David BuenoVallejo 2007.
Universidad de Málaga
Plan
Introducción
Algunos Ejemplos
Características de la
Personalización
Publicidad Personalizada
Conclusiones
Introducción
Las ideas de la revolución industrial “one size fits all”
están desfasadas
Los usuarios de cualquier recurso ...
Introducción:EjemplosdePersonalización
Supermercado y la tienda de barrio
Cadena de hoteles
Tarjetas de fidelidad
Empresas...
SistemasRecomendadores
Música
Noticias, Publicaciones Científicas
BuscadoresWeb, Filtros correo
Tiendas (Amazon, CD Now)
P...
Errorescomunes
• “Porque un Cliente pida un día café no le voy a bombardear con
anuncios de café”Trivializar
• No debe cam...
Fidelizaciónatravésdelapersonalización
Usuario fidelizado
Trato
Personal
Fuertes
barreras
de salida
Débiles
barreras
de en...
InterfazdeUsuarioMultiplataforma
El usuario debe poder acceder al sistema cuando quiera y desde donde quiera: Web, Mail,
T...
Amazon:
1
2
3
http://www.amazon.com/
NikeiD:http://nikeid.nike.com/nikeid/
Cafepress:http://www.cafepress.com/
Movielens:
1
2
3
http://movielens.umn.edu/
METIOREW:RecomendadordePublicaciones
METIOREW:http://www.lcc.uma.es/metiorew/
Home Personalizada
-Diferentes temas(1,2)
-Eval. programas(3)
-Añadir a favoritos(4)
-Tags Personal(5)
-Perfil Personal(6)...
Home de cada Programa
-Evaluaciones Personal. (1)
-Stadisticas (2)
-numero de votos
- Evaluation media
-Frec.de favoritos
...
TPTV:
TPTV:
Personalización:Elmodelodelusuario
¿Qué
información
guardar?
¿Cómo aprende
el sistema?
¿Cómo
explotar el
modelo de
usuario?
¿Cómoaprendeelsistema?
Un objeto puede ser: noticia, programa, pagina web, libro
¿Cómoexplotarelmodelodeusuario?
¿Cómoseleccionarquéleinteresaalusuario?
RecomendacionesBasadasenelContenido
• (1 y2 – Niveles de no interés)
• (3 y 4 – Niveles de interés)
Explícita:El usuario
e...
RecomendacionesBasadasenelContenido
El usuario tiene un modelo con sus evaluaciones
anteriores asociados a diferentes pará...
RecomendacionesColaborativas
Las recomendaciones
colaborativas se hacen
sin mirar el contenido de
los objetos. Se
recomien...
Algoritmoscolaborativoscentradosenelusuario
Imagen de
Limitaciones:Colab.BasadoenUsuario
• Muchos usuario que evalúan pocos
objetos
• Difícil encontrar patrones comunes
Dispers...
Recomendaciónbasadaenitem-item
Imagen de
Utilizadas en Amazon.com
RecomendadorFinal
El mejor recomendador es el que combina distintos algoritmos
Content ShortTerm
Recommender
Content LongT...
PublicidadPersonalizada
Los usuarios reciben mucha publicidad que no les interesa
Una publicidad será efectiva si trata al...
PublicidadPersonalizada:Claves
La naturaleza personal de la comunicación móvil requiere un
escrupuloso respeto por el Clie...
Algunosyalohacíanantes…
Conclusiones
La fidelización de clientes es clave para las empresas
En la actualidad las empresas no buscan nuevos cliente...
Introducción a la Personalización y a los Sistemas Recomendadores
Introducción a la Personalización y a los Sistemas Recomendadores
Introducción a la Personalización y a los Sistemas Recomendadores
Introducción a la Personalización y a los Sistemas Recomendadores
Introducción a la Personalización y a los Sistemas Recomendadores
Próxima SlideShare
Cargando en…5
×

Introducción a la Personalización y a los Sistemas Recomendadores

474 visualizaciones

Publicado el

Publicado en: Tecnología
0 comentarios
0 recomendaciones
Estadísticas
Notas
  • Sé el primero en comentar

  • Sé el primero en recomendar esto

Sin descargas
Visualizaciones
Visualizaciones totales
474
En SlideShare
0
De insertados
0
Número de insertados
4
Acciones
Compartido
0
Descargas
10
Comentarios
0
Recomendaciones
0
Insertados 0
No insertados

No hay notas en la diapositiva.

