¿Cuáles son algunos de los mejores motores de recomendación en línea (aparte de Hunch)?

El mejor motor de recomendación de su clase está diseñado para ser específico de un nicho y ayuda a los usuarios a encontrar productos o contenidos relevantes, al mismo tiempo que ayuda a los especialistas en marketing a comprender mejor a los clientes y usuarios y a facilitarles la vida.

Boomtrain se creó con la idea de que los especialistas en marketing podrían utilizar un motor de recomendación con aprendizaje automático y IA en el núcleo. Esto ayuda a los vendedores de empresas de comercio electrónico, editoriales y marcas comerciales a ofrecer el contenido y los productos más relevantes a sus lectores a un nivel único, personalizado, 1: 1. ¿Los resultados? Los clientes sienten que se han tomado el tiempo para comprenderlos y ‘obtenerlos’ en lugar de simplemente dividirlos con las masas.

¿Qué hace que Boomtrain sea parte de la mejor generación de motores de recomendación en línea?

Segmentación y Personalización
Boomtrain le permite filtrar las actividades y los comportamientos de los usuarios para crear segmentos únicos que son perfectos para una comunicación personalizada 1: 1. Puede guardar estos segmentos y asegurarse de que se mantengan actualizados dinámicamente (cualquier cliente que califique se agrega al segmento) Con esto como base, puede enviar mensajes de campaña con una comprensión más profunda de a quién está enviando el mensaje y qué les gusta , en los medios que prefieren. Imagine poder enviar a sus clientes recomendaciones personalizadas en tiempo real en función de sus gustos, tweets y recursos compartidos. Esto es lo que Boomtrain puede ayudarte a lograr.

Filtración colaborativa
Boomtrain utiliza el Filtrado colaborativo para comprender qué les puede gustar a los usuarios en función de la información que les gusta a dos usuarios o que muestran interés en común. Esto proporciona una base para conexiones más fuertes con cada contenido que comparta con el usuario y aumenta las posibilidades de interacción. En el mundo del comercio electrónico, el filtrado colaborativo se puede utilizar para hacer las siguientes recomendaciones.

  • También podría gustarte
  • Las personas que compraron esto también compraron
  • ¿Te gustaría agregar ____ a tu carrito?
  • Las personas que vieron este producto también vieron _____
  • A menudo comprados juntos

    Y mucho más.

Análisis semántico
El análisis semántico se basa en la creación de texto, el consumo y los patrones de intercambio, nuestro núcleo de inteligencia artificial lo ayuda a identificar qué temas puede interesarle más a un usuario en función de sus interacciones, me gusta, compartir y comentar una información.

Análisis de popularidad
El motor de Boomtrain realiza un seguimiento del contenido más popular en su campo y ayuda a incorporarlo en las recomendaciones basadas en los intereses de su audiencia.

Plataforma de comunicación
La plataforma de comunicación integrada de Boomtrain lo ayuda a redactar correos electrónicos, boletines, SMS, en el sitio, en la aplicación y enviar mensajes a sus usuarios mediante una plantilla fácil de usar de arrastrar y soltar. Ahorre el tiempo y el esfuerzo que dedica a diseñar plantillas, y pase más tiempo entendiendo a sus usuarios.

Lea más sobre Boomtrain y solicite una demostración aquí.

Descargo de responsabilidad: yo trabajo aquí.

De acuerdo con Ivan, los mejores motores de recomendaciones actuales tienden a ser específicos de un dominio, ya que la combinación de algoritmos y técnicas que utilizan están ajustados al tipo de datos y al tipo de interacción del usuario con los que tienen que lidiar. Por ejemplo, en el espacio de la música, una compañía como Pandora está aprovechando metadatos altamente descriptivos sobre cada canción, lo que les permite obtener similitudes entre las canciones. También en el espacio de la música, tiendes a tener muchos puntos de datos de usuario ya que las personas escuchan fácilmente docenas de canciones cada día. Por lo tanto, el arranque en frío es un problema menor para las recomendaciones de música.

En el espacio basado en la ubicación, donde las personas votan con los pies (registros) o mediante reservas, reseñas y calificaciones, existen desafíos muy diferentes. Por lo general, se trata de menos puntos de datos de usuario (las personas visitan muchos menos lugares que la cantidad de canciones que escucharían), por lo que el arranque en frío es un problema importante. La compañía con la que trabajo, http://www.likecube.com , se enfoca en esta vertical específica (GigaOm nos etiquetó como el motor de recomendación para ubicaciones) y ahora ha encontrado la manera de abordar este problema de arranque en frío. Hemos creado una solución que puede potenciar los sitios y las aplicaciones móviles para ofrecer recomendaciones personalizadas de los lugares que a las personas pueden gustarles y mostrar reseñas de personas de ideas afines. http://www.Qype.com , el líder en revisiones de negocios locales en Europa (con 16 millones mensuales únicos) ya cuenta con la tecnología de LikeCube para personalizar la experiencia tanto en su sitio como en la aplicación móvil.

Debe consultar las conferencias anuales de ACM sobre sistemas de recomendación, en particular los tutoriales y las presentaciones de seguimiento de la industria. Divulgación completa: ofrecí un tutorial en la conferencia del año pasado y estoy coorganizando la ruta de la industria de este año con Yehuda Koren.

RecSys 2011: http://recsys.acm.org/2011/
RecSys 2012: http://recsys.acm.org/2012/