INTELIGENCIA ARTIFICIAL

Por qué Netflix te recomienda lo que te recomienda: qué son los algoritmos de recomendación y cómo funcionan

Algoritmos de recomendación: qué son y cómo funcionan
¿Cómo funcionan estos algoritmos? ¿En qué se basan para hacer estas recomendaciones? ¿Qué tipos de algoritmos de recomendación existen?

Los algoritmos de recomendación son una de las aplicaciones más comunes y exitosas de la inteligencia artificial (IA) en el ámbito de la web y las aplicaciones móviles. Se trata de sistemas que analizan los datos de los usuarios y les ofrecen sugerencias de contenidos, productos o servicios que puedan ser de su interés, aumentando así su satisfacción, fidelización y conversión.

Seguro que has visto muchos ejemplos de algoritmos de recomendación en tu día a día: cuando YouTube te muestra vídeos relacionados con los que has visto, cuando Amazon te muestra productos similares a los que has comprado o consultado, cuando Netflix te muestra series o películas que te pueden gustar, cuando LinkedIn te muestra ofertas de trabajo o contactos que te pueden interesar, etc.

Pero, ¿cómo funcionan estos algoritmos? ¿En qué se basan para hacer estas recomendaciones? ¿Qué tipos de algoritmos de recomendación existen? En este post te lo explicamos.

¿Cómo funcionan los algoritmos de recomendación?

Los algoritmos de recomendación funcionan mediante el análisis de los datos disponibles de los usuarios y de los ítems que se quieren recomendar. Un ítem puede ser cualquier cosa que se ofrezca en la plataforma web o la aplicación, como un producto, un servicio, un contenido, un evento, etc.

Los datos de los usuarios pueden ser de dos tipos: explícitos o implícitos. Los datos explícitos son aquellos que el usuario proporciona de forma voluntaria, como sus datos personales, sus preferencias, sus valoraciones, sus comentarios, etc. Los datos implícitos son aquellos que se obtienen de forma indirecta, como sus búsquedas, sus clics, sus compras, su tiempo de permanencia, etc.

Los datos de los ítems pueden ser de dos tipos: estructurados o no estructurados. Los datos estructurados son aquellos que se pueden clasificar en categorías o atributos, como el nombre, el precio, la descripción, las características, etc. Los datos no estructurados son aquellos que no tienen una forma definida, como las imágenes, los vídeos, los textos, los audios, etc.

Los algoritmos de recomendación utilizan estos datos para identificar las similitudes o las relaciones entre los usuarios y los ítems, y así poder ofrecer sugerencias que se ajusten a los gustos y necesidades de cada usuario.

¿Qué tipos de algoritmos de recomendación existen?

Existen diferentes tipos de algoritmos de recomendación, según el método o la técnica que utilicen para hacer las sugerencias. Los más habituales son:

  • Filtrado basado en el contenido: este tipo de algoritmo se basa en las propiedades o los atributos de los ítems para hacer las recomendaciones. Consiste en recomendar ítems similares a los que el usuario ya ha consumido o consultado, según sus características. Por ejemplo, si el usuario ha visto una película de acción, se le recomendarán otras películas de acción. Este algoritmo es útil cuando se dispone de mucha información sobre los ítems, pero no sobre los usuarios.
  • Filtrado colaborativo: este tipo de algoritmo se basa en las interacciones o las valoraciones de los usuarios para hacer las recomendaciones. Consiste en recomendar ítems que han gustado o consumido otros usuarios con preferencias similares a las del usuario objetivo. Por ejemplo, si el usuario ha comprado un libro, se le recomendarán otros libros que han comprado o valorado positivamente otros usuarios que también compraron ese libro. Este algoritmo es útil cuando se dispone de mucha información sobre los usuarios, pero no sobre los ítems.
  • Híbrido: este tipo de algoritmo combina los dos anteriores, es decir, utiliza tanto la información de los ítems como la de los usuarios para hacer las recomendaciones. Consiste en recomendar ítems que sean similares a los que el usuario ha consumido o consultado, y que también hayan gustado o consumido otros usuarios con preferencias similares a las del usuario objetivo. Por ejemplo, si el usuario ha escuchado una canción, se le recomendarán otras canciones que sean del mismo género o artista, y que también hayan escuchado o valorado positivamente otros usuarios que también escucharon esa canción. Este algoritmo es útil cuando se dispone de información tanto de los ítems como de los usuarios, y se quiere ofrecer una recomendación más precisa y completa.

¿Qué ventajas tienen los algoritmos de recomendación?

Los algoritmos de recomendación tienen varias ventajas para las plataformas web y las aplicaciones que los utilizan, como:

  • Mejorar la experiencia del usuario: al ofrecer sugerencias personalizadas y relevantes, se aumenta la satisfacción, la confianza y la fidelización del usuario, que se siente más cómodo y atendido en la plataforma o la aplicación.
  • Aumentar la conversión: al ofrecer sugerencias que se ajustan a los intereses y necesidades del usuario, se incrementa la probabilidad de que el usuario realice una acción deseada, como comprar un producto, contratar un servicio, ver un contenido, etc.
  • Incrementar el valor del catálogo: al ofrecer sugerencias de ítems que el usuario no conocía o no buscaba, se amplía el alcance y la visibilidad de los ítems disponibles en la plataforma o la aplicación, lo que puede generar más ingresos y beneficios.
  • Fomentar la innovación: al ofrecer sugerencias de ítems que el usuario no esperaba o que son novedosos, se estimula la curiosidad y el descubrimiento del usuario, lo que puede generar un efecto viral y diferenciador para la plataforma o la aplicación.

¿Qué desafíos tienen los algoritmos de recomendación?

Los algoritmos de recomendación también tienen algunos desafíos o limitaciones que hay que tener en cuenta, como:

  • La calidad de los datos: los algoritmos de recomendación dependen de los datos disponibles de los usuarios y de los ítems para hacer las sugerencias. Si estos datos son escasos, incompletos, erróneos o sesgados, las recomendaciones pueden ser poco precisas, irrelevantes o incluso perjudiciales.
  • La escalabilidad: los algoritmos de recomendación tienen que procesar una gran cantidad de datos y ofrecer sugerencias en tiempo real, lo que implica un alto coste computacional y de almacenamiento. Además, los datos y las preferencias de los usuarios y de los ítems pueden cambiar con el tiempo, lo que requiere una actualización constante de los algoritmos.
  • La diversidad: los algoritmos de recomendación pueden caer en el problema de la sobre-especialización, es decir, ofrecer sugerencias demasiado similares o repetitivas, que no aporten valor ni variedad al usuario. Esto puede provocar que el usuario se aburra, se frustre o se pierda otras opciones que podrían interesarle.
  • La privacidad: los algoritmos de recomendación pueden vulnerar la privacidad de los usuarios, al recopilar y utilizar sus datos personales, sus preferencias o su comportamiento online sin su consentimiento o conocimiento. Esto puede generar problemas legales, éticos o sociales, que afecten a la reputación y la confianza de la plataforma o la aplicación.