edx entrepreneurship
DESCRIPTION
Problem Set 9. Entrepreneurship 101, edX Course.TRANSCRIPT
Entrepreneurship 101
Consigna
Lo contratan como consultor de [startup latinoamericana]. ¿Cuáles serían sus primeras
recomendaciones al CMO, al COO y al CTO de la empresa?
Chief Marketing OfficerReal-Time Bidding
player.vimeo.com/video/44665147
Compra Programática
/Real-Time Bidding
RTB desplaza el foco en los medios y lo pone en la audiencia para lograr un objetivo específico.
Por un lado, permite acceder a un 95% del inventario en medios digitales a menores costos con el poder de limitar la frecuencia por usuario para aumentar la cobertura de la pauta.
Por otra parte, abre la posibilidad de llevar a cabo estrategias de remarketing para usuarios que muestren interés durante la campaña.
Aumentar la cobertura de la pauta
Logrando un mayor número de conversiones
Oportunidad de Retargeting
Campaña orientada a leads
Táctica
Objetivo de la campaña
Acciones
Segmentación: 3 pasos apuntando al mismo objetivo
SOI35%
SOI50%
SOI15%
Chief Operations OfficerPartnershi
ps
Partnerships
/Asociaciones
Potencial acuerdo con plataformas agregadoras a fines de incluir botón de compra en los perfiles de
los restaurantes. Marketing de Afiliación.
Foursquare
Yelp
Guía Oleo
Chief Technology OfficerRecommender
Systems
Sistemas de Recomendación
/Recommender systems
El objetivo de un sistema de recomendación es predecir el nivel en el que un usuario va a
interactuar ante un set de ítems, como comidas o restaurantes.
Netflix: un referente
La mayoría de los sistemas de recomendación usan una combinación de diferentes técnicas, pero existen tres principales:
Análisis de contenidoy extracción de patrones comunes
Recomendaciones socialesbasadas en elecciones de otros usuarios
Filtrado colaborativodel usuario: preferencias, ratings
Análisis de contenido
Recommenders basados en el análisis de contenido hacen uso de datos como categoría, menú y valoración del restaurante como atributos para un sistema de aprendizaje.
Aún así, este método es una débil forma de predecir la satisfacción del usuario.
Recomendaciones sociales
La tecnología detrás de las redes sociales permite que hoy exista un nivel sofisticado en las recomendaciones que provienen de la valoración que otras personas le dieron a la experiencia.
Las recomendaciones sociales proveen un nivel de recomendación más personalizado.
La ventaja de este método es que al tener un alto grado de relevancia a nivel personal son típicamente efectivos, siendo la desventaja que los restaurants recomendados tienden a formar un cluster por su fama o culto.
Filtro colaborativo
Apunta a recolectar y analizar grandes volúmenes de data relacionada al comportamiento, actividad o preferencias del usuario, y predecir qué podría gustarles basado en la similitud con otros usuarios.
Filtro pasivoProvee recomendaciones basadas en actividad sin pedir explícitamente permiso al usuario (ej.: Amazon).
Filtro activoUsa la información provista por el usuario como la base de sus recomendaciones (ej.: Netflix).
Filtro colaborativo
Los filtros colaborativos pueden ser categorizados dentro de dos grandes dimensiones:
Sistemas Usuario-Usuario o Item-ItemEn los sistemas U-U, correlaciones (o similitudes o distancias) son calculadas entre usuarios. En los I-I son calculadas entre ítems.
Forma de modelo de aprendizajeEl modelo KNN es el más utilizado en el espacio U-U. Sin embargo, existen otros modelos como las Bayesan networks, árboles de decisión, clusters y factores de análisis.
Filtro colaborativo
Función de distancia o similitudLos sistemas basados en memoria necesitan definir una métrica de distancia entre pares de usuarios o ítems. El más popular y uno de los más efectivos métodos de medición es el coeficiente de correlación de Pearson.
Función de combinaciónHabiendo definido una métrica de similitud entre pares de usuarios o ítems, el sistema necesita hacer recomendaciones al usuario activo para un ítem sin rating. Los sistemas basados en memoria típicamente usan la fórmula K-Nearest Neighbor (KNN).
Algunas funcionalidades que podría otorgar el sistema:
1. Encontrar nuevos ítems que podrían gustarme.2. Sugerirme un ítem i.3. Mostrarme un mix de restaurantes trending y tradicionales.4. Mostrarme las elecciones de mis contactos de distintas
redes sociales.
Filtro colaborativo
¿Qué se necesita para tener un buen sistema de recomendación?
Un algoritmo avanzado tomaría en cuenta los siguientes factores:
1. Información de menúes y restaurantes.2. Horarios.3. Ubicación.4. Popularidad.5. Comportamiento del usuario.6. Historial de pedidos.
¿Qué más conforma un buen sistema de recomendación?
Transparencia: Explicar cómo funciona el sistema.
Escrutabilidad: Permitir a los usuarios informar cuando
el sistema no funciona.
Confiabilidad: Aumentar la confianza del usuario en el
sistema.
Persuasión: Convencer a los usuarios de
probar/comprar.
• Efectividad: Ayudar a los usuarios a tomar mejores
decisiones.
Satisfacción: Hacer del uso del sistema algo divertido.
Desafíos
La dificultad en implementar un sistema de recomendación radica en que diferentes usuarios tienen diferentes
gustos y opiniones acerca de las comidas y restaurantes que prefieren.
Desafíos
CalidadUna parte substancial de las comidas/restaurantes que se le recomienda al usuario deberían ser del agrado del mismo, o al menos interesantes.
TransparenciaDebería estar claro para el usuario el por qué de s sugerencia para que, en caso de no gustarle, al menos entienda su origen.
Desafíos
Feedback del usuarioSi se le está recomendando al usuario un tipo de comida o restaurant que no es de su agrado, deberían contar con una forma inmediata de señalar “no me gusta” y en subsecuencia que la sugerencia no se repita.
AutoaprendizajeEl sistema debe monitorear y memorizar la respuesta a las recomendaciones sobre distintas comidas/restaurantes para mejorar con el tiempo.
Gracias.