¿Qué es incluso un sistema de recomendación?

Sabes cuando Netflix sugiere un programa y piensas: "¿Cómo lo supo?". ¿O cuando Amazon te muestra productos que son extrañamente perfectos para ti? Ese es un sistema de recomendación en funcionamiento. Básicamente es un software que analiza lo que usted (y personas como usted) ha hecho en el pasado y lo utiliza para adivinar lo que probablemente querrá a continuación.

¿La buena noticia? No necesitas ser Netflix para crear uno. Si eres un desarrollador independiente que crea una aplicación, un blog o una tienda en línea, puedes agregar recomendaciones para que tus usuarios sigan regresando. Analicemos cómo funcionan realmente estas cosas, en un lenguaje sencillo, con ejemplos reales que puede seguir.

Los dos enfoques principales (con ejemplos reales)

En realidad, sólo hay dos ideas centrales detrás de cada sistema de recomendación. Una vez que los entiendas, todo lo demás serán sólo variaciones del tema.

1. Filtrado colaborativo: "A la gente como tú también le gustó..."

Este enfoque analiza lo que han hecho usuarios similares. no le importaquéel contenido realmente lo es. Simplemente nota patrones de comportamiento.

Ejemplo del mundo real:Supongamos que está creando una aplicación de reseñas de libros. Al usuario A le encantaron los libros n.° 1, n.° 2 y n.° 3. Al usuario B le encantaron los libros 1 y 2, pero aún no ha visto el libro 3. El filtrado colaborativo dice: "Al usuario B probablemente también le encantará el libro n.° 3, porque tiene los mismos gustos que el usuario A".

Así es exactamente como funciona la lista de reproducción "Discover Weekly" de Spotify. Encuentra usuarios con hábitos de escucha similares a los tuyos y luego recomienda canciones que les encantaron y que tú aún no has escuchado.

2. Filtrado basado en contenido: "Porque te gustó esto específico..."

Este enfoque analiza las características reales de aquello con lo que ha interactuado un usuario y luego encuentra más cosas con rasgos similares.

Ejemplo del mundo real:Estás creando una aplicación de recetas. Un usuario sigue guardando recetas de pasta vegetariana que tardan menos de 30 minutos. El filtrado basado en contenido recomendaría otros platos rápidos de pasta vegetariana, incluso si ningún otro usuario los ha probado todavía, porque elingredientes y atributoscoincide con lo que este usuario claramente prefiere.

La barra lateral de "Videos relacionados" de YouTube funciona de esta manera. Mira las etiquetas, el título y la categoría de lo que estás viendo y luego busca videos con atributos similares.

Dos tipos de sistemas de recomendación

👥

Filtrado colaborativo
"Usuarios como tú también disfrutaron..." (Spotify, Amazon)

🔍

Filtrado basado en contenido
"Porque este artículo tiene características similares..." (YouTube, Netflix)

🧪

Híbrido (lo mejor de ambos)
Combine ambos para obtener mejores resultados (lo que hacen la mayoría de las aplicaciones grandes)

📈

Basado en popularidad (inicio más fácil)
"Más popular de esta semana": no se necesitan datos de usuario

⏱️

Actualizaciones en tiempo real
Adáptese instantáneamente a medida que los usuarios interactúan con su aplicación

¿Qué pasa con las incrustaciones? (Es más simple de lo que parece)

Escuchará mucho el término "incrustaciones" en los tutoriales del sistema de recomendación. Suena intimidante, pero la idea es absolutamente simple.

Piénselo así: imagine que cada usuario y cada elemento de su aplicación se ubica en un mapa gigante. Los usuarios a los que les gustan cosas similares terminan muy juntos en el mapa. Los elementos que son similares también terminan muy juntos. Una "incrustación" es solo las coordenadas (la ubicación) de un usuario o elemento en ese mapa.

Ejemplo del mundo real:En una aplicación de música, un usuario que escucha jazz, blues y soul se ubicaría cerca de esos géneros en el mapa. Un usuario que escuche metal y punk estaría en un ámbito completamente diferente. Cuando sale un nuevo álbum de jazz, el sistema comprueba qué usuarios están "cerca" del jazz en el mapa y se lo recomienda.

