Introducción a la Personalización y a los Sistemas Recomendadores
-
Upload
david-bueno-vallejo -
Category
Technology
-
view
304 -
download
1
Transcript of Introducción a la Personalización y a los Sistemas Recomendadores
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