Compras navideñas: compre inteligentemente con el motor de recomendaciones de Amazon
En Navidad muchos de nosotros estamos luchando para elegir el regalo más adecuado para nuestros seres queridos. La caza de regalos para Navidad puede requerir días de planificación, a veces semanas. Además de su parte divertida y alegre, las compras navideñas pueden ser una experiencia estresante y que consume mucho tiempo .
Afortunadamente en la era de la tecnología avanzada, existen herramientas disponibles de manera gratuita que pueden hacer que el proceso de compra sea mucho más eficiente y productivo. En esta publicación, le mostraré cómo Amazon.com, uno de los sitios minoristas más grandes del mundo, puede ayudarlo a encontrar los mejores obsequios para sus amigos y familiares en un plazo razonable con la ayuda de su motor de recomendación inteligente.
Experiencia de usuario personalizada
Los sitios web más exitosos del mundo, como Amazon, Facebook y Youtube, son tan populares porque ofrecen una experiencia de usuario personalizada para todos .
Personalizar la experiencia del usuario básicamente significa que las empresas observan a sus usuarios mientras navegan por su sitio y realizan diferentes acciones en él. Recopilan los datos en bases de datos ordenadas y lo analizan.
¿No es dañino para la privacidad? Desde cierto punto de vista, sí lo es; estas empresas pueden saber más sobre nosotros que nuestros amigos más cercanos o incluso nosotros mismos. Por otro lado, nos ofrecen un servicio que puede facilitar nuestras vidas y nuestras decisiones mejor informadas.
Si lo vemos desde un punto de vista transaccional, "pagamos" una mayor experiencia de usuario y comodidad, con una parte de nuestra privacidad.

La tecnología detrás de las recomendaciones de Amazon
Mientras navegamos por el sitio web de Amazon, podemos encontrar recomendaciones personalizadas en todas partes bajo encabezados como "Nuevo para ti", "Recomendaciones para ti en Kindle Store", "Recomendaciones destacadas", "Clientes que compraron este artículo también comprado" y muchos otros.
Las recomendaciones se han integrado en cada parte del proceso de compra desde la búsqueda del producto hasta el pago . Las recomendaciones personalizadas son impulsadas por un motor inteligente de recomendaciones que llega a conocer mejor y mejor a los usuarios a medida que utilizan el sitio.

Los sistemas de recomendación utilizan diferentes tipos de algoritmos de aprendizaje automático, y se han vuelto comercialmente implementables con la evolución de la tecnología de big data. Los motores de recomendación son productos basados en datos, ya que necesitan encontrar el conjunto de datos pequeños más relevante en el enorme océano de grandes datos .

Usan uno de los siguientes enfoques:
(1) Filtrado colaborativo, que busca similitudes entre los datos de colaboración, como compras, clasificaciones, me gusta, votos ascendentes, votos abajo en:
- ya sea la matriz usuario-usuario, donde se generan recomendaciones basadas en las elecciones de otros clientes a los que les gustaron, compraron, calificaron, etc. productos similares,
- o la matriz producto-producto, donde el motor de recomendación devuelve productos que son similares en compras, "me gusta", calificaciones, etc. a los productos que el usuario actual ha comprado, valorado, le gusta y ha votado anteriormente.
Amazon usa el último, ya que es más avanzado (ver en detalle en la siguiente sección).
(2) Filtrado basado en contenido, que hace predicciones basadas en las similitudes de características objetivas de productos tales como detalles, descripciones, autores, y también en las preferencias previas del usuario (que aquí no se comparan con las preferencias de otros usuarios) .
(3) Filtrado híbrido, que utiliza algún tipo de combinación de filtrado colaborativo y basado en el contenido.
La Matriz Producto-Producto
La forma tradicional de filtrado colaborativo hace uso de la matriz usuario-usuario y, por encima de cierta cantidad de datos, presenta serios problemas de rendimiento.
Para que coincida con las preferencias, clasificaciones, compras de todos los usuarios y encontrar aquellos que están más cerca del usuario activo, el motor de recomendación debe analizar cada usuario en la base de datos y compararlos con el actual.
Si pensamos en el tamaño de Amazon, está claro que este tipo de filtrado no es factible para ellos, por lo que los ingenieros de Amazon desarrollaron una versión mejorada del método anterior y lo llamaron filtro colaborativo artículo por elemento .
El filtrado colaborativo de artículo a elemento mantiene el éxito colaborativo como punto de referencia en lugar de las cualidades objetivas de un producto (consulte el filtrado basado en contenido anterior), pero ejecuta las consultas en la matriz producto-producto, lo que significa que no compara usuarios, en cambio compara productos
El motor de recomendaciones echó un vistazo a los productos que hemos comprado, calificado, puesto en nuestra lista de deseos, comentado, etc., hasta ahora, luego busca otros artículos en la base de datos que tiene tasas y compras similares, los agrega, luego devuelve el los mejores partidos como recomendaciones.

