Soy fundador en solitario trabajando en un experimento temprano llamado Pearch. A grandes rasgos es una extensión de Chrome que muestra recomendaciones de producto mientras alguien navega, pero ahora mismo lo que más me interesa son las señales que alimentan esas recomendaciones.
El problema que estoy explorando es que la mayoría de sistemas de recomendación con los que he trabajado o estudiado se apoyan en dos tipos de señales: comportamiento de navegación como clics, vistas y tiempo de permanencia; y señales de similitud como categoría, similitud visual o embeddings. Últimamente me pregunto si el historial de compras podría ser un ancla de relevancia más fuerte que cualquiera de esas señales por separado, sobre todo cuando se combina con el contexto de navegación en tiempo real. En otras palabras: y si tratáramos lo que alguien ha comprado realmente como la señal primaria y todo lo demás como evidencia complementaria.
Por qué es interesante y arriesgado a la vez. Los datos de compra son escasos, llegan con retraso y son desordenados entre distintos minoristas; pero al mismo tiempo son la expresión de intención más clara que tenemos. Estoy intentando entender si anclar recomendaciones en el historial de compras mejora de forma significativa la relevancia, dónde falla esto a pequeña escala, en qué momento la recencia pesa más que la historia y cómo evitar sobreajustar a una persona a lo que fue en vez de a lo que está por convertirse.
Preguntas concretas que me planteo incluyen si la historia de compras mejora la personalización real, cómo combinar señales de largo plazo con intención en sesión, qué técnicas evitan que la recomendación quede estancada y qué peligros operativos aparecen cuando los datos de compra son fragmentarios. También me preocupa la privacidad, la seguridad de los datos y la corrección al interpretar compras atípicas.
Lo que no estoy haciendo: no estoy vendiendo nada ni afirmando que este sea el enfoque correcto. Tampoco estoy optimizando para crecimiento todavía. Esto es una exploración de calidad de señales y diseño de sistema, no un producto terminado.
Si has trabajado en sistemas de recomendación, personalización o tooling para comercio electrónico me interesa saber qué señales resultaron más valiosas de lo esperado, cuáles parecían prometedoras y fallaron en la práctica, cómo balanceas comportamiento a largo plazo frente a intención en sesión y qué trampas obvias debería poner a prueba cuanto antes. Incluso el escepticismo fuerte es útil.
En Q2BSTUDIO somos una empresa de desarrollo de software y aplicaciones a medida, especialistas en inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio y mucho más. Podemos ayudar a implementar pipelines de datos, modelos de recomendación basados en historial de compras y arquitecturas seguras y escalables para producción. Si buscas apoyo en soluciones de IA para empresas y agentes IA podemos colaborar desde la idea hasta el despliegue en nube; conoce nuestras propuestas de inteligencia artificial para empresas y cómo combinarlas con análisis avanzado en power bi y servicios de inteligencia de negocio para mejorar la toma de decisiones.
Palabras clave relevantes que aplicamos en nuestros proyectos incluyen aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA y power bi. Si quieres compartir experiencias o colaborar en un experimento similar, encantado de intercambiar ideas y aprender de quien ya haya transitado este camino.
