Avances en tecnología de recomendaciones para tiendas de comercio electrónico

• Una investigación busca mejorar los sistemas de recomendaciones actuales
• Parte del problema, que mucha gente comparte ordenador o cuenta en tiendas

Cuando los "motores de recomendación" funcionan aumentan las ventas del comercio electrónico

"Mmm… Como has comprado La sirenita, El rey león y La matanza de Texas te recomendamos que compres… El enviado de Satanás, Holocausto zombie y Bambi". Si esta situación suena familiar es porque en las tiendas de Internet no es por desgracia extraña: la tecnología que hay detrás de las bambalinas y que se encarga de realizar las llamadas "recomendaciones" a veces se vuelve un poco loca y confunde lo que matemáticamente puede tener sentido pero incluso un niño cuestionaría.

Y es que inferir que porque te gustan las películas de Disney y las del terror más terrorífico la sugerencia es que compres una de cada tipo… es una suposición cuando menos arriesgada. Pero esto suele suceder especialmente cuando varias personas comparten el mismo ordenador, compran con la misma cuenta y tarjeta o cuando se adquieren productos para regalo.

Y es que en la época post-navideña es fácil sentir la proporción del desastre: las tiendas se empeñan en recomendar que nosotros compremos perfumes, corbatas o juguetes infantiles – sin percatarse de que tal vez esas compras eran regalos para la mujer, el novio o los hijos y sobrinos. Pero no hay que desesperar: ahora unos investigadores del Instituto de Tecnología de Massachusetts están trabajando para diferenciar quién es el destinatario de las compras y mejorar estas fórmulas de recomendación.

Hoy en día las recomendaciones provienen de todo tipo de fuentes de información: las compras anteriores, las páginas por las que se navega y especialmente las palabras que se buscan en Google o en otros buscadores. No es para nada paranoico pensar que internet te "persigue" con banners publicitarios sobre esos gadgets o viajes con los que estás soñando: tal vez es que en los últimos días has estado navegando por páginas de destinos, ofertas, tiendas o preguntando dónde conseguir los mejores precios.

Pero cuando los "motores de recomendación" funcionan  aumentan las ventas del comercio electrónico en un pequeño pero significativo porcentaje – algo que los propietarios del negocio aprecian. Por esta razón cualquier mejora que los haga más eficientes es bienvenida. Conocido es el caso de una empresa como Netflix, que llegó a ofrecer un premio de un millón de dólares a quien mejorara sus recomendaciones de películas un 10 por ciento.

El algoritmo de los investigadores del M.I.T. analiza un modelo simplificado: datos de 500.000 usuarios de un videoclub con 17.000 películas. Con esta versión básica se puede trabajar y en caso de que funcione extrapolar a otras más complejas.

Lo primero que hace el algoritmo o fórmula es intentar averiguar cuántas personas utilizan la misma cuenta; la forma de conseguirlo es buscando películas con valoraciones similares (puntuaciones otorgadas tras ver las películas). Esto da una pista a la fórmula sobre si los datos encajan mejor con un hogar de una, dos, tres personas o quizá más.

Los detalles del trabajo que se han publicado son bastante esperanzadores: el sistema no es perfecto pero parece distinguir a un tipo de personas de otras, aunque simplemente sea porque en hogares de dos personas agrupa a una de ellas con títulos de "ciencia ficción y fantasía" y a la otra con "comedias románticas": suena un tanto tópico, pero es una forma de comprobar su eficacia.

Una vez se tienen los resultados simplemente se muestran las mejores recomendaciones para esos individuos, pero ignorando el hecho de que usen la misma cuenta en la tienda o videoclub,: se los trata como personas diferentes. Hay más detalles sobre otras técnicas y posibles aplicaciones en el trabajo original: Identifying Users Through Subspace Clustering (Identificación de usuarios mediante agrupación de subespacios).

Otro dato curioso e interesante es que de funcionar correctamente, este método explicaría también cómo alguien podría alterar su comportamiento votando positivamente películas que no le gustan –o al revés– con la finalidad de anular el poder de los algoritmos y conseguir algo más de privacidad.