Estilista Aumentado – Recomendaciones Inteligentes y Tendencias de Moda

Una idea fija surgió en mi cabeza mientras disfrutaba de las promociones del Black Friday para armar mi guardarropa de invierno, así que no es de sorprender que elegí la moda como el tema de este artículo sobre recomendaciones de productos basadas en Inteligencia Artificial. Como verás, es un ejemplo casi perfecto… pero vayamos despacio.

El stylist misterioso

Después de elegir algunas de las prendas que realmente necesitaba, comencé a navegar por el sitio en busca de otros productos interesantes (y promociones imperdibles, claro). Fue entonces cuando sucedió algo extraño.

De repente, me encontré revisando algunas chaquetas ligeras, a pesar de que la primera nieve había caído ese mismo día. Esas chaquetas ni siquiera estaban en la promoción de Black Friday. Pronto me di cuenta de que mi viaje de compra había sido guiado por nada menos que un hermoso look (o look, para usar un término del sector de la moda) creado por stylists de esa marca, presentado con fotos atractivas que fueron incluidas entre las imágenes ilustrativas de algunos de los productos que ya había comprado. Vaya.

En ese mismo período, estaba escribiendo una guía sobre estrategias de recomendaciones de productos basadas en Inteligencia Artificial. Con esto, dos preguntas se cristalizaron en mi mente:

¿Acaso las recomendaciones humanas siguen siendo mejores que las artificiales?

¿Quién sería un vendedor más eficiente para ayudar a alguien a armar un guardarropa – un algoritmo de Inteligencia Artificial o una stylist de esa marca, que creó ese look considerando innumerables criterios de tendencias, adecuación al público, factores comerciales e industriales, y luego lo promovió con materiales de divulgación atractivos?

Si es la Inteligencia Artificial, ¿cuál estrategia de recomendación sería la más adecuada para el sector de la moda? Si es la stylist, ¿por qué este enfoque tan antiguo – relación “uno a muchos” – seguiría siendo mejor en la práctica? Las prendas que usamos involucran un estilo único e individual, entonces, ¿por qué solo una alternativa estaría ganando esta batalla?

Con esto, viene la segunda pregunta:

¿Quién (o qué) está realmente impulsando las tendencias?

¿Acaso las recomendaciones basadas en IA están creando sus propias tendencias? ¿O al menos las están influenciando? Después de todo, lanzar tendencias significa influir en comportamientos actuales. ¿Está la moda, un área firmemente arraigada en la creatividad – uno de los últimos bastiones de la humanidad frente a la tecnología – entrando bajo el dominio de la Inteligencia Artificial?

La respuesta no es simple y requiere una evaluación desde diversos ángulos.

Recomendación como conversación

La primera categorización de recomendaciones, y quizás la más evidente, es entre explícitas e implícitas. Las explícitas aparecen cuando hacemos elecciones conscientes: “¿estás buscando pantalones masculinos o femeninos?”. A partir de nuestra respuesta, el algoritmo presentará las opciones.

---

Sin embargo, las recomendaciones implícitas son mucho más útiles. Con ellas, no declaramos abiertamente nuestras preferencias, sino que las revelamos a través de nuestro comportamiento. Son más eficientes porque, como dice el dicho, “las acciones hablan más que las palabras”. En este caso, estamos tomando el dicho al pie de la letra.

Las recomendaciones basadas en Inteligencia Artificial, como veremos más adelante, casi siempre pertenecen a la segunda categoría.

Recomendación como filtro

Para ser precisos, en general, las recomendaciones son una herramienta muy valiosa de atención al cliente. Incluso recomendaciones simples como “Productos visualizados recientemente” pueden ayudar a los clientes a encontrar lo que desean y finalizar las compras.

Este enfoque se llama segmentación individual (“segment of one” o, más formalmente, “machine-to-one”). La marca se apoya en automatización para presentar a los clientes información tan bien segmentada que parece haber sido creada a medida.

Las recomendaciones sustituyen enfoques anticuados, como el ya mencionado “uno a muchos”. Cada cliente es diferente y, por lo tanto, tiene expectativas, necesidades y, especialmente, preferencias únicas. Es decir, la práctica de presentar siempre los mismos productos es algo arriesgada y poco eficiente en comparación con recomendaciones dinámicas basadas en segmentación. Es algo obvio, ¿no? Y además, existen varios tipos de recomendación dinámica:

• Recomendaciones basadas en datos pueden presentar productos completamente diferentes según los criterios establecidos – por ejemplo, basadas en productos visualizados versus adiciones al carrito.
• Hablando específicamente de moda, muchos otros factores son más importantes. Después de todo, Gucci, Melissa y C&A, por ejemplo, se presentan de formas completamente diferentes. Las mismas estrategias de ventas del mundo físico también se aplican a las estrategias de recomendación.

Una de las técnicas de recomendación más populares es la Filtración colaborativa, y no está limitada al sector de la moda. Procesa las acciones más importantes que un cliente puede hacer (visualizar productos, agregar al carrito, comprar) y las usa como base para recomendaciones a otros clientes.

El algoritmo registra estas acciones y sugiere productos basándose en un modelo comportamental. Cuando un comportamiento es similar a otro ya mapeado, el algoritmo evalúa los productos que tienen más probabilidades de ser aceptados y los recomienda. ¿Sabes esas secciones del tipo “mira lo que hemos preparado para ti” cuando compras en una tienda virtual? Generalmente, están usando un sistema basado en filtración colaborativa.

