Cómo la Inteligencia Artificial puede apoyar la recomendación de contenidos | IA en el contenido de las recomendaciones
Resumen
Para ayudar a una empresa de medios a aumentar el valor de por vida de sus clientes, desarrollamos análisis para proporcionar recomendaciones de artículos de un conjunto diverso de fuentes de clientes. Esto promovió una mejor participación y retención de los clientes, además de aumentar la lealtad.
Desafío
El cliente es una gran empresa de medios propietaria de varios canales de radio y televisión, podcasts de audio, revistas y periódicos. Estaban interesados en un sistema de recomendación personalizado para sus usuarios existentes y consumidores de contenido. El tipo de contenido es diverso (programas y shows de televisión, artículos de noticias, etc.). Y cada usuario tiene preferencias que deben entenderse y tenerse en cuenta al recomendar un nuevo contenido. El desafío es crear un sistema tan complejo que reconozca los patrones de consumo de los usuarios individuales, comprenda sus preferencias de contenido y recomiende nuevos contenidos que los usuarios probablemente consuman. Con tales capacidades de personalización, se espera que el cliente aumente el compromiso y reduzca la deserción.
Solución de AI Superior
Desarrollamos un sistema de recomendación que utiliza varios factores para proporcionar recomendaciones. El sistema tiene las siguientes capacidades:
- Estima los patrones de consumo de usuarios individuales.
- Entiende las preferencias de contenido de cada usuario (temas de interés, tipo de contenido, etc.)
- Estima los datos demográficos y los medios técnicos que utiliza cada usuario para acceder a los contenidos.
- Evalúa la similitud de elementos de contenido desde diferentes perspectivas.
Para permitir esto, desarrollamos varios componentes analíticos: módulo de etiquetado de contenido y descubrimiento de temas basado en PNL, análisis de extracción de similitudes de elementos de contenido, extractor de patrones de consumo, recomendador basado en filtrado colaborativo, recomendador de elemento a elemento, recomendador híbrido que tiene en cuenta todos los módulos enumerados.
Resultado e implicaciones
La solución desarrollada permitió al cliente aumentar la diversidad de contenido consumido por sus usuarios mediante 5% y, como resultado, aumentar el valor de vida de un cliente. Además, con la ayuda de la solución desarrollada, el cliente podría identificar directamente grupos (clústeres) similares de consumidores. Armados con esta información, pueden dirigirse a grupos de audiencia específicos con el contenido que probablemente disfrutarán. También pueden estimar la demanda potencial de contenido específico.
Spanish 
English 
German 
Arabic 
French 
Dutch