Participo en el Conversion Thursday de Julio

Mañana jueves, a las 7 de la tarde, tendré la oportunidad de participar en el Conversion Thursday de Madrid, en una mesa donde Alberto López Valenzuela y yo hablaremos sobe Sistemas de Recomendación y estrategias en Social Media.

El Conversion Thursday es un evento mensual en el que se tratan temas relacionados con el marketing online y la analítica web, y que he tenido la oportunidad de conocer gracias a Bárbara Mackey, compañera de trabajo de mi mujer en CajaMadrid. Aunque la organización del evento está integrada por varias personas, quiero darle las gracias por la invitación y las gestiones a Sergio Maldonado.

Alberto López Valenzuela es CEO y fundador de Alva, una empresa especializada en el análisis de reputación corporativa.En mi caso, aunque de marketing online sé bien poco, y de analítica web aún menos, voy a tratar de explicar su relación con los Sistemas de Recomendación que desarrollamos en BrainSins y, sobre todo, me gustaría recibir feedback por parte de gente experta sobre las métricas que en este tipo de sistemas se suelen utilizar.

Os dejo una descripción del programa sacada de la web de Conversion Thursday (aunque para ampliar la información y registraros deberéis ir a esta página) y, si alguno se anima, nos vemos mañana en el edificio de la EOI que está en la Avda. Gregorio del Amo.

Después del evento os daré también un enlace a la presentación que, como siempre, me ha ayudado a preparar JoSeK, especialmente con la parte visual :).

Actualizado: Podéis encontrar la presentación utilizada en este enlace.

Programa: Sistemas de recomendación y estrategias de Social Media

Lo trataremos con Francisco Carrero y Alberto López, a cargo de WipleyAlva respectivamente.
Entre otras cosas, cubriremos los principales desafíos de una empresa a la hora de definir una estrategia de Social Media y los sistemas disponibles para la gestión de la reputación corporativa, así como los siguientes temas en el ámbito de los sistemas de recomendación:

  • ¿Qué es un sistema de recomendación?
  • ¿Qué aporta a un sitio web?
  • Casos de éxito
  • Áreas de mejora
  • Métricas de evaluación de la eficacia
  • Tipos de recomendación
  • Profundización en recomendación basada en el grafo social y la reputación
  • Importancia de la manera de presentar las recomendaciones al usuario

Atributos de un sistema de recomendación

Hace pocos días leía en el blog de Javier Martín un estupendo post acerca de las recomendaciones sociales, donde además se generó un interesante debate acerca de la idoneidad de las recomendaciones automáticas o las recomendaciones entre usuarios. Entre todos los comentarios se hablaba de los distintos perfiles de los usuarios que, en función de su carácter más o menos conservador, pueden aceptar mejor las recomendaciones automáticas (generalmente de menor confianza, pero con mayor posibilidad de generar sorpresa) o las recomendaciones directas de amigos (de mayor confianza, pero más “predecibles” y restringidas).

Más allá de el carácter general de un usuario, se debe tener en cuenta que éste presenta diferentes perfiles en función del contexto en que va a utilizar el sistema de recomendación. Si un sistema realiza recomendaciones que permitan al usuario completar un perfil inicial, el objetivo es proporcionarle un conjunto de productos que sean completamente obvios en función de sus intereses; en este caso el usuario no busca elementos nuevos y diferentes, sino elementos que ya conozca con un alto grado de probabilidad. Pero si el sistema tiene como función descubrir productos que están en los últimos lugares de la denominada “larga cola”, el objetivo será justo el contrario: ofrecer un conjunto de elementos que, en gran parte, el usuario desconozca.

Sin embargo, aquí entra en juego un elemento completamente esencial en este juego: la confianza. Para un usuario es muy importante comprender por qué la mayor parte del tiempo recibe determinadas recomendaciones. Si el sistema es capaz de justificar claramente el por qué de una recomendación obvia, el usuario llegará a confiar también en las recomendaciones más sorprendentes y que a priori no entiende, y que son las que en realidad le van a aportar más en la mayoría de los casos.

