¿Qué es Sistema de recomendación? — una analogía

1La analogía

Después de ir varios meses al mismo café del barrio, pedir se vuelve más corto. Ya se acuerdan de lo que siempre tomas y te lo ofrecen antes de que hables, y si llega un grano nuevo que parece de tu gusto, te lo sugieren. Este trabajo de mirar el historial y elegir lo que te puede gustar después es un sistema de recomendación.

Hay dos maneras de sugerir. Una mira el parecido entre lo que ya tomaste: a quien siempre elige un grano tostado le sugieren un grano nuevo de sabor parecido. La otra mira el parecido entre las personas: si varios clientes habituales con tu mismo gusto disfrutaron un menú nuevo, te lo sugieren aunque todavía no lo hayas probado.

Frente a un cliente nuevo, los dos métodos se traban. Sin historial no hay nada de qué partir para adivinar.

2En detalle

El material no son las estrellas, son los comportamientos

Muy poca gente pone estrellas con constancia. Por eso las recomendaciones de hoy no se basan tanto en lo que la gente dejó a propósito, sino en el rastro que queda sin querer. Qué tocaste, cuánto tiempo te quedaste, si lo viste completo o lo saltaste a los tres segundos, si lo pusiste en el carrito y no lo compraste: todo eso.

La ventaja de este rastro es que hay una cantidad enorme; la desventaja es que su sentido es ambiguo. Que alguien se haya quedado mucho tiempo puede ser porque le interesó o porque le costó entender, y no se distingue solo con el registro; hasta un clic accidental cuenta como interés. Por eso cada señal se pesa distinto, y se cruzan varias a la vez.

Mirar el parecido entre los productos

Convertir en un paquete de números el género y autor de un libro, el ritmo y los instrumentos de una canción, o las palabras de la descripción de un producto, permite medir la distancia entre un producto y otro. Es el método de sugerir lo que está cerca de lo que ya te gustó.

Este método sirve de inmediato hasta con un producto recién llegado: aunque nadie lo haya comprado todavía, con solo la descripción ya se le puede asignar un lugar. Su punto débil es que siempre vuelve algo parecido. Si viste una película de terror, terminas viendo solo películas de terror.

Mirar el parecido entre las personas

Hay otro camino. Buscar personas cuyas elecciones se parecen mucho a las tuyas, y sugerirte lo que ellas disfrutaron y tú todavía no viste. No hace falta saber nada del contenido del producto: basta con el historial para que funcione.

La fuerza de este camino es que aparecen sorpresas. Cosas que no se parecen en nada por género ni descripción, pero que de forma extraña te quedan perfectas, salen de este método. Su costo es que necesita bastante historial acumulado, y genera un sesgo donde los productos populares, los que ya atraen a mucha gente, se siguen subiendo cada vez más arriba.

El servicio real filtra en dos etapas

En un catálogo con millones de productos no se le puede poner un puntaje a cada uno. Por eso primero se recorta con un método rápido y aproximado hasta unos pocos cientos de candidatos. Después, un modelo más fino ordena solo esos candidatos.

Al final, una capa de reglas hace un último ajuste: mezcla para que no salga seguido lo mismo, mete a propósito algo recién subido, quita lo que ya compraste. La lista que aparece en pantalla es el resultado de pasar por todas estas capas.

Cómo se sabe si acertó

Primero se corta el historial por la mitad: se muestra solo la parte anterior y se hace que el sistema adivine la parte de después. Luego se divide a los usuarios reales en dos grupos, se les muestra una recomendación distinta a cada uno y se comparan los resultados.

Pero ahí hay una trampa. Si solo se apunta a la tasa de clics, terminan subiendo los títulos más llamativos. Por eso, además de si acertó, se mide qué tan variada es la lista, cuánto de nuevo hizo descubrir, y si el usuario siguió satisfecho después de un tiempo.

3Con más precisión

Un sistema de recomendación convierte a usuarios y productos en paquetes de números, y trata el problema como calcular con un puntaje qué tan bien encajan entre sí. Al método que busca personas con gustos parecidos se le llama filtrado colaborativo, y al que usa el contenido del producto se le llama recomendación basada en contenido. Los servicios reales mezclan los dos, y le suman encima información de contexto como la hora del día o el dispositivo que se está usando.

También aquí la analogía tiene sus costuras. El dueño del café reconoce a la persona y le sugiere algo bueno, pero el sistema de recomendación no entiende el gusto. Solo cuenta lo que ocurrió junto y le asigna una probabilidad, así que hasta un clic hecho por error cuenta como interés. Y mientras el objetivo del dueño es que el cliente quede satisfecho, la recomendación de un servicio suele estar ajustada para subir el objetivo que ese servicio se propuso, que no siempre coincide con lo que más te conviene a ti. Qué se elija como objetivo cambia por completo la lista que aparece en pantalla.

4Pruébalo

5Malentendidos comunes

Es fácil pensar que la recomendación lee la mente, pero en realidad solo cuenta el historial de personas que se comportaron de forma parecida a la tuya y le asigna una probabilidad.
Es fácil creer que acierta tanto porque escuchó la conversación, pero en realidad, solo con el historial de búsquedas y clics ya acierta sorprendentemente bien.
Es fácil pensar que cuanto mejor acierta, mejor es la recomendación, pero en realidad, si solo se sigue mostrando lo que ya te gusta, se pierde la oportunidad de descubrir algo nuevo.

7Resumen en una línea

En resumenUn sistema de recomendación busca, en el historial de comportamiento pasado, productos parecidos y personas parecidas, y ofrece en orden lo que probablemente te va a gustar después.

¿Te ayudó esta analogía?

¿Has visto un error o tienes una analogía mejor? Sugerir una corrección · Última actualización2026-09-02