Hacia un sistema de marketing dirigido más eficaz y personalizado en redes sociales

Resumen

El paradigma del comercio electrónico ha cambiado por completo el mundo, globalizando el impacto de las empresas y permitiendo la creación de nuevos tipos de negocios con presencia, exclusivamente, en el mundo digital. Teniendo en cuenta que la publicidad es una de las formas más lucrativas de negocio, rincipalmente la publicidad en línea, también se ha convertido en un diferenciador y herramienta necesaria para la mayoría de las organizaciones para dar a conocer sus servicios y productos. Uno de los canales de publicidad que ha ido en aumento es Internet. El número de anuncios en este medio ha crecido de manera impresionante. La razón es simple, el uso de Internet es barato y permite llegar fácilmente a millones de personas todos los días. esafortunadamente, el anuncio perfecto puede no ser enviado al o a los usuarios más receptivos si no se han tomado las preferencias del usuario en cuenta. Por otra parte, con el crecimiento de las redes sociales, la era de los teléfonos inteligentes y el auge del paradigma “Big Data”, los sistemas de recuperación de información (RI) han florecido explotando el análisis y la extracción de conclusiones a partir de una gran cantidad de datos. Estos datos están disponibles libre y gratuitamente en Internet, sobre todo información personal de los usuarios. Algunas empresas recopilan estos tipos de datos para crear perfiles basados en las preferencias, comportamiento o interacciones de los usuarios para ofrecerles anuncios o incluso para vender directamente a otras empresas esta información. Siendo el objetivo “conocer” a los usuarios, estos sistemas de RI reúnen la mayor cantidad de información posible acerca de los objetivos, para generar perfiles basados en los datos generados en una ventana temporal muy amplia. Aunque es viable y óptima la creación de perfiles muy detallados de usuarios, existe un gran problema de obsolescencia si el peso de las interacciones en tiempo real no se tiene en cuenta. Debido a que uno de los principales objetivos de la generación de perfiles de usuario, es enviar anuncios dirigidos, al no ser capaces de dirigirse con éxito a las necesidades actuales que los usuarios reclaman, la mayoría de los sistemas desembocan a un problema de SPAM (es decir, hace que los usuarios consideren el mensaje como no deseado). Una solución para obtener un perfil de usuario más actualizado reside en un sistema de comunicación relativamente antiguo, el servicio de mensajes cortos (SMS). Este sistema se ha modernizado y actualmente es más popular en su adaptación a las nuevas tecnologías. Ahora se conocen como sistemas de mensajería instantánea (MI). Algunos ejemplos de estos sistemas son WhatsApp, Telegrama, Facebook Messenger, Hangouts, Telegram o Line. Estos sistemas, a pesar de no tener una limitación en cuanto a la longitud de interacción, se utilizan comúnmente en forma de diálogo, es decir, utilizando frases cortas. Esas interacciones representan una importante fuente de datos actualizada sobre los usuarios. El problema es que conllevan una desventaja importante, la dificultad para interpretar las conversaciones debido al insuficiente contexto sobre cada interacción. Por otra parte, el vínculo entre las preferencias del usuario con los datos del anuncio es un área que conecta la comercialización o marketing con el procesamiento del lenguaje natural. En la actualidad, este enfoque genera anuncios más efectivos para los usuarios que los anuncios generados mediante otros enfoques. A la luz de estos antecedentes, en este trabajo se presenta una metodología para extraer el contexto de frases cortas, basadas en una nueva taxonomía temática de DBpedia, capaz de ofrecer publicidad en base a una taxonomía de las categorías de libros existentes en la tienda on-line de libros de Amazon. También se ha creado un recurso (llamado mapa) que une las categorías de la tienda de libros de Amazon con las temáticas o “topics” de los artículos que contiene DBpedia. Además, se han creado dos nuevos conjuntos de datos que contienen frases cortas etiquetadas. La primera utiliza las temáticas de DBpedia para vincular las frases con su contexto, y el segundo utiliza las categorías de la tienda de libros de Amazon para vincular las frases con los posibles productos sugerentes. Por otra parte, se han generado definiciones sobre las temáticas de DBpedia y las diferentes categorías de libros de la tienda on-line de Amazon. Estas definiciones, en el caso de Amazon no existían o no eran públicas y en el caso de DBpedia, no existían o no eran lo suficientemente descriptivas. El motivo para crearlas es ayudar en los posteriores trabajos que requieran la tarea de utilizar sistemas de categorización de Amazon y DBpedia. Además, se proporciona con este trabajo un “baseline” para comparar los nuevos enfoques planteados en este campo y los posibles futuros enfoques que surjan y que utilicen las metodologías y recursos que puedan derivar de esta u otras investigaciones. Por último, se ha creado una prueba de concepto en forma de un asistente para reglaos que, partiendo de una frase, palabra o término, y mediante el uso de técnicas de aprendizaje profundas o “deep learning” hace 3 pasos. i) Ofrecer temáticas de DBpedia como un contexto determinado en base a la entrada. ii) Con las temáticas seleccionadas filtrar y obtener las categorías de libros de Amazon más afines a dicho o dichos contextos en base al mapa relacional creado. iii) Ofrecer estas categorías de libros de Amazon al usuario porque la información que contienen sus libros son los que tienen más relevancia con el texto de entrada.