Introducción a la Personalización y a los Sistemas Recomendadores

  1. 1. David BuenoVallejo 2007. Universidad de Málaga
  2. 2. Plan Introducción Algunos Ejemplos Características de la Personalización Publicidad Personalizada Conclusiones
  3. 3. Introducción Las ideas de la revolución industrial “one size fits all” están desfasadas Los usuarios de cualquier recurso necesitan cada vez más tener una identidad propia Necesitan sentir que la compañía con la que interactúan les da una atención personalizada y un trato diferencial Lo que le ofrece la empresa es único: Ej. Nike
  4. 4. Introducción:EjemplosdePersonalización Supermercado y la tienda de barrio Cadena de hoteles Tarjetas de fidelidad Empresas deTelefonía RFID (Grandes Almacenes EEUU) Bancos
  5. 5. SistemasRecomendadores Música Noticias, Publicaciones Científicas BuscadoresWeb, Filtros correo Tiendas (Amazon, CD Now) ProgramaciónTV Agencias deViajes
  6. 6. Errorescomunes • “Porque un Cliente pida un día café no le voy a bombardear con anuncios de café”Trivializar • No debe cambiar todo, ni hacerlo de manera instantánea. Ha de basarse siempre en refinamientos sucesivos (Mickey Mouse, Coca-Cola, …) Adaptar de forma drástica o agresiva • No hacer adaptaciones de la oferta, ni solicitar datos, de forma antinatural o en contra de la voluntad del ClienteMolestia e Intrusión • “No puedo mandar comunicaciones personalizadas a mis Clientes. Me supone un coste desorbitado” Atribuirle irracionalidad económica • “Dado que puedo personalizar, personalizo todo, a todos y en cualquier momento” Borrachera de personalización Fuente: Javier G. Recuenco
  7. 7. Fidelizaciónatravésdelapersonalización Usuario fidelizado Trato Personal Fuertes barreras de salida Débiles barreras de entrada
  8. 8. InterfazdeUsuarioMultiplataforma El usuario debe poder acceder al sistema cuando quiera y desde donde quiera: Web, Mail, Teléfono PDA,TDT-PC, Windows Media Center, set-top boxes, Playstation 3,Wii,…
  9. 9. Amazon: 1 2 3 http://www.amazon.com/
  10. 10. NikeiD:http://nikeid.nike.com/nikeid/
  11. 11. Cafepress:http://www.cafepress.com/
  12. 12. Movielens: 1 2 3 http://movielens.umn.edu/
  13. 13. METIOREW:RecomendadordePublicaciones
  14. 14. METIOREW:http://www.lcc.uma.es/metiorew/
  15. 15. Home Personalizada -Diferentes temas(1,2) -Eval. programas(3) -Añadir a favoritos(4) -Tags Personal(5) -Perfil Personal(6) -Top PersonalTags(7) 1 2 3 4 6 5 7 TPTV:http://marte.lcc.uma.es/tptv/
  16. 16. Home de cada Programa -Evaluaciones Personal. (1) -Stadisticas (2) -numero de votos - Evaluation media -Frec.de favoritos -Próx. Emisiones (3) -Comentarios Usuarios(4) 1 4 3 2 TPTV:http://marte.lcc.uma.es/tptv/
  17. 17. TPTV:
  18. 18. TPTV:
  19. 19. Personalización:Elmodelodelusuario ¿Qué información guardar? ¿Cómo aprende el sistema? ¿Cómo explotar el modelo de usuario?
  20. 20. ¿Cómoaprendeelsistema? Un objeto puede ser: noticia, programa, pagina web, libro
  21. 21. ¿Cómoexplotarelmodelodeusuario?
  22. 22. ¿Cómoseleccionarquéleinteresaalusuario?
  23. 23. RecomendacionesBasadasenelContenido • (1 y2 – Niveles de no interés) • (3 y 4 – Niveles de interés) Explícita:El usuario evalua en un rango. (por ej. 1-4) • Ve un programa, lee una noticia • Se conecta a la web desde el móvil Implícita: El usuario utiliza un servicio • Programa:Título, año, descripción, … • Noticia:Título, entradilla,resumen,… Los objetos se estructuran en parámetros
  24. 24. RecomendacionesBasadasenelContenido El usuario tiene un modelo con sus evaluaciones anteriores asociados a diferentes parámetros Cada nuevo objeto se compara con el perfil del usuario para calcular su similitud Este valor se utiliza para ordenar los distintos objetos de acuerdo a ese usuario
  25. 25. RecomendacionesColaborativas Las recomendaciones colaborativas se hacen sin mirar el contenido de los objetos. Se recomienda un programa porque otro usuario similar al primero ha considerado que este programa es interesante
  26. 26. Algoritmoscolaborativoscentradosenelusuario Imagen de
  27. 27. Limitaciones:Colab.BasadoenUsuario • Muchos usuario que evalúan pocos objetos • Difícil encontrar patrones comunes Dispersion • Cada usuario debe compararse con todos los demás • Esto implica un alto coste computacional y dificultades de escalabilidad Escalabilidad
  28. 28. Recomendaciónbasadaenitem-item Imagen de Utilizadas en Amazon.com
  29. 29. RecomendadorFinal El mejor recomendador es el que combina distintos algoritmos Content ShortTerm Recommender Content LongTerm Recommender Tags Recommender Collaborative Recommender tagscollablongshort iuiuiuiu RRRRitemuserR ,,,, . ),(  tagscollablongshort iuiuiuiu RRRRitemuserR ,,,, . ),(  tagscollablongshort iuiuiuiu RRRRitemuserR ,,,, . ),(   donde α+β+φ+δ=1
  30. 30. PublicidadPersonalizada Los usuarios reciben mucha publicidad que no les interesa Una publicidad será efectiva si trata algún tema relevante para el usuario Es suficiente con añadir cierta meta información a cada anuncio y compararlo con el modelo del usuario De esta forma sólo solo se ofrece un pequeño número de anuncios a los usuarios pero el beneficio es mucho mayor que con anuncios no dirigidos Schwarz (Schwarz, 2004) : ”researchers expect the majority of iTV advertising to be interactive and the total iTV advertising revenue to be in the billions”
  31. 31. PublicidadPersonalizada:Claves La naturaleza personal de la comunicación móvil requiere un escrupuloso respeto por el Cliente Asegurar una experiencia positiva para el Cliente como elemento clave para su implicación Construir valor a largo plazo a partir de la recolección de datos Sólo Marketing Bajo Permiso El mensaje debe aportar valor al Cliente, y ello depende de lo personal y adecuado a su realidad y circunstancia personal
  32. 32. Algunosyalohacíanantes…
  33. 33. Conclusiones La fidelización de clientes es clave para las empresas En la actualidad las empresas no buscan nuevos clientes ‘veletas’ u oportunistas sino mantener buenos clientes Para que un cliente no se vaya es necesario conocerlo y que irse a otra empresa supone empezar de cero Para ello es imprescincible el trato personalizado y el uso de sistemas recomendadores para ofrecer productos

×