Las versiones tradicionales de la tecnología son sencillas. Si le dices a Netflix lo que piensas de algunas películas, te sugiere otras más. Si lees una página de producto en Amazon, te muestra alte ativas similares. Estas herramientas han contribuido al enorme crecimiento de estas compañías. Sin embargo, actualmente las nuevas tecnologías y unas matrices de datos disponibles mucho más grandes están transformando motores de recomendación como el que usa Ba eys en algo menos evidente para el usuario, pero más importante para las operaciones en las páginas web.
Un ejemplo es cuando las recomendaciones aparecen como resultados de búsqueda autocompletados. Después de que un comprador en la tienda de bicis por inte et Jenson USA introduce las dos primeras letras de la búsqueda "casco integral", el sistema de recomendación muestra una lista de cascos ordenada en base al perfil del cliente. En Neiman Marcus, la experiencia en línea de cada comprador está personalizada de forma similar según el comportamiento de la persona en visitas anteriores, e incluso en la actual.
La mejora de las tecnologías de etiquetado permiten a las tiendas conseguir más detalles específicos del diseño de la ropa. Así pueden destacar a nuevos diseñadores como Westbrook ante clientes adecuados, centrándose en las características específicas de los diseños. Esto es parecido a la forma en que Pandora crea grupos de sonido parecido para que los músicos ganen público.
Cuando los motores de recomendación más sofisticados atraen a navegadores casuales usando estas selecciones de página a medida, la posibilidad de que compren algo se triplica, señala el vicepresidente ejecutivo del sector digital en Ba eys, Matt Woolsey.
"La forma antigua de hacer recomendaciones por inte et es usando los datos que te da el cliente: dejas que te hablen sobre ellos y los persigues", asegura Woolsey. "Estamos intentando utilizar los grandes volúmenes de datos para adelanta os al cliente".
Para hacer recomendaciones en línea tan a medida como un traje de Ba eys se usa tecnología como el software de grandes volúmenes de datos Hadoop, y el hardware necesario para ejecutarlo, afirma la directora de Marketing de BloomReach, Joelle Kaufman, una start-up con sede en Mountain View, Califo ia (EEUU), que es una de las casi tres docenas de proveedores dentro del sector.
Los datos basados en la localización procedente de teléfonos móviles también pueden jugar un papel importante. Entre las otras fuentes de información detallada sobre el consumidor que están empezando a usarse para las recomendaciones de estos nuevos motores están el historial de compras de tiendas físicas y el historial en los medios sociales.
Un vistazo rápido al sitio de Ba eys nos ilustra cómo funciona el proceso. Woolsey y yo fuimos a la página de moda masculina e hicimos clic en el mismo reloj de 150 dólares (137 euros). Puesto que mi navegación e historial de compras no eran muy extensos y estaban centrados en artículos menos caros, en la parte inferior de la pantalla me apareció una lista de relojes con precios desde 95 a 250 dólares (87 y 230 euros) como contrasugerencias. A Woolsey, que reconoció alegremente que probablemente viste mejor que la mayoría de periodistas, le aparecieron relojes entre 330 y 1.100 dólares (220 y 1.380 euros).
Esto es posible gracias a tecnologías de procesamiento paralelo que procesan enormes cantidades de datos rápidamente, señala Kaufman desde BloomReach. Los sistemas emergentes pueden proponer docenas de algoritmos distintos para elegir la siguiente página que el consumidor podría ver.
En Neiman Marcus, la tecnología de BloomReach puede cambiar el tipo de ropa que aparece en la página de moda femenina después de hacer sólo unos cuantos clics. Kaufman hizo clic en tres jerséis y desapareció una casilla con zapatos de Jimmy Choo, que fue sustituida por un acceso a jerséis en rebajas.
"Es aprendizaje de máquinas instantáneo", dice. "Todo es una recomendación".
Este artículo pertenece al Informe Especial: Tecnologías para persuadir y convencer