Saltar al contenido principal

Artículo

Cómo el aprendizaje profundo está añadiendo capacidad de personalización predictiva al perfil de afinidad del usuario

Los modelos avanzados de RNN están ayudando a las marcas a comprender mejor y cumplir con las relaciones entre los productos y el comportamiento del usuario.

Publicado: 11 de enero de 2024 | Actualizado: 31 de enero de 2024

Tamar Cohen profile photo

Tamar Cohen

Data Scientist,

Mastercard

Un hombre feliz mirando por la ventana mientras usa una tablet


Hubo una época, no hace mucho, en la que el trabajo de un especialista en marketing consistía en desenredar las muchas correlaciones posibles entre los usuarios y sus interacciones con el producto. A medida que los visitantes se exponían a cada vez más marcas, colores, estilos y otros atributos de productos, este trabajo Become extremadamente difícil, lo que resultó en un juego de adivinanzas de probar diferentes condiciones de segmentación con la esperanza de determinar la mejor experiencia posible para una audiencia o usuario con una afinidad particular.

Los equipos no solo se quedaban cortos en cuanto a precisión, sino que sus esfuerzos tampoco eran escalables: lograr una personalización significativa se convertía en un objetivo cambiante imposible de alcanzar, a medida que las preferencias individuales seguían evolucionando.

Los avances tecnológicos cambiaron todo eso, con nuevas capacidades para recopilar, analizar y calificar automáticamente cada interacción del usuario a través de perfiles de afinidad para la entrega de experiencias más altamente dirigidas. Esto podría realizarse a través de recomendaciones basadas en la afinidad 1:1, la creación de audiencias basadas en la afinidad y, más recientemente, un método de asignación basado en la afinidad que garantiza la variación óptima para cada usuario según sus preferencias en tiempo real.

Los avances en eficiencia y relevancia han beneficiado significativamente a las empresas; compañías de todos los sectores informan aumentos en el ingreso promedio por usuario (+15 % para Pets Place), en la tasa de conversión (+40 % para Tottenham Hotspur) y en otros KPI, todo ello derivado de sus numerosas y útiles aplicaciones. Sin embargo, a pesar de su impresionante impacto, el surgimiento de la elaboración de perfiles de afinidad trajo consigo muchas oportunidades para Become más flexibles en el futuro a través del aprendizaje automático.

Resulta emocionante ver cómo el sector ha llegado a esta encrucijada, ya que la elaboración de perfiles de afinidad está superando su fase inicial y combinándose con modelos de aprendizaje profundo basados en redes neuronales recurrentes (RNN) para descubrir correlaciones más complejas y predecir mejor qué le interesará al usuario a continuación.

En esta publicación, pondremos a los equipos al día sobre las capacidades más recientes y nos sumergiremos en algunos de los detalles más importantes.

 

El papel del aprendizaje profundo en la optimización del perfil de afinidad

Hoy en día, los principales indicadores que informan el perfil de afinidad de un usuario giran en torno a:

  • El tipo de participación: Esto podría ser una vista de producto, agregar al carrito, compra, etc., y generalmente se otorga mayor peso a aquellos con un mayor nivel de intención.
  • Con qué atributos de producto: Las diferentes características potenciales de un artículo, como si era de un determinado color, marca, género, estilo, rango de precios, etc.
  • En qué ventana de tiempo – El tiempo que ha pasado desde la interacción específica, donde la novedad desempeña un papel mayor en la formación de la afinidad actual del usuario.

Con un algoritmo de afinidad tradicional, una vez definido, la misma fórmula codificada con un sistema de ponderación estático se aplica a todos los usuarios y escenarios. Sin embargo, si consideraras una interacción con una marca de tiempo reciente, que tiene un peso mayor que una que ocurrió hace más tiempo, puedes ver lo fácil que se pueden perder los matices importantes en el comportamiento del usuario.

Las suposiciones que el modelado de afinidad ha hecho hasta este punto también se basan solo en las interacciones históricas de un usuario en particular (en lugar de ser entrenadas con un mayor volumen de datos de usuario), y actualmente no se están haciendo correlaciones entre la secuencia de eventos y un resultado deseado.

Aquí es donde entra en juego el aprendizaje profundo, optimizando la creación de perfiles de afinidad para aumentar el poder predictivo de las siguientes maneras:

Ponderación central de estático a dinámico

La naturaleza sofisticada de la arquitectura de red neuronal del aprendizaje profundo permite que la elaboración de perfiles de afinidad Become verdaderamente “inteligente” a medida que aprende y adapta las variables utilizadas en el cálculo de la puntuación con cada iteración de entrenamiento. Este paso de un sistema de ponderación estático a uno dinámico captura las sutilezas del comportamiento del usuario necesarias para ofrecer experiencias dirigidas con precisión.