¿Y esa sección “también te puede gustar” al finalizar un pedido? Se trata de un sistema basado en Análisis de la Cesta de Compras – otro estándar mundial de recomendaciones. Este tipo de análisis está inserido en un modelo más amplio llamado Análisis de Afinidad, pero lo que distingue al Análisis de la Cesta de Compras es que el enfoque está en las elecciones reales de los clientes – solo compras – mientras que la Afinidad es una medida que relaciona cuán frecuentemente determinados productos son comprados juntos.

Por ahora, no es importante profundizar en cómo se calcula la Afinidad. Lo que importa es que esta relación entre dos ítems se expresa como un número. Hablando sobre el Análisis de la Cesta de Compras usado en el sistema edrone: cuanto menor sea el número (menor que 1), mayor será la posibilidad de que un producto pueda sustituir a otro. Cuanto mayor sea el número (mayor que 1), mayor será la probabilidad de que los productos se complementen de alguna forma.

Si esto suena como up-selling y cross-selling, tienes toda la razón. Podemos considerar el Análisis de Afinidad como la evolución del up- y cross-selling. Técnicas tradicionales aumentadas por la Inteligencia Artificial.

Como vemos, las técnicas de recomendación más utilizadas se basan en las elecciones de los clientes. ¿Significa esto que, al final, las recomendaciones basadas en Inteligencia Artificial solo están reflejando tendencias generadas por humanos?

Recomendación como medio conductor para tendencias

Las prácticas discutidas anteriormente funcionan bien con casi todos los tipos de clientes (especialmente los más distraídos, que siempre están saltando de un sitio a otro). Pero es difícil decir que crean tendencias. Es mejor pensar en las recomendaciones como un transmisor de tendencias.

El papel de la IA en las recomendaciones es prever con éxito cuáles serán las elecciones de cada cliente, basándose en datos. En el caso de la moda, el algoritmo necesita ser:

1. Repetitivo
2. Responsivo a la disponibilidad de los productos
3. Responsivo a las tendencias de la moda

Teóricamente, también debería ser responsivo a las preferencias de los clientes, pero en la práctica, esto también depende de los tres factores anteriores.

Las cosas están comenzando a complicarse, así que intentemos ilustrarlo. Revisa el diagrama que armé mientras investigaba para escribir este artículo.

¿No ayudó mucho a aclarar? Bueno, es solo una visión simplificada de las principales interdependencias entre los factores. Pero si le das una segunda oportunidad, verás que comienza a tener sentido. La red de relaciones, inspiraciones y posibilidades es enorme, compleja y se retroalimenta continuamente.

Las cosas se vuelven aún más extrañas si consideramos un factor más ya mencionado.

La Inteligencia Artificial también puede generar tendencias.

Las elecciones de la Inteligencia Artificial se basan en los datos de entrada (input), pero las recomendaciones (output) tienen un elemento de aleatoriedad. Cada veredicto de la IA es una lista de probabilidades de adecuación. Si, por un lado, tenemos algunas sugerencias más certeras, también habrá algunas menos certeras… que, inesperadamente, pueden interesar al cliente, lo que aumentará las posibilidades de que esa sugerencia aparezca nuevamente en la lista.

Además, este margen de error es un componente esencial para las operaciones de los sistemas de recomendación (y otros algoritmos de Aprendizaje de Máquina). Si quisiéramos forzar a la máquina a ofrecer siempre recomendaciones con un 100% de precisión, sería necesario entrenarla hasta el agotamiento usando una cantidad relativamente pequeña de datos (pues esta es la única forma de alcanzar el nivel necesario de entrenamiento en un período razonable). Después de ese entrenamiento excesivo (llamado “overfitting” o “overlearning“), el sistema perderá su habilidad de generalizar y adaptarse a una realidad que cambia constantemente. Y cuando el sistema encuentre datos de entrada diferentes a los que fueron usados en su entrenamiento, será incapaz de proporcionar un resultado.

El aprendizaje excesivo hará que el sistema pierda la inteligencia.

¿Quién es el verdadero trendsetter en un mundo inmerso en la posmodernidad?

Como hemos visto, no hay una respuesta correcta. A medida que profundizaba mis reflexiones, quedó claro que, cuanto más se convierte el mundo en una aldea global, más difusos se vuelven conceptos como “estilo”.

La moda está influenciada por prácticamente todo, y nos rodea en diferentes niveles, ya sea en forma de productos o de inspiración. Las inspiraciones, a su vez, han venido de lugares cada vez más distintos e inusuales, y hoy tenemos más libertad en términos de estilos posibles – nos permitimos hacer nuevas combinaciones, basadas en las más variadas referencias históricas, artísticas y culturales.

El papel de la Inteligencia Artificial no puede ser ignorado. Las recomendaciones basadas en IA son catalizadores, agregadores de preferencias, permitiendo que los estilos sean transmitidos de forma remota, sin exigir un contacto con una persona excepcionalmente inspirada.

Una última reflexión

A lo largo de este artículo, hablamos sobre recomendaciones explícitas e implícitas. Yo iría más allá. Especialmente en el caso de la moda, estamos bajo el efecto de una fuerza aún más fuerte, aterradora y omnipresente – las redes sociales. Como estamos todos atrapados en nuestras burbujas, es mucho más difícil acceder a fuentes realmente nuevas y disruptivas de inspiración. Normalmente, somos inspirados por las personas que admiramos, o al menos respetamos, pero algo tan oscuro como los algoritmos de los feeds de redes sociales pueden estar influyendo en nuestras elecciones mucho más que el sistema de recomendaciones más sofisticado.