciar y difícil de ejecutar bien: sugerir el producto, el contenido o la acción correcta, a la persona correcta, en el momento correcto. Cuando funciona, es casi invisible — el cliente siente que la plataforma "lo entiende", encuentra rápido lo que quiere y descubre cosas que ni sabía que buscaba. Cuando falla, es irritante o ridículo, y mina la confianza en vez de construirla. Entender cómo funcionan estos sistemas, qué los hace buenos y dónde tropiezan, es cada vez más importante para cualquier empresa que quiera usar datos para servir mejor a sus clientes.
Este artículo desmitifica los sistemas de recomendación: la lógica detrás de ellos, sus límites, y cómo pensarlos al servicio del cliente y no solo de la venta.
Las dos grandes lógicas de la recomendación
Detrás de la mayoría de los sistemas de recomendación hay dos ideas fundamentales, muchas veces combinadas. La primera es la recomendación basada en el comportamiento de personas parecidas: si muchos clientes que se comportan como tú gustaron de determinada cosa, es probable que tú también gustes. Este enfoque — conocido como filtrado colaborativo — no necesita entender nada sobre el producto en sí; aprende solo de patrones de comportamiento. Es la lógica detrás del clásico "quien compró esto también compró aquello".
La segunda idea es la recomendación basada en las características de los propios ítems: si te gustó este producto, aquí están otros con características similares. Este enfoque mira el contenido — el género de una película, el tipo de un producto, el tema de un artículo — y sugiere cosas parecidas a lo que ya demostraste apreciar. Cada una de estas lógicas tiene fuerzas y debilidades diferentes, y los mejores sistemas las combinan para aprovechar ambas.
El problema de empezar de cero
Uno de los mayores desafíos de cualquier sistema de recomendación se llama, informalmente, el problema del arranque en frío: ¿qué recomendar a un cliente completamente nuevo, sobre quien no se sabe nada aún? Sin historial de comportamiento, el filtrado colaborativo no tiene sobre qué trabajar. Lo mismo pasa con un producto recién lanzado, que aún nadie ha comprado. Este problema del inicio — del cliente sin historial y del producto sin interacciones — es una de las razones por las que construir un buen sistema de recomendación es más sutil de lo que parece.
Las soluciones pasan por no depender de una sola lógica. Para un cliente nuevo, se puede recomendar lo que es popular en general, o pedirle algunas preferencias iniciales, o usar lo poco que se sepa sobre él. Para un producto nuevo, la recomendación basada en características permite sugerirlo a quien gustó de productos similares, incluso sin historial propio. Gestionar bien estos comienzos difíciles es parte esencial de un sistema que funciona en el mundo real, y no solo en teoría.
Los riesgos que un buen sistema tiene que gestionar
- La burbuja: recomendar siempre más de lo mismo puede acorralar al cliente en una burbuja estrecha, mostrándole solo variaciones de lo que ya conoce y escondiéndole el descubrimiento.
- El efecto de popularidad: los ítems ya populares tienden a ser más recomendados y a volverse aún más populares, mientras los buenos ítems desconocidos nunca tienen su oportunidad.
- La relevancia vacía: recomendar lo obvio — sugerir pilas a quien compró un mando — parece personalización pero no añade ningún valor.
- La confianza: una recomendación claramente mala o extraña mina la confianza del cliente en todas las demás, incluso en las buenas.
El descubrimiento importa tanto como la relevancia
Un error común al pensar en recomendación es enfocarse solo en la relevancia — sugerir lo que el cliente casi seguro va a querer. Pero si un sistema solo recomienda lo obvio, se vuelve inútil: el cliente ya lo sabía. El verdadero valor de una buena recomendación está muchas veces en el descubrimiento: mostrarle al cliente algo que no conocía pero que va a adorar. Es este equilibrio entre relevancia y sorpresa el que distingue un sistema mediocre, que solo confirma lo que el cliente ya sabe, de uno excelente, que lo ayuda a descubrir.
Encontrar este equilibrio es un arte. Recomendaciones demasiado obvias aburren; demasiado arriesgadas parecen errores. Un buen sistema mezcla la seguridad de lo relevante con la audacia del descubrimiento, dándole al cliente una selección que al mismo tiempo lo comprende y lo sorprende. Es esta capacidad de expandir los horizontes del cliente, en vez de estrecharlos, la que hace que la recomendación cree valor genuino en vez de solo empujar más de lo mismo.
Un caso concreto
Una empresa de comercio electrónico de tamaño medio tenía un catálogo vasto, pero los clientes compraban casi siempre los mismos productos populares que aparecían en la página inicial. Una parte enorme del catálogo — productos buenos, pero que los clientes simplemente no descubrían — prácticamente no vendía, no por falta de calidad, sino por falta de visibilidad. La empresa no tenía recursos para competir con los gigantes en tecnología sofisticada, pero se dio cuenta de que un sistema de recomendación, aunque simple, podía resolver este problema. Implementaron una recomendación que, a partir de lo que cada cliente había visto y comprado, sugería productos relevantes del vasto catálogo que de otra forma quedarían escondidos. El cuidado que tuvieron fue equilibrar relevancia con descubrimiento: las sugerencias eran lo bastante cercanas a los intereses del cliente para tener sentido, pero incluían productos que él no habría encontrado solo. El efecto fue doble y virtuoso. Los clientes pasaron a descubrir productos que genuinamente les interesaban y que nunca habrían visto, lo que aumentó las ventas y la satisfacción. Y la empresa pasó a vender una porción mucho mayor de su catálogo, dando salida a productos de calidad que antes quedaban olvidados. No hizo falta la tecnología de los gigantes — bastó usar los datos que ya tenían para conectar a cada cliente con lo que probablemente iba a querer. El valor no vino de un algoritmo más complejo, sino de resolver un problema real con la lógica correcta.
La recomendación al servicio del cliente
Como toda personalización, los sistemas de recomendación enfrentan una tensión entre servir al cliente y servir solo a la venta. Es posible diseñar un sistema para empujar lo que da más margen, o para adicionar al cliente a más de lo mismo, y en el corto plazo eso puede incluso aumentar números. Pero los mejores sistemas — los que crean valor duradero — son los que genuinamente ayudan al cliente a encontrar lo que le interesa, aunque eso lo lleve a descubrir en vez de solo a comprar más. Un cliente que siente que las recomendaciones le sirven confía en ellas y vuelve; uno que siente que está siendo manipulado, deja de creer en cualquier sugerencia.
Esta es la diferencia entre una recomendación que construye una relación y una que la explota. Y, como la confianza es el activo más valioso de cualquier relación con el cliente, la recomendación que la respeta acaba, también comercialmente, ganando a largo plazo.
En la práctica
Si tu empresa tiene un catálogo o una oferta que los clientes exploran, y aún comunicas con todos de la misma forma, un sistema de recomendación — aunque simple — puede conectar a cada cliente con lo que probablemente va a querer, aumentando las ventas y la satisfacción al mismo tiempo. No necesitas la tecnología de los gigantes; necesitas usar bien los datos que ya tienes sobre el comportamiento de tus clientes, con el cuidado de equilibrar relevancia y descubrimiento. ¿Estás ayudando a cada cliente a encontrar lo que le interesa dentro de tu oferta, o dejándolo perderse y comprar siempre lo mismo?