Correlaciones concurrentes a secuenciales

Cuando se combina con el aprendizaje profundo, se puede entrenar un algoritmo de afinidad no solo en la suma de diferentes interacciones independientes del usuario (entrada del modelo), sino también en el evento objetivo resultante (salida del modelo) y la secuencia que tiene lugar entre los dos. Esto significa que Become posibles nuevas correlaciones, por ejemplo, una secuencia de navegación seguida de la compra de un producto, con una mayor cobertura de atributos capaces de predecir mejor la próxima mejor experiencia que ofrecer.

Desde conjuntos de datos de usuarios restringidos hasta los amplios

El aprendizaje profundo tiene la capacidad de procesar grandes volúmenes de datos, lo que significa que la elaboración de perfiles de afinidad puede ir más allá de observar solo la actividad de un usuario, incorporando el rico conjunto de comportamientos observados en todo el tráfico del sitio de una marca. Aprovechar este conjunto de datos más amplio refuerza la exhaustividad y la precisión de las predicciones, que pueden incluir y aprender de atributos no vistos en el historial personal de un usuario.

 

Más información sobre los detalles de la ciencia de datos

¿Te interesa obtener más información sobre la ciencia de datos detrás de todos estos avances?

Estas son algunas de las fuerzas en juego:

Un modelo de red neuronal recurrente (RNN)

Basado en una arquitectura de memoria a corto y largo plazo (LSTM), este tipo de RNN (a diferencia de las redes neuronales feedforward tradicionales) es ideal para tareas que involucran datos de series temporales como el análisis del comportamiento del usuario y la predicción basada en su capacidad para capturar dependencias y patrones secuenciales tanto a corto como a largo plazo.

Su fuerza distintiva radica en procesar secuencias de interacción manteniendo una memoria de interacciones pasadas, lo cual es crucial para reconocer un cambio gradual en las preferencias de un usuario o la aparición de tendencias estacionales. Esto es especialmente importante para actividades como la optimización de recomendaciones de productos, la predicción de la pérdida de clientes y la adaptación de campañas de marketing.

La eficiencia del entrenamiento y la evaluación del modelo

El modelo es tan bueno como la capacitación que recibe. La capacitación suficiente es un proceso multifacético para decodificar y predecir con precisión el comportamiento del usuario, que incluye:

  • Segmentación del conjunto de datos de entrenamiento en rangos de fechas: distinción efectiva entre un período histórico que abarca varios meses y un período objetivo que abarca algunas semanas, que culmina en el evento objetivo fundamental del usuario.
  • Preprocesamiento y racionalización del conjunto de datos: la eficiencia de la capacitación se mejora mediante la poda de interacciones redundantes, así como de aquellas que son menos significativas o están más atrás en el tiempo, para priorizar los datos que tienen un mayor significado para la afinidad actual del usuario.
  • Generación de información del usuario mediante eventos y vectores objetivo: la interacción con el producto más importante dentro de un período definido se selecciona como el evento objetivo del usuario, y cada atributo de afinidad relevante se traduce en un vector objetivo separado, lo que ayuda a comprender las preferencias del usuario.
  • Evaluación rigurosa de la precisión, la cobertura y el éxito: independientemente de los datos de entrenamiento, se establece una comparación meticulosa entre el perfil de afinidad predicho y los valores de atributos vinculados al evento objetivo, lo que arroja luz sobre la cobertura del modelo y su capacidad para alinear las predicciones con las interacciones y preferencias reales del usuario.

La culminación de este proceso integral es el resultado de un modelo nuevo y sofisticado: un perfil de afinidad de usuario con predicciones que son más precisas que nunca.

 

Todo un mundo nuevo de perfilado de afinidad predictiva

Los avances en aprendizaje automático, procesamiento de lenguaje natural y aprendizaje profundo han dado paso a un periodo de transformación en el perfil de afinidad. Los sistemas de personalización y los equipos que dependen de ellos ahora podrán entender las preferencias y los comportamientos de sus usuarios con una precisión predictiva sin precedentes, lo que conducirá a una mejor lealtad del cliente, mayores ventas y un entorno digital más envolvente.

Contact sales

Talk to an expert to learn how Mastercard can enhance your business through our products and services.

Mastercard