“Los sistemas de recomendación están permitiendo dar el salto de organizar la información a llegar a hacer sugerencias o asesorar al usuario de manera personalizada según sus gustos o necesidades particulares de manera automatizada”, comenta Juan Murillo, responsable de Divulgación Analítica en BBVA Data & Analytics. Este es un camino que BBVA ya ha empezado a recorrer a través de servicios como Baby Planner, Bconomy o Commerce360, y cuyo potencial abre un nuevo mundo de servicios orientados a ayudarnos a organizar cualquier aspecto de nuestras vidas con decisiones contrastadas y basadas en datos.
Datos, el combustible
Los sistemas de recomendación, como todos los sistemas de inteligencia artificial, se alimentan de datos. El hecho de que hoy la IA sea más tangible que nunca se debe precisamente a que los usuarios generan una huella digital cada vez más completa. Cada interacción en las redes sociales, en la web o en los sistemas de mensajería aportan datos que permiten conocer gustos, tendencias, preferencias, etc.
«Si el ‘big data’ permitía procesar esa gran cantidad de datos, el aprendizaje automático o ‘machine learning’ “dota a las máquinas de la capacidad de aprendery realizar tareas complejas sin haber sido programadas para ello de forma explícita”, explica Iskra Velitchkova, autora del estudio Recsys y especialista en Visual Thinking de BBVA Data & Analytics. “Así se crean motores que permiten tomar decisiones basadas en algún razonamiento concreto. Y es este razonamiento, cuando se automatiza, se llama algoritmo”, apunta Juan María Arévalo, Científico de Datos en BBVA Data & Analytics.
Los datos entrenan a esos algoritmos para que encuentren patrones, aprendan de ellos y sean capaces de hacer nuevas relaciones. En el caso de los sistemas de recomendación aprenden a encontrar y escoger una nueva propuesta para cada usuario.
Actualmente, la mayoría de las recomendaciones funcionan principalmente de acuerdo a tres modelos, que en Recsys se explican a través de un pequeño test basado en la entrevista de 109 personas sobre sus preferencias gastronómicas ante 30 platos internacionales.
Popularidad
La recomendación se realiza de acuerdo a lo que le gusta a la mayoría. Así, en el ejemplo del estudio, la comida que primero te recomiendan es la paella, y la segunda, la pizza, pues han sido las preferencias elegidas de manera mayoritaria por todos los encuestados. Estos sistemas no tienen en cuenta al usuario o al producto.
Basado en el contenido
Este tipo de algoritmo sugiere recomendaciones basadas en el perfil del usuario o del producto (atributos, categorías, etc). “Estas recomendaciones usan por tanto palabras clave, atributos, etc. de los contenidos para hacer sus sugerencias” , comenta Marco Creatura, Científico de Datos en BBVA Data & Analytics.
Son frecuentemente usados cuando no existe un historial de compras, de visualizaciones, o uso, etc. por parte del cliente o del producto a recomendar. Así en el ejemplo de Recsys, “para la categoría comida china, selecciona algunos de los platos más populares dentro de este tipo de comida: pato laqueado, arroz tres delicias, rollitos de primavera, etc.”. En la actualidad, los métodos basados en contenido se combinan con algoritmos que usan filtrado colaborativo, que se explica a continuación.
KNN (K-Nearest Neighbor)
Las recomendaciones basadas en el histórico de los usuarios se conocen de forma general como “filtrado colaborativo”. A partir de ese histórico, por ejemplo, se podría llegar a encontrar similaridades entre usuarios para generar una recomendación. Ésto es lo que hace KNN, que utiliza los (K) vecinos más similares a un usuario para sugerir un nuevo producto. De este modo, si te gusta el guacamole, KNN te recomienda la tortilla de patata, la pizza y la pasta – preferencias de quien tiene gustos similares a los tuyos.
Estas son las recomendaciones más sofisticadas y las que permiten ofrecer opciones más personalizadas. Este es el sistema que está detrás de las compras asociadas de Amazon, o al sistema de Netflix que propone nuevas series o películas.
La historia que cuenta BBVA Data & Analytics en su Recsys parte de la celebración de un cumpleaños y resume estos modelos de recomendaciones en tres formas en las se podría haber elegido un restaurante para reunirse: por ser un sitio de moda (popular), por ser un lugar con el mismo tipo de comida al que sueles ir, o por ser uno al que va gente con un mismo perfil que el tuyo.
Pensamiento no lineal
El reto de la inteligencia artificial está ahora en desarrollar metodologías capaces de hacer asociaciones mucho menos lineales. Esas que llevan a encadenar pensamientos que nada tienen que ver con la lógica pero sí con las vivencias y las emociones.
Esos pensamientos que se desencadenan al probar una croqueta, que enciende el recuerdo de una abuela, y de los veranos de infancia en ese pueblo, y que de pronto acaba en una propuesta para organizar un fin de semana de turismo rural. Todo en una cuestión de segundos: ¡Qué rica están las croquetas! ¿No os apetecería irnos este finde de turismo rural?
“La mente humana hace que dos canciones muy distintas le recuerden a un mismo momento vital o que un lugar le evoque a alguien muy concreto con el que nunca ha estado allí. Pero esto es un reto enorme para las máquinas”, comenta Velitchkova.
“Creemos que las recomendaciones tienen que ir mucho más allá, y modelar la relación entre una persona y los productos que utiliza. Hoy el “deep learning” empieza a permitirnos a encontrar espacios donde personas y productos conviven y tienen una relación entre sí, aunque esta se pueda escapar a la lógica inmediata”, añade Arévalo.
En Recsys, BBVA Data & Analytics se plantea si se pueden llegar a encontrar datos medibles que permitan crear estas relaciones implícitas para, mediante algoritmos, dar recomendaciones aún más eficaces y personales en todos los aspectos vitales, incluido, por supuesto, los de la vida financiera.