Pero el contexto del usuario no es únicamente temporal, y cuando lo es, no tiene por qué necesariamente ser a largo plazo. Por ejemplo, cuando un usuario accede a un sistema después de varios días, las recomendaciones deben ser más generales y acordes con su histórico. Por el contrario, cuando el usuario lleva un rato utilizando el sistema, se dispone de una idea más concreta de su objetivo en ese momento: ¿busca información concreta sobre un producto o está “pasando el rato” a ver qué encuentra? ¿esta información se corresponde con su perfil histórico o se trata de elementos nuevos? En este punto sería muy importante que el sistema pudiera comprender la naturaleza de la tarea de búsqueda: ¿busca algo para sí mismo o es para un regalo? ¿es para algo profesional o de ocio? Y es que la intencionalidad del usuario en una determinada sesión no se debe dar por sentada: cada día puede ser distinta, e incluso puede ir cambiando dentro de la sesión a medida que va descubriendo información nueva.

En cuanto al riesgo, como comentábamos al comienzo del post, debe alcanzar un compromiso con la confianza: el riesgo asumido por el sistema (es decir, la recomendación de elementos cuya idoneidad no está tan clara) debe ser menor en las fases iniciales, cuando el usuario aún no tiene un alto grado de confianza en el recomendador; pero tampoco debe ser demasiado conservador, porque el usuario tiende entonces a sentirse encasillado, debido a que los elementos recomendados provienen de un subconjunto muy pequeño.

Si ahora paramos un momento a recapitular los atributos de un sistema de recomendación que hemos decidido tener en cuenta aparecerían algunos como recencia y frescura (utilización del perfil histórico o de un perfil a corto plazo), riesgo, concreción, adaptabilidad, encasillamiento…. Todo esto nos lleva a determinar que no tiene sentido aplicar la idea de crear un único recomendador para todos. Y por eso es conveniente además que un buen sistema de recomendación tenga en cuenta elementos de todo tipo: automáticos (basado en aspectos sociales y en contenidos) y también personales.

¿Dónde está Amazon cuando se le necesita?

Hace ya tiempo que empezaron a dispararse rumores acerca del desembarco de Amazon en España. Se esperaba para 2009, pero no llegó, y tampoco he vuelto a leer mucho más acerca de las posibilidades reales. Y, en mi modesta opinión, hace falta, o al menos vendría bien, para terminar de disparar las ventas del comercio electrónico y acostumbrar a los españoles a disfrutar de un servicio que casi es de primera necesidad: comprar algo desde casa con tu pijama puesto y recibirlo a los pocos días con el mismo pijama y las mayores garantías.

Y no es que el comercio electrónico en general vaya del todo mal: en 2006 el volumen de ventas fue un 50% superior al de 2005, en 2007 otro 50% más que en 2006, y en 2008 no tanto, pero casi. Es cierto que las cifras de 2009 no son tan espectaculares, pero la crisis seguro que habrá tenido alguna influencia.

Entonces, ¿qué podría aporta Amazon con este panorama? Si echamos un vistazo a los últimos informes sobre el comercio electrónico en España de la CMT los artículos que vende Amazon no están en ninguna de las 10 ramas de actividad con mayor porcentaje de volumen de comercio electrónico en España. Sin embargo, algunos productos sí se encuentran entre las 10 ramas con mayor volumen de negocio desde España hacia el exterior. Esto resulta cuando menos sospechoso, y me da que se trata más de una cuestión de confianza que otra cosa. Y al final, siempre ocurre que los españoles empezamos a adoptar cualquier tema tecnológico cuando nos viene de fuera a través de alguien de referencia.

Seguramente una de las mayores aportaciones de Amazon podría ser precisamente esa confianza por parte de los consumidores, que no es poco. Pero también serviría para impulsar a los actores actuales a mejorar más sus servicios, e incluso (y esto ya es interés personal :)) a ver la utilidad de un buen sistema de recomendación. Por otro lado mejoraría las posibilidades de venta para webs de contenidos que buscan una plataforma que les sirva como tienda, e incluso potenciaría el Kindle y por tanto las ventas de libros electrónicos.

Alguno podría entenderlo como la entrada de un potencial monopolio, pero yo no termino de verlo así. La competencia es buena; lo es para los usuarios, pero también para las empresas

¿Y por qué este retraso en llegar? No lo sé, y me gustaría saberlo. Antes pensaba que el mercado no era suficientemente grande, pero ahora no lo tengo tan claro.

Necesitas un Sistema de Recomendación en tu Web. ¿Es que no te das cuenta?

