Listas de recomendaciones personalizadas
Intelligent Recommendations proporciona a las empresas un conjunto de herramientas de escenarios relevantes. Este artículo describe Selecciones de usuario o recomendaciones personalizadas basadas en el historial completo del usuario, la actividad reciente o la actividad de la sesión.
Tipos de recomendaciones personalizadas
El escenario Selecciones de usuario es un estilo de recomendaciones personalizadas que se enfoca en capturar los gustos o preferencias del usuario y ubica a un usuario en ubicaciones únicas en el espacio del elemento.
Este escenario crea recomendaciones altamente personalizadas en el contexto de un gran catálogo de artículos. La distancia entre un usuario y un elemento en particular decide la fuerza de la relación. Los vectores que están más juntos representan una conexión más fuerte.
Las selecciones de los usuarios se pueden exponer a los usuarios de diversas maneras, lo que significa que hay múltiples tipos de "elecciones para usted".
Según la estrategia comercial y la intención del usuario, los modelos pueden:
Aprende de todo lo que se sabe sobre los usuarios.
Agregue peso a los eventos, infiriendo más de acciones o eventos recientes.
Considere sólo eventos recientes.
Selecciones basadas en el historial completo del usuario
Cuando las selecciones se basan en el historial del usuario, este escenario tiene en cuenta todos los artículos del catálogo consumidos por el usuario en el pasado durante múltiples interacciones con el sistema. En la vertical minorista, las selecciones incluyen el historial completo de compras de un usuario. Los modelos usan técnicas de filtrado colaborativo para recomendar el próximo conjunto de artículos que un usuario podría disfrutar, basándose completamente en su historial de consumo, como el historial de compras.
Ejemplos basados en el historial completo del usuario:
Para los jugadores, los juegos Xbox relacionados con lo que juegan con más frecuencia
Recomendar películas similares
Sugerir una nueva serie de televisión
Documentación o actividades de capacitación que un usuario podría tener interés en leer o seguir
Selecciones basadas en la actividad reciente
A veces, las interacciones recientes con el sistema son más importantes y representan una mejor señal para recomendaciones personalizadas. En este caso, los modelos pueden ponderar las señales recientes o usar solo las interacciones más recientes como semilla (punto de partida).
Ejemplos basados en la actividad reciente:
Comprador de comestibles frecuente y de larga data (necesidades cambiantes)
Recomendaciones de juegos o películas (relevancia cambiante)
Generación de listas de reproducción de música (gusto cambiante o en evolución)
Selecciones basadas en la actividad en tiempo real
Cuando las selecciones se basan en señales en tiempo real, con la sesión actual como entrada, es un escenario con el intervalo de tiempo más corto. Las señales se presentan como eventos en tiempo real y, junto con modelos previamente entrenados, pueden ayudar a brindar recomendaciones instantáneas relevantes para la situación actual.
Ejemplos basados en la actividad en tiempo real:
Elementos vistos recientemente por el usuario. Mostrar una lista de elementos relacionados.
El usuario acaba de terminar de jugar un juego. ¿Qué oportunidades de venta adicional están disponibles?
Contenido descargado del usuario. ¿Qué contenido adicional elegir?
El usuario está leyendo artículos. ¿Qué se debe leer a continuación?
Mejores prácticas al usar recomendaciones personalizadas
Con recomendaciones personalizadas, tenga en cuenta las mejores prácticas para situaciones específicas.
Personalización de lista completa
A menudo, los minoristas no necesitan recomendaciones personalizadas para un catálogo completo. En cambio, tienen un subconjunto de catálogo específico para elegir para exponer a los consumidores. Es posible que ya esté ordenado por prioridad. En este caso, un editor o revisor podría aplicar una ligera reorganización para colocar los elementos del usuario más arriba en la lista. Las Intelligent Recommendations pueden respaldar esta experiencia "sobre la marcha", en función de los modelos completos existentes. Los minoristas pueden requerir una reorganización completa de la lista, o solo eliminar artículos que un usuario ya ha comprado. Al eliminar el historial de usuario de una lista, cualquier conjunto de elementos se puede personalizar ligeramente, lo que garantiza que no se desperdicie espacio físico para la colocación del producto.
Ejemplos de personalizaciones de lista completa:
Listas de tendencias personalizadas
Ofertas personalizadas, eligiendo entre productos con descuento o nuevas ofertas
Diversificando el gusto en recomendaciones personalizadas
Comprender las acciones de los usuarios es un papel importante para personalizar las listas de recomendaciones. Del mismo modo, la acción "me gusta" puede tener potencialmente una plétora de significados diferentes. Por lo tanto, no todas las acciones similares son iguales. A un padre le puede gustar escuchar videos musicales de blues y su hijo en la misma cuenta disfruta viendo videos de lanzamiento de naves espaciales. Nuestros modelos usan el algoritmo de persona múltiple en Intelligent Recommendations y reconocen que el gusto de un usuario puede variar. Las interacciones de los usuarios se dividen en clústeres (grupos separados) para diversificar los resultados. La división proporciona sugerencias de dos clústeres separados y las intercala en los resultados devueltos a los usuarios. Esta función protege los gustos cambiantes de los usuarios y garantiza que los intereses de los usuarios no se superpongan entre sí.
Ejemplos de diversificación de gustos:
Gustos diversos en música o películas
Compras de varias categorías (zapatos, joyas, artículos de limpieza)
Cuentas familiares con más de una persona
Consulte también
Ajustar los resultados
Proporcionar listas de recomendaciones basadas en elementos
Proporcionar listas de recomendaciones de tendencias