Introducción a la Personalización y a los Sistemas Recomendadores

Preview:

Citation preview

David Bueno Vallejo 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 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

Introducción: Ejemplos de Personalización

Supermercado y la tienda de barrio

Cadena de hoteles

Tarjetas de fidelidad

Empresas de Telefonía

RFID (Grandes Almacenes EEUU)

Bancos

Sistemas Recomendadores

Música

Noticias, Publicaciones Científicas

Buscadores Web, Filtros correo

Tiendas (Amazon, CD Now)

Programación TV

Agencias de Viajes

Errores comunes • “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 Cliente Molestia 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

Fidelización a través de la personalización

Usuario fidelizado

Trato Personal

Fuertes barreras de salida

Débiles barreras

de entrada

Interfaz de Usuario Multiplataforma 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,…

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: Recomendador de Publicaciones

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) -Top Personal Tags(7)

1

2

3 4

6

5

7

TPTV: http://marte.lcc.uma.es/tptv/

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/

TPTV:

TPTV:

Personalización: El modelo del usuario

¿Qué información

guardar?

¿Cómo aprende el sistema?

¿Cómo explotar el modelo de

usuario?

¿Cómo aprende el sistema?

Un objeto puede ser: noticia, programa, pagina web, libro

¿Cómo explotar el modelo de usuario?

¿Cómo seleccionar qué le interesa al usuario?

Recomendaciones Basadas en el Contenido

• (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

Recomendaciones Basadas en el Contenido

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

Recomendaciones Colaborativas

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

Algoritmos colaborativos centrados en el usuario

Imagen de

Limitaciones :Colab. Basado en Usuario

• 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

Recomendación basada en item-item

Imagen de

Utilizadas en Amazon.com

Recomendador Final

El mejor recomendador es el que combina distintos algoritmos

Content Short Term Recommender

Content Long Term Recommender

Tags Recommender Collaborative

Recommender

tagscollablongshort

iuiuiuiuRRRRitemuserR

,,,,

.

),( tagscollablongshort

iuiuiuiuRRRRitemuserR

,,,,

.

),(

tagscollablongshort

iuiuiuiuRRRRitemuserR

,,,,

.

),(

donde

α+β+φ+δ=1

Publicidad Personalizada

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”

Publicidad Personalizada: 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

Algunos ya lo hacían antes…

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

Recommended