Por qué esto es importante si estás creando una aplicación solo

Si es un desarrollador en solitario, agregar incluso un sistema de recomendaciones simple puede cambiar las reglas del juego para mantener a los usuarios interesados. He aquí por qué:

Los usuarios se quedan más tiempo.Cuando las personas ven contenido que consideran elegido personalmente, pasan más tiempo en su aplicación. Piensa en cómo sigues desplazándote por TikTok porque sigue mostrándote exactamente lo que te gusta.
Los usuarios descubren más de su contenido.Si tienes un blog con 200 publicaciones, la mayoría de los visitantes solo verán las últimas. Una sección "Quizás también te guste" puede mostrar publicaciones más antiguas que aún son relevantes para cada lector.
Los usuarios regresan con más frecuencia.Los resúmenes de correo electrónico personalizados ("Esto es lo nuevo según sus intereses") brindan a las personas una razón para regresar. Así es como Medium te mantiene haciendo clic en los artículos.

Cómo construir uno realmente (paso a paso)

Aquí tienes una hoja de ruta práctica que no te abrumará:

Empiece por realizar un seguimiento de lo que hacen los usuarios.Antes de poder recomendar algo, necesita datos. Realice un seguimiento de los clics, los me gusta, los guardados, el tiempo dedicado a las páginas, las compras, todo lo que tenga sentido para su aplicación. Incluso una tabla de base de datos simple comoID_usuario | id_artículo | acción | marca de tiempoes suficiente para empezar.
Comience con el enfoque más simple.No salte directamente al aprendizaje automático. Comience con "artículos más populares" o "los usuarios que compraron X también compraron Y". Para una aplicación pequeña, unas pocas consultas SQL pueden generar recomendaciones sorprendentemente buenas.
Gradúate en una biblioteca cuando estés listo.pitónbiblioteca sorpresahace que el filtrado colaborativo sea muy sencillo. Puede tener un modelo de recomendación funcional en aproximadamente 20 líneas de código.Recomendadores de TensorFlowEs genial si quieres profundizar más.
Mantenlo fresco.Las recomendaciones se vuelven obsoletas rápidamente. Configure un trabajo semanal para volver a entrenar su modelo con nuevos datos. El gusto de un usuario en enero puede ser completamente diferente en marzo.

Si no desea crearlo usted mismo, los servicios administrados pueden encargarse del trabajo pesado.Personalización de AWSle permite introducir sus datos y obtener recomendaciones a través de una API.IA de recomendaciones de Googlehace lo mismo. Ambos tienen niveles gratuitos que son lo suficientemente generosos para aplicaciones pequeñas.

Construyendo su primer sistema de recomendación

Seguimiento de las acciones del usuario

Registrar clics, me gusta, compras y tiempo invertido.

Comience simple

"Más popular" o "también comprado" con consultas SQL básicas

Agregar una biblioteca

Utilice los recomendadores de Python's Surprise o TensorFlow

Volver a entrenar semanalmente

Mantenga las recomendaciones actualizadas a medida que cambian los gustos de los usuarios

Mida lo que funciona

Realice un seguimiento de las tasas de clics en sus recomendaciones

Conclusiones clave

No es necesario ser un científico de datos.Una simple consulta "a las personas a las que les gustó X también les gustó Y" puede hacer maravillas para una aplicación pequeña.
Empieza con lo que tienes.Incluso los datos básicos de clics son suficientes para generar recomendaciones útiles.
Hay herramientas gratuitas que hacen el trabajo pesado.Bibliotecas como Surprise y servicios administrados como AWS Personalize tienen niveles gratuitos perfectos para desarrolladores individuales.
Mantenlo fresco.Vuelva a entrenar su modelo con regularidad. Las recomendaciones obsoletas son peores que ninguna recomendación.
Mide el impacto.Realice un seguimiento de si los usuarios realmente hacen clic en sus recomendaciones. Si no es así, modifique su enfoque.

Conclusión

Los sistemas de recomendación no son sólo para gigantes tecnológicos con enormes equipos de ingeniería. Como desarrollador en solitario, puede comenzar con algo tan simple como "el más popular de esta semana" y avanzar gradualmente hasta llegar a sugerencias personalizadas basadas en datos reales del usuario. Las herramientas son gratuitas, las bibliotecas son aptas para principiantes y el impacto en la participación de los usuarios puede ser enorme.

La clave es simplemente empezar. Realice un seguimiento del comportamiento del usuario, pruebe un enfoque simple y repita desde allí. Tus usuarios notarán la diferencia.

Para leer más, consulteGuía de sistemas de recomendación de Google, Personalización de AWS, y elDocumentación sorpresa de la biblioteca.