Investigadores de la Universidad Erasmus publicaron un nuevo artículo en el Revista de marketing que explora las recomendaciones en línea y su eficacia, Brindar a los especialistas en marketing herramientas para maximizar esta importante herramienta de participación.

El estudio, de próxima aparición en la edición de noviembre de la Revista de marketing , se titula "Hacer que las recomendaciones sean más efectivas a través de encuadres:impacto de los encuadres basados ​​en el usuario frente a los elementos en los clics de recomendación" y está escrito por Phyliss Jia Gai y Anne-Kathrin Klesse.

Las recomendaciones basadas en algoritmos están en todas partes. Imagine que está navegando por artículos de noticias en el sitio web de The New York Times. Ves un artículo en la sección "Ciencia", lo encuentro interesante, haga clic en el título, y empieza a leer. Una vez que termine el artículo, la página web genera automáticamente otras recomendaciones de artículos para que usted amplíe su compromiso con el contenido de la plataforma. Las recomendaciones están marcadas con el lema:"Más en ciencia, "la sección que ya ha estado leyendo.

Si bien la mayoría de las empresas ofrecen explicaciones sobre por qué los clientes reciben recomendaciones, difieren en las estrategias específicas que adoptan. Algunas compañías, como el mencionado The New York Times, enfatizar que las recomendaciones se basan en elementos:es decir, se basan en atributos comunes en todos los productos (p. ej., "Más sobre ciencia" de The New York Times, y "Similar a [lo que has escuchado]" de Spotify). A diferencia de, otras empresas destacan que sus recomendaciones se basan en el usuario al centrarse en la superposición de las preferencias del cliente (por ejemplo, "Clientes que vieron este artículo también vieron ..." por Amazon y "Clientes también vieron ..." por Netflix). En tono rimbombante, las empresas pueden explicar la misma recomendación ya sea basada en artículos o basada en usuarios, porque los sistemas de recomendación actuales adoptan con frecuencia un enfoque híbrido que tiene en cuenta tanto los atributos comunes entre los productos como las preferencias comunes entre los clientes.

El estudio investiga cuál de las dos explicaciones (en lo sucesivo, encuadres basados ​​en elementos y basados ​​en usuarios) es más eficaz para generar clics en una recomendación. El equipo de investigación sugiere que los marcos basados ​​en elementos y basados ​​en usuarios difieren en términos de la información que brindan a los clientes con respecto a cómo se hace una recomendación. Ambos marcos les dicen a los clientes que la recomendación se basa en una coincidencia de productos del elemento focal en el que los clientes han mostrado interés con el artículo recomendado:los marcos basados ​​en elementos combinan los productos por sus atributos, mientras que el encuadre basado en el usuario coincide con los productos de sus consumidores. Críticamente, El encuadre basado en el usuario también sugiere a los clientes que la recomendación se basa en la coincidencia de gustos entre los usuarios que compartieron interés en el tema central. Al proporcionar información sobre la combinación de sabores más allá de la combinación de productos, el encuadre basado en el usuario sirve como una especie de "doble garantía" para los clientes que les gusta el producto recomendado.

Para probar si el encuadre basado en el usuario supera al encuadre basado en elementos en términos de clics de recomendación, los investigadores realizaron dos estudios de campo dentro de WeChat, la mejor aplicación de redes sociales en China. Colaboraron con una empresa de medios que publica artículos de divulgación científica y resúmenes de investigación académica en WeChat e incluyeron un par de recomendaciones al final del artículo central de cada día. Se recomendó que un artículo usara marcos basados ​​en el usuario y el otro usara marcos basados ​​en elementos. Gai explica que "En ambos estudios, el encuadre basado en el usuario aumentó las tasas de clics de los artículos recomendados en comparación con el encuadre basado en elementos. Cuando se les preguntó sobre su comprensión de los dos marcos, los suscriptores respondieron que ven que ambos sugieren la coincidencia de productos como base para las recomendaciones, pero ese encuadre basado en el usuario también indica la coincidencia de gustos. Esto confirma que el encuadre basado en el usuario proporciona información adicional ".

"Sin embargo, los clientes no siempre consideran que la combinación de sabores sea exitosa ", agrega Klesse." Cuando la combinación de sabor se percibe como inexacta, el encuadre basado en el usuario ya no es más ventajoso que el encuadre basado en elementos o incluso se vuelve desventajoso ". Un factor crítico que contribuye al éxito percibido de la coincidencia de gustos es cuánta experiencia ya han acumulado los clientes dentro de un dominio de consumo. Las personas más experimentadas tienden a ver sus propios gustos como idiosincrásicos. Como resultado, Les resulta más difícil creer que sus gustos pueden coincidir con precisión con los gustos de otras personas basándose en un solo elemento focal. Otro factor crítico es la presencia de perfiles de otros usuarios. Las empresas a veces muestran la información de otros usuarios que están interesados ​​en la recomendación, pero esta información fracasa cuando indica a los clientes que son diferentes de otros usuarios. Señales de disimilitud, como la edad y el sexo, hacer que las personas infieran que sus gustos difieren de los de otros usuarios y hacer que los clientes eviten las recomendaciones basadas en el usuario.

Estos nuevos hallazgos tienen relevancia para las empresas que utilizan recomendaciones de productos. La investigación sugiere que la explicación importa por qué los clientes ven una recomendación. En tono rimbombante, adaptar la explicación de una recomendación tiene un costo casi nulo y, por lo tanto, constituye una herramienta eficaz que puede ayudar a las empresas a maximizar el retorno de los sistemas de recomendación. En tono rimbombante, el estudio destaca situaciones en las que el encuadre basado en el usuario es más eficaz que el encuadre basado en elementos y en qué situaciones se vuelve desventajoso. Aprovechando estos hallazgos, los gerentes pueden adaptar el encuadre de sus recomendaciones para diferentes clientes y productos y, por lo tanto, aumentar las tasas de clics.