Money shotEste fin de semana, durante el MSM09, he tenido la oportunidad de charlar con dos personas que están desarrollando el sistema de recomendación de una red social europea muy importante. Para no ser españoles, me sorprendió lo cortos de miras que resultan los directivos de esta empresa en cuanto a la implantación de las recomendaciones, ya que me contaban que les ponen muchas trabas para trabajar en ello. De hecho, su trabajo ha sido posible sólo dedicando tiempos muertos y tiempo extra. ¿Y por qué? Cuando han pedido a los directivos algún tipo de recursos para poder mejorar los servicios y los resultados, su respuesta ha sido: “Y esto, ¿cómo va a hacernos ganar dinero?”

Que nadie me entienda mal, las empresas están para ganar dinero, y cuanto más, mejor. El problema es que no saben ver que un buen sistema de recomendación aumenta el ROI de la empresa… o quizás el problema es que estos dos chicos no se lo han sabido explicar.

¿Cuál podría ser la respuesta a la pregunta de estos directivos (y por extensión, la misma que harían la mayoría de los directivos de empresas con presencia en Internet)? No sé si soy el más indicado para responder, pero al menos lo intentaré. Por un lado, se pueden utilizar palabras bonitas para decir que un buen motor de recomendaciones mejora la experiencia del usuario, consiguiendo que se convierta en un cliente fijo, aumentando por tanto los ingresos a medio y largo plazo; pero, dicho de forma más directa, un buen motor de recomendaciones ayuda a vender. Y cualquier sitio web tiene algo que vender: si no son directamente productos, son contenidos que pueden generar más ingresos a través de la publicidad, e incluso la publicidad puede aprovecharse mejor si se adapta a los gustos mostrados por cada usuario.

Por poner un ejemplo que escuché hace poco, en una tienda física no queda más remedio que organizar los escaparates de manera que puedan llegar de la mejor posible a los clientes objetivo en general; sin embargo, en IStall in Pinknternet podemos generar un escaparate para cada cliente, mostrándole sólo aquellos productos que se adaptan (o pueden adaptar) a sus gustos. De forma similar, a través de la televisión todos los espectadores de un determinado programa visualizan los mismos anuncios al mismo tiempo; pero Internet permite mostrar a cada usuario la publicidad que mejor puede encajar con él.

Sé que todo esto parece obvio, y más teniendo en cuenta que existe un gigante como Amazon cuyo modelo de negocio se apoya, desde hace ya muchos años, en hacer buenas recomendaciones. Sin embargo, aún queda un largo proceso de información y educación para muchos…

El Marketing y los Sistemas de Recomendación

En general, durante todo el RecSys’09 se mostró un alto interés en la aplicación de los Sistemas de Recomendación al marketing. Michel Wedel es un experto en marketing de la Escuela de Negocios Robert H. Smith, de la Universidad de Maryland, que impartió una sesión especial con el título “Up-Close and Personalized: A Marketing View of the Future of Recommendation Algorithms”, en la que este interés quedó totalmente claro.
Según Michel, en primer lugar, diversas investigaciones en el campo del Marketing  sobre el comportamiento de los usuarios han deemostrado que:
  • Los sistemas de recomendación (SR) ayudan a reducir los precios pagados, mejorar las decisiones e influir en las opiniones de los usuarios.
  • Los SR generalmente mejoran la calidad y aceptación las recomendaciones.
  • Las decisiones finales tomadas por los usuarios dependen del contexto y el formato de visualización.

Estos puntos coinciden además con lo comentado por Francisco Martín en su charla “Top 10 Lessons Learned Developing, Deploying, and Operating Real-World Recommender Systems“.

Otro punto importante de la charla de Michel daba pistas sobre los criterios que debe tener una empresa que quiera utilizar Sistemas de Recomendación a la hora de implantar este tipo de servicios:
  • En primer lugar, recomendaba no crear SR propios y confiar en proveedores externos.
  • Los SR son especialmente recomendables para empresas que tienen cantidades masivas de datos, y cualquier red social media actual los tiene.
  • No hay que confiar en sistemas que utilicen únicamente el filtrado colaborativo, y buscar proveedores que ofrezcan sistemas híbridos que utilicen también etiquetas y contenidos.
  • Pasar de los SR estáticos que actualizan las recomendaciones cada cierto tiempo a los sistemas dinámicos que actualizan los intereses de los usuarios con cada acción que éstos realizan.
  • Aprovechar la información que ofrecen las redes sociales sobre las amistades y similitudes entre usuarios para mejorar los resultados de las recomendaciones. En este sentido los denominados sistemas basados en confianza tuvieron también mucha repercusión durante todo el Congreso.
  • Utilizar no sólo las votaciones de los usuarios, sino también la información implícita que se proporciona a través de los clicks en enlaces y las compras de productos.
  • Mostrar al usuario fotos de los productos recomendados, ya que algunos estudios demuestran que los resultados de las recomendaciones son mejores en estos casos.

