1. David BuenoVallejo 2007.
Universidad de Málaga

2. Plan
Introducción
Algunos Ejemplos
Características de la
Personalización
Publicidad Personalizada
Conclusiones

4. Introducción
Las ideas de la revolución industrial “one size fits all”
están desfasadas
Los usuarios de cualquier recurso necesitan cada vez más
tener una identidad propia
Necesitan sentir que la compañía con la que interactúan
les da una atención personalizada y un trato diferencial
Lo que le ofrece la empresa es único: Ej. Nike

5. Introducción:EjemplosdePersonalización
Supermercado y la tienda de barrio
Cadena de hoteles
Tarjetas de fidelidad
Empresas deTelefonía
RFID (Grandes Almacenes EEUU)
Bancos

6. SistemasRecomendadores
Música
Noticias, Publicaciones Científicas
BuscadoresWeb, Filtros correo
Tiendas (Amazon, CD Now)
ProgramaciónTV
Agencias deViajes

7. Errorescomunes
• “Porque un Cliente pida un día café no le voy a bombardear con
anuncios de café”Trivializar
• No debe cambiar todo, ni hacerlo de manera instantánea. Ha de
basarse siempre en refinamientos sucesivos (Mickey Mouse,
Coca-Cola, …)
Adaptar de forma
drástica o agresiva
• No hacer adaptaciones de la oferta, ni solicitar datos, de forma
antinatural o en contra de la voluntad del ClienteMolestia e Intrusión
• “No puedo mandar comunicaciones personalizadas a mis
Clientes. Me supone un coste desorbitado”
Atribuirle irracionalidad
económica
• “Dado que puedo personalizar, personalizo todo, a todos y en
cualquier momento”
Borrachera de
personalización
Fuente: Javier G. Recuenco

8. Fidelizaciónatravésdelapersonalización
Usuario fidelizado
Trato
Personal
Fuertes
barreras
de salida
Débiles
barreras
de entrada

9. InterfazdeUsuarioMultiplataforma
El usuario debe poder acceder al sistema cuando quiera y desde donde quiera: Web, Mail,
Teléfono PDA,TDT-PC, Windows Media Center, set-top boxes, Playstation 3,Wii,…

11. Amazon:
1
2
3
http://www.amazon.com/

12. NikeiD:http://nikeid.nike.com/nikeid/

13. Cafepress:http://www.cafepress.com/

14. Movielens:
1
2
3
http://movielens.umn.edu/

15. METIOREW:RecomendadordePublicaciones

16. METIOREW:http://www.lcc.uma.es/metiorew/

17. Home Personalizada
-Diferentes temas(1,2)
-Eval. programas(3)
-Añadir a favoritos(4)
-Tags Personal(5)
-Perfil Personal(6)
-Top PersonalTags(7)
1
2
3 4
6
5
7
TPTV:http://marte.lcc.uma.es/tptv/

18. Home de cada Programa
-Evaluaciones Personal. (1)
-Stadisticas (2)
-numero de votos
- Evaluation media
-Frec.de favoritos
-Próx. Emisiones (3)
-Comentarios Usuarios(4)
1
4
3
2
TPTV:http://marte.lcc.uma.es/tptv/

19. TPTV:

20. TPTV:

22. Personalización:Elmodelodelusuario
¿Qué
información
guardar?
¿Cómo aprende
el sistema?
¿Cómo
explotar el
modelo de
usuario?

23. ¿Cómoaprendeelsistema?
Un objeto puede ser: noticia, programa, pagina web, libro

24. ¿Cómoexplotarelmodelodeusuario?

25. ¿Cómoseleccionarquéleinteresaalusuario?

26. RecomendacionesBasadasenelContenido
• (1 y2 – Niveles de no interés)
• (3 y 4 – Niveles de interés)
Explícita:El usuario
evalua en un rango.
(por ej. 1-4)
• Ve un programa, lee una noticia
• Se conecta a la web desde el móvil
Implícita: El usuario
utiliza un servicio
• Programa:Título, año, descripción, …
• Noticia:Título, entradilla,resumen,…
Los objetos se
estructuran en
parámetros

27. RecomendacionesBasadasenelContenido
El usuario tiene un modelo con sus evaluaciones
anteriores asociados a diferentes parámetros
Cada nuevo objeto se compara con el perfil del
usuario para calcular su similitud
Este valor se utiliza para ordenar los distintos
objetos de acuerdo a ese usuario

28. RecomendacionesColaborativas
Las recomendaciones
colaborativas se hacen
sin mirar el contenido de
los objetos. Se
recomienda un programa
porque otro usuario
similar al primero ha
considerado que este
programa es interesante

29. Algoritmoscolaborativoscentradosenelusuario
Imagen de

30. Limitaciones:Colab.BasadoenUsuario
• Muchos usuario que evalúan pocos
objetos
• Difícil encontrar patrones comunes
Dispersion
• Cada usuario debe compararse con
todos los demás
• Esto implica un alto coste computacional
y dificultades de escalabilidad
Escalabilidad

31. Recomendaciónbasadaenitem-item
Imagen de
Utilizadas en Amazon.com

32. RecomendadorFinal
El mejor recomendador es el que combina distintos algoritmos
Content ShortTerm
Recommender
Content LongTerm
Recommender
Tags Recommender
Collaborative
Recommender
tagscollablongshort
iuiuiuiu
RRRRitemuserR ,,,,
.
),( 
tagscollablongshort
iuiuiuiu
RRRRitemuserR ,,,,
.
),( 
tagscollablongshort
iuiuiuiu
RRRRitemuserR ,,,,
.
),(  
donde
α+β+φ+δ=1

34. PublicidadPersonalizada
Los usuarios reciben mucha publicidad que no les interesa
Una publicidad será efectiva si trata algún tema relevante para el usuario
Es suficiente con añadir cierta meta información a cada anuncio y compararlo
con el modelo del usuario
De esta forma sólo solo se ofrece un pequeño número de anuncios a los
usuarios pero el beneficio es mucho mayor que con anuncios no dirigidos
Schwarz (Schwarz, 2004) : ”researchers expect the majority of iTV advertising
to be interactive and the total iTV advertising revenue to be in the billions”

35. PublicidadPersonalizada:Claves
La naturaleza personal de la comunicación móvil requiere un
escrupuloso respeto por el Cliente
Asegurar una experiencia positiva para el Cliente como
elemento clave para su implicación
Construir valor a largo plazo a partir de la recolección de datos
Sólo Marketing Bajo Permiso
El mensaje debe aportar valor al Cliente, y ello depende de lo
personal y adecuado a su realidad y circunstancia personal

36. Algunosyalohacíanantes…

38. Conclusiones
La fidelización de clientes es clave para las empresas
En la actualidad las empresas no buscan nuevos clientes
‘veletas’ u oportunistas sino mantener buenos clientes
Para que un cliente no se vaya es necesario conocerlo y
que irse a otra empresa supone empezar de cero
Para ello es imprescincible el trato personalizado y el uso
de sistemas recomendadores para ofrecer productos