Maximiza los ingresos con un sistema de recomendación de aprendizaje profundo

Hoy en día, las recomendaciones de productos son un requisito esencial para cualquier negocio de comercio electrónico que busque aumentar la participación, las compras y la lealtad. Sin embargo, un desafío constante para los especialistas en marketing y los encargados de comercialización ha sido determinar qué productos, dentro de un catálogo masivo de artículos, ofrecer a los usuarios con diversas preferencias y niveles de intención.

Esta necesidad de mayor precisión es la razón por la que muchos en la industria se están moviendo hacia sistemas avanzados de recomendación de aprendizaje profundo para ofrecer los siguientes mejores productos. De hecho, en dos tercios de los casos de uso que estudió Mckinsey & Company, la creación de algoritmos de recomendación basados en redes neuronales (más información al respecto a continuación) mejoró el rendimiento más allá de lo proporcionado por cualquier otra técnica analítica.

La mayoría de las estrategias de recomendación de productos en el mercado actual son de naturaleza global, lo que significa que se basan en la popularidad y las tendencias, o son contextuales, adaptadas según atributos específicos del producto o la fuente de tráfico del usuario, el dispositivo, el clima local, etcétera. Y aunque estos pueden ser altamente efectivos en ciertas situaciones, en última instancia, no están verdaderamente adaptados al individuo.

Incluso las estrategias personalizadas, que toman en consideración la afinidad del usuario y su actividad reciente para ofrecer productos adicionales de interés, son incapaces de predecir qué artículos deben ofrecerse a continuación o no logran hacerlo en tiempo real.

Pero como los consumidores han llegado a esperar un alto nivel de personalización en las interacciones de comercio minorista en línea, los equipos de comercialización necesitan anticipar mejor sus necesidades y recomendar productos dinámicamente en el momento, y refinarlos con el tiempo.

Diseñado precisamente para este propósito, el algoritmo de aprendizaje profundo de Dynamic Yield identifica instantáneamente la intención del cliente, incluso desde la primera sesión. Al permitir una comprensión de los consumidores como nunca antes, las marcas ahora pueden mostrar automáticamente productos que se prevé que impulsen la acción en el momento y a lo largo del tiempo.

Como sistema de recomendación de red neuronal, el modelo que impulsa las recomendaciones de aprendizaje profundo en Dynamic Yield está inspirado en el cerebro humano, el cual está compuesto por múltiples unidades de aprendizaje que se conectan entre sí como una red, cada una recibiendo, procesando y enviando información a las unidades cercanas. A diferencia de la gran mayoría de las aplicaciones tradicionales de aprendizaje automático, la arquitectura de nuestro sistema de aprendizaje profundo permite que se entrene rápidamente (y con menos datos), se adapte con mayor libertad según los aprendizajes y extraiga perspectivas significativas de información compleja.

Por ejemplo, Gmail utiliza popularmente el procesamiento de lenguaje natural (NLP) para aprender asociaciones de palabras y ayudar a sus usuarios a escribir correos electrónicos más rápido sugiriendo oraciones completas mientras escriben. De manera similar, Dynamic Yield aprende los productos en el historial de navegación de un usuario, la actividad durante la sesión, así como las tendencias observadas en todo el sitio para recomendar productos con los que se predice que interactuarán mientras compran. Esto se logra a través de item2vec, el modelo de aprendizaje derivado directamente de su contraparte de NLP, word2vec.

Nuestro modelo de recomendación de aprendizaje profundo se autoaprende rápida y frecuentemente a partir de una enorme cantidad de datos de comportamiento y de productos, por lo que es capaz de identificar instantáneamente la intención del cliente, incluso desde la primera sesión. Y mejor aún, a medida que llega nueva información, los resultados se refinan continuamente.

El conjunto correcto de parámetros se determina automáticamente con nuestro algoritmo de aprendizaje profundo basado en el comportamiento distintivo de cada usuario, su ubicación en el recorrido del cliente, así como en las tendencias observadas en todo el sitio. Así que despídete de aplicar reglas de filtro personalizadas y deja que el algoritmo haga su trabajo.

La personalización se basa en la consistencia, por lo que la misma tecnología avanzada de aprendizaje profundo para recomendar productos que se prevé impulsen la participación se extiende más allá de la web a las aplicaciones móviles y al correo electrónico, con resultados adaptados en el momento en que se abre el correo.

Al albergar marcas propias y más de 60 nombres de diseñadores, GlassesUSA comprendió el desafío de asignar los lentes perfectos a cada comprador entre miles de estilos disponibles en su catálogo. Y después de años de optimizar diferentes experiencias orientadas al descubrimiento de productos, el equipo de comercio electrónico estaba listo para poner a prueba un algoritmo de aprendizaje automático más sofisticado.

Representando la parte superior del embudo, GlassesUSA configuró un experimento en un área justo debajo del pliegue en su página de inicio para comparar la estrategia de aprendizaje profundo de Dynamic Yield frente al filtrado colaborativo para todo el tráfico de escritorio.

Debido a que el modelo de aprendizaje profundo se configura automáticamente por sitio, feed de productos e individuo, el equipo realizó solo algunos ajustes menores a la estrategia antes de ver rápidamente resultados impresionantes, en particular un aumento del 45 % en la tasa de agregar al carrito, un aumento del 68.1 % en las compras y un incremento del 87.6 % en los ingresos. Y después de realizar una prueba similar en dispositivos móviles, el algoritmo avanzado demostró una vez más ser el de mejor rendimiento en comparación con el control, y el equipo de GlassesUSA convirtió el aprendizaje profundo en la única estrategia para su popular widget de página de inicio en este canal.

Lee más sobre cómo GlassesUSA.com implementa un algoritmo de aprendizaje profundo para adaptar sus recomendaciones a cada comprador.

Hoy en día, las empresas deben estar dispuestas a ir más allá de recomendar artículos similares o complementarios, hacia aquellos que estén verdaderamente adaptados a cada usuario. Y aunque los algoritmos basados en afinidad y filtrado colaborativo se consideran personalizados, el aprendizaje profundo combina las mejores cualidades de cada uno, ya que funciona en tiempo real, a partir de cualquier tamaño de feed y es capaz de aprender y adaptarse continuamente a los datos entrantes.

Con Dynamic Yield, los equipos tienen acceso a esta tecnología de vanguardia lista para usar, lo que les permite romper el techo de lo que originalmente se pensaba posible sin someterse a integraciones complejas con proveedores externos ni requerir desarrollo interno.

Y para rematar, nuestro modelo de recomendación de aprendizaje profundo es parte del sistema AdaptML™ de Dynamic Yield, que comparte y aplica todos los datos y aprendizajes recopilados de nuestras aplicaciones de aprendizaje profundo, clasificación y predictivas para una mayor capacidad de toma de decisiones.

Si eres cliente de Dynamic Yield y te interesa implementar recomendaciones de aprendizaje profundo, comunícate con tu gerente de éxito del cliente. Y haz clic aquí para obtener más información sobre los requisitos previos y las mejores prácticas.