Soñando el 2012. Recomendaciones como base se una experiencia relevante. Mi amor a las matemáticas y el diseño productos.

1. Sistemas de
Recomendación
Reseach Q1 2012
1
Mauricio
Olguin

2. La recomendación
“We are leaving the age of
information and entering the age of
recommendation”
Chris Anderson, en The Long Tail
2

3. Agenda
• Sistemas de Recomendación
• Filtrado Colaborativo
• Reglas de Asociación
• Aplicaciones
3

4. SISTEMAS DE
RECOMENDACIÓN
4

5. Competing on Analytics:
5
The
New
Science
of
Winning.
Thomas
Davenport

6. “La clave de nuestro
éxito es adaptar nuestro
WebSite al gusto de
cada individuo”
Reed Hastings.
6

7. Amazon
20% - 30% de las ventas de Amazon
provienen de recomendaciones
Jeff Bezos
7

8. Amazon
Enfoque
customer-centric
Obsesión por la
experiencia de
usuario.
8

9. Amazon
9

10. Netflix
10

11. Netflix
11

12. Visitas, Interacciones,
Transacciones.
12

13. Conversiones
13

14. Sistemas de recomendación
Descubren en forma automática
propiedades y/o proyectos que son de
interés para un usuario
Aplicaciones:
–Comercio electrónico, Buscadores, Web
2.0, Marketing Personalizado, etc.
–Items: Propiedades, Proyectos, Imágenes,
Páginas Web, etc.
14

15. Efectos de red
La ley de Metcalfe:
valor de una red =
ususarios2
15
Aplicable a
Teléfonos
Faxes
Sistemas Operativos
Aplicaciones
Redes sociales

16. Algunos ejemplos
• Amazon
• Amie Street
• Barnes and Noble
• Barilliance
• Digg.com
• StumbleUpon
• iTunes-music
• Last.fm-music
• Netflix
• Strands.com
• Threadless
16

17. Beneficios
• Predecir cuanto gustará el producto/
servicio.
• Ofrecer una lista de N mejores items.
• Ofrecer una lista de N mejores usuarios
para un cierto producto/servicio.
• Explicar porque esos items son
recomendados para el usuario.
• Ajustar la predicción y recomendación
basada en el feedback de otras personas.
17

18. Estratégias a seguir
• Basado en contenido:
Análisis del contenido de los ítemes
Ejemplo: buscadores Web en sus inicios
• Basados en Demografía
Análisis de atributos demográficos de los usuarios
• Basados en lo Social: Filtrado colaborativo
Análisis de las preferencias de los usuarios
Ejemplo: Netflix, Amazon
• Basado en Reglas de Asociacón
18

19. Netflix precio
Filtrado
colaborativo
19

20. Segun contenidos
20

21. Según demografía
21

22. Según otros tipos de info
22

23. FILTRADO
COLABORATIVO
23

24. Filtrado colaborativo
Basado en Afinidad
de Usuarios
Basado en Afinidad
de Items(Item-to-Item)
24

25. REGLAS DE
ASOCIACIÓN
25

26. Extracción de Asociaciones
•Dado un conjunto de transacciones, encontrar reglas
interesantes, es decir, que permitan predecir la
ocurrencia de
un ítem en base a la ocurrencia de otros ítemes.
26

27. Calculo de Recomendaciones
• Extraer reglas de asociación desde BD
histórica
• Buscar reglas cuyo antecedente se
cumple en el contexto, preferencias,
contenido, demografía, etc. del usuario
activo
• Recomendar ítems que aparecen en el
consecuente de la regla
27

28. Próximos pasos
“Hasta hace poco, estos sistemas parecían estar reservados a
grupos y empresas con grandes recursos, como Amazon, Netflix,
y Apple iTunes.
Sin embargo, la proliferación de productos y servicios han
abaratado el acceso a estas tecnologías y servicios, lo que
permite que negocios de menor tamaño y escala puedan
disponer de este tipo de funcionalidad sin riesgo de pérdidas, y
sin invertir demasiado dinero y esfuerzo.”
Jesús A. Pindado,
Strands Recommender
28

29. GRACIAS
Mauricio Olguin
29