Volviendo a las compras navideñas, es posible entrenar el motor de recomendaciones de Amazon para obtener mejores resultados . Si solo tiene una idea vaga sobre qué comprar para un ser querido, no tiene que hacer nada más que dejar rastros en el sitio web mientras navega.
Por el bien de este post lo he probado solo.
Mi punto de partida fue que quería encontrar algunos muebles de oficina más pequeños, pero no sabía exactamente qué. Entonces ingresé algunas palabras clave relacionadas en la barra de búsqueda y comencé a buscar los resultados. Puse los artículos que me gustaban en mi lista de deseos, califiqué algunas críticas como "Útiles", dejé algunos muebles de oficina en mi cesta.
Si alguna vez compré un artículo similar en Amazon, habría sido bastante útil escribir una reseña sobre él, pero en realidad no pude hacer eso (solo puedes escribir comentarios sobre productos que ya has comprado).
Después de unos 10-15 minutos me detuve y hice clic en Mis páginas de recomendaciones (que se encuentran debajo del punto de menú "[El nombre] Amazon"). Antes del experimento, solo tenía libros en esta página, ya que es lo que suelo comprar en Amazon. Después de mi extensa búsqueda, los libros han desaparecido y han sido reemplazados por muebles de oficina geniales, como puede ver a continuación.

Es posible seguir capacitando al motor de recomendación, ya que debajo de cada recomendación hay un enlace "¿Por qué se recomienda?" . Entre mis recomendaciones, puede ver un contenedor de basura (último artículo), que no es un producto de mobiliario de oficina y uno que no quiero comprar para Navidad.
Entonces veamos por qué está aquí.
Después de hacer clic en el enlace, Amazon me informa que fue recomendado porque coloqué una determinada silla de oficina en mi cesta. Bueno, esa es una conexión interesante, pero aún no la necesito.
Tengo dos opciones aquí, puedo marcar la casilla de verificación "No me interesa" al lado del contenedor, o "No utilizar para recomendaciones" al lado de la silla de la oficina. Marque la casilla de verificación "No me interesa".


Cuando encontré mi búsqueda de regalos imaginada, simplemente puedo desmarcar los productos que deseo ver entre mis recomendaciones en el futuro.

14 aplicaciones móviles para rastrear y comparar precios para compradores
En el mundo de las compras en línea, los precios de seguimiento manual, las ofertas y los descuentos son una rutina diaria para los compradores incondicionales. La buena noticia es que la tecnología para ayudar a automatizar este proceso ya está aquí. Existen muchas aplicaciones de comparación de precios y seguimiento de precios que pueden ayudarlo a encontrar los mejores precios para sus artículos favoritos.Estas

Las tiendas en línea se han hecho cargo de los patrones de compra de hoy. Simplemente tiene sentido que la gente compre cosas en línea mientras se relaja y disfruta de sus programas favoritos de Netflix. Además de los consejos de compras en línea, los compradores conocedores estarán atentos a los descuentos, los cashbacks, las rebajas de precios y los "me gusta". No