Nosotros en SGP ya habíamos integrado estas características en nuestros sistemas de recomendación, por lo que parece que estamos haciendo las cosas según las tendencias del mercado. Aún así, tenemos claro que aún queda un largo trabajo en el campo de los SR, y vamos a seguir poniendo gran parte de nuestro esfuerzo en mejorar nuestros sistemas.

“Yo no uso sistemas de recomendación”

Eso es lo que muchos usuarios de internet piensan cuando les hablas de la importancia que los sistemas de recomendación han ido adquiriendo en muchos de los servicios que utilizamos a diario. En ReadWriteWeb llevan unos días (realmente años, pero últimamente con más fuerza) dándole vueltas a los sistemas de recomendación en internet; en este post me voy a apoyar en algunas de sus entradas, pero iré salpicando con mis opiniones para intentar completar la idea que quiero transmitir.

Google

En primer lugar voy a poner ejemplos de servicios, tratando de analizar en qué grado utilizan sistemas de recomendación, y empezaremos con el rey de internet: Google. El primer uso lo podemos encontrar en su famoso algoritmo para ordenar los resultados de las búsquedas: el PageRank. Este algoritmo se basa, entre otras cosas, en los enlaces que las páginas mantienen entre sí, asumiendo que, cuando la página A enlaza la página B, de alguna manera la está votando, está indicando que B es importante para A. Esto es, sin ningún lugar a dudas, una suerte de recomendación social a una escala descomunal.

Otro ejemplo de uso en Google reside en la personalización que aplica cuando un usuario realiza una búsqueda habiéndose registrado previamente en el sistema. En este caso, el orden de los resultados también tiene en cuenta el historial de navegación previo del usuario, e incluso la propia localización en la que se encuentra. Por último, está el “Quizás quiso decir:” que nos presenta cuando existe la posibilidad de habernos equivocado al escribir una palabra, ofreciendo una alternativa en función de su popularidad y la similitud con la palabra escrita.

Amazon

recomendacionamazonSi podemos hablar de un pionero en los sistemas de recomendación en internet, ese es sin duda alguna Amazon. Desde que puedo recordar, este sitio ha venido ofreciendo recomendaciones sobre otros productos que podían interesar al usuario, y poco a poco ha ido enriqueciendo la manera de hacerlo. En primer lugar, utiliza la recomendación social cuando recomienda productos por mero el hecho de que otros usuarios que ya han realizado compras similares a la tuya, también lo han adquirido. En segundo lugar, aplica la recomendación personalizada cuando tiene en cuenta tu historial de compras y de navegación en su web para ofrecerte nuevos artículos. Por último, recomienda productos relacionados con los que se visualizan durante la navegación.

Otros ejemplos

Además de Amazon y Google, cada vez existen más aplicaciones en internet que implementan servicios de recomendación, aunque en muchas ocasiones no combinan los diferentes tipos que hemos descrito, seguramente porque tampoco es siempre necesario. Por ejemplo, Strands aplica un sistema de recomendación social basado en la propia realimentación de los usuarios, asociando a cada usuario un perfil formado por las experiencias de otros usuarios y recomendando servicios y productos nuevos que están también asociados a dicho perfil. Según dice la propia web de Strands, ayudan a la gente “a descubrir cosas que no saben que les gustan”. Otros sistemas similares son SuggestRSS, para sugerir feeds, o Last.fm para sugerir música.

En AggregateKnowledge consideran que los gustos de otras personas, por muy similares que puedan parecer, apenas reflejan los tuyos, por lo que hacen un uso más intensivo de la recomendación basada en el comportamiento de los usuarios: el contenido de las páginas vistas, los clicks realizados, el tiempo pasado en cada página… Este tipo de sistemas tiende a ser más complejo que los otros, por lo que existen pocos ejemplos comerciales, aunque, eso sí, un gran número de prototipos experimentales. Aquí me daré un poco de autobombo comentando que en 2000 desarrollé, junto con otro par de personas, un servicio de recomendación de noticias llamado NotiXpress, que utilizaba un sistema de recomendación basado en el procesamiento de las noticias a las que los usuarios prestaban más atención. Al año y medio tuvimos que cerrar el servicio, pero al menos le pudimos sacar ciertos beneficios :).

