El 70% de las búsquedas en los sitios de ecommerce arrojan resultados irrelevantes
Cuando un usuario-consumidor decide hacer una búsqueda online en una web de e-commerce, se enfrenta a dos escenarios: la búsqueda resulta exitosa y decide comprar o no el producto, o arroja resultados que no se parecen en nada a los esperados, y se frustra.
Estudios del sitio E-commerce Platforms arrojan una cifra que inquieta a las empresas: solo el 20% de los usuarios acepta realizar otra búsqueda si la primera no mostró resultados. ¿Qué es lo que puede salvar al e-commerce de estas cifras desalentadoras?
La respuesta está en el machine learning, una disciplina científica del ámbito de la Inteligencia Artificial que crea sistemas capaces de aprender automáticamente. En este contexto, “aprender” es identificar patrones complejos: la máquina que aprende es un algoritmo que revisa los datos y es capaz de predecir comportamientos futuros. En el caso del e-commerce, es el encargado de hacer que oferta y demanda se encuentren. “Es lo que hace tan bien Google que hace coincidir en un mismo lugar al que está buscando con el que ofrece algo. El primer uso más evidente y efectivo del machine learning, son los resultados que muestran relevancia, que son la consecuencia del intento de interpretar lo que pasa en la cabeza del consumidor-usuario, para ofrecerle la respuesta más acorde.” explica Gustavo Guaragna, CEO de Snoop Consulting.
Pero los métodos de búsqueda cambian. Según datos de ComScore, el 50% de las búsquedas serán por voz en 2020, y de acuerdo a MediaPos, en 2 años el 30% de búsquedas se hará sin la necesidad de pantallas. El tipo de búsquedas en base al reconocimiento de imágenes también crecerá. En esta, el usuario no puede expresar lo que quiere pero utiliza imágenes similares para realizar la búsqueda. ¿Qué tienen en común estos métodos?: El machine learning. ¿Qué tipo de empresas pueden implementarlo? Cualquiera dispuesta a trabajar sobre los modelos de datos. Esto no es otra cosa que el análisis de datos, la representación abstracta de datos que tiene como objetivo dar cuenta de las relaciones que estos datos tienen entre sí. Con eso listo, se pueden entrenar las máquinas para hacer las predicciones adecuadas.
Implementar una solución de machine learning no implica necesariamente hacer un desarrollo desde cero, ya que existen modelos pre-entrenados donde esta fase ya fue iniciada.
Por último, otra área que no hay que dejar de mirar para llegar a la tan buscada conversión es el UX o diseño de experiencia de usuario. “Las tecnologías deben ser útiles pero no invasivas. Por ejemplo, uno de los primeros asistentes tecnológicos fue Clipo, de Microsoft. Resultaba odioso, consumía muchos recursos y generaba mucha frustración porque nunca se llegaba a la respuesta buscada. El problema no era el machine learning que estaba detrás sino la interfaz de usuario. Hay temas de UX que hay que tener en cuenta cuando uno incorpora esto en el e-commerce, parte de los hábitos que uno puede descubrir: cómo está comportándose un consumidor ante un portal de e-commerce y saber qué está mirando, como mueve el mouse, qué pasa que no cierra la página etc.” finaliza Guaragna.
*Fuente: Baymard Institute