Un sistema curioso e interesante es Pandora, una aplicación de recomendación de música que se basa en la similitud entre canciones. Es un proyecto grande y complejo, en el que un grupo de 50 músicos ha pasado los últimos 8 años analizando un gran número de canciones para determinar algo como la información genética de cada canción (de hecho, llaman al proyecto Genome Project). Para ello, utilizan cerca de 400 atributos que permiten describir detalles como la melodía, el ritmo, la voz, las letras, etc. A partir de una canción, teniendo en cuenta esta información, son capaces de recomendar otras canciones similares. Jinni es otro proyecto similar, aunque esta vez aplicado a películas.

El premio Netflix

Para que podamos darnos cuenta de la importancia que empiezan a tomar estos sistemas de recomendación, citaré el caso del premio Netflix. Netflix es una compañía de alquiler de DVD’s a través de la web que en 2006 lanzó un concurso para mejorar Cinematch, su motor de recomendación de películas. ¿El premio?: un millón de Euros… El concurso termina en 2011, y lo ganará el primer sistema que mejore su motor en un 10%. En la actualidad ya hay un equipo que ha alcanzado el 9.66%, pero parece que aún quedan unos meses para que alguien pueda alcanzar ese 10%.

Quizás un millón de Euros para un 10% pueda parecer demasiado, pero los propios creadores de Cinematch estiman que para poder alcanzar por sí mismos ese aumento necesitarían una inversión aún mayor, y que esa “pequeña” mejora podría traerles beneficios aún mayores.

The long tail

¿Y cuál es la ventaja que puede aportar el uso de un sistema de recomendación? ¿Es sólo un beneficio para los usuarios? ¿Es más un coste añadido que una inversión para la empresa? Yo no soy un experto en la llamada “larga cola“, pero intentaré explicar un poco el concepto para quien no lo conozca. La idea es que gracias a internet y las nuevas tecnologías se han reducido los costes de almacenamiento y distribución de los productos, haciendo innecesario focalizarse en unos pocos artículos de éxito. Esto ha permitido la aparición de un mercado en el que se producen pocas ventas de muchos productos, llegando a significar un volumen incluso mayor que el de los superventas.

Internet ha posibilitado la accesibilidad a estos productos de la larga cola, reduciendo de manera drástica los costes de marketing y difusión, y una de las herramientas que más ha ayudado en este sentido han sido los sistemas de recomendación. En el New York Times podemos encontrar un artículo de Clive Thompson en el que habla de los intentos de Netflix por mejorar su motor de recomendación, del que podemos entresacar el siguiente párrafo (traducido del inglés):

Las recomendaciones de Cinematch actualmente representan un sorprendente 60 por ciento de los alquileres de Netflix. En ocasiones incluso desvía la atención de los clientes desde los grandes éxitos hacia las películas independientes y menos comerciales. Los videoclubs tradicionales dependen de estos hits, que representan el 80% de sus alquileres. En Netflix, por el contrario, el 70% de los alquileres vienen del final de la lista (películas más antiguas o menos comerciales). Un buen sistema de recomendación, en otras palabras, no ayuda simplemente a que la gente encuentre nuevas cosas. Como Netflix ha descubierto, también les anima a consumir más productos.

Podemos decir que un buen sistema de recomendación permite dos cosas diferentes: por un lado, consigue que la gente consuma más; por otro, les descubre productos que de otra forma no conocerían. La grandeza de estos sistemas de recomendación no es que los usuarios consuman más, o lo hagan de productos de la parte baja de la cola, sino que consigue que la gente consuma más artículos en toda la cola.

Conclusión

Nuestra experiencia en sistemas de recomendación y las ventajas que éstos presentan nos han llevado a apostar desde el principio por un sistema propio que se pueda aplicar a los medios sociales, y en concreto inicialmente a Wipley. La base de nuestro motor de recomendación no la vamos a desvelar (eso es evidente :)), pero estamos apostando por la utilización de tecnologías semánticas (como ya hemos comentado otras veces), ya que estamos convencidos de la aportación que pueden realizar en la mejora de los resultados.

Quizás todo esto está produciendo retrasos sobre nuestra planificación inicial, pero estoy seguro de que al final va a compensar. Además, como decía el otro día Carlos Domingo en SeedRocket (vía Carlos Blanco): “Ser el primero no te garantiza que seas el ganador, muchas veces es mejor llegar después”.