Los sistemas de recomendación se utilizan en el comercio electrónico para guiar a los consumidores con mensajes como "Las personas que compraron este artículo también compraron ...". Investigaciones anteriores han demostrado que estos sistemas afectan las elecciones de los consumidores y, en general, aumentan las ventas. pero pocos estudios han examinado cómo los atributos específicos del producto o las calificaciones de revisión influyen en la efectividad de tales sistemas. Un nuevo estudio buscó determinar cómo el impacto de los sistemas de recomendación (también llamados recomendadores) se ve afectado por factores como el tipo de producto, atributos, y otras fuentes de información sobre productos en los sitios web de los minoristas. El estudio encontró que los recomendadores aumentaron la cantidad de visitas de los consumidores a las páginas de productos, así como la cantidad de productos que los consumidores consideran. pero que el aumento fue moderado por los atributos de los productos y las calificaciones de las reseñas.

El estudio, por investigadores de la Carnegie Mellon University y The Wharton School, aparece en Ciencias de la gestión .

"Nuestros hallazgos pueden orientar el uso eficaz de los sistemas de recomendación en el comercio electrónico y proporcionar información sobre el comportamiento de compra de los consumidores, "dice Dokyun Lee, Profesor asistente de análisis de negocios en la Escuela de Negocios Tepper de la Universidad Carnegie Mellon, quien fue coautor del estudio. "Comprender si la eficacia de los sistemas de recomendación varía según las categorías de productos y según el número de revisiones, y de qué manera, puede ayudar a los gerentes a comprender mejor la mejor manera de utilizar estos sistemas".

Los investigadores realizaron un experimento en un sitio de comercio electrónico de uno de los principales minoristas de América del Norte con 184, 375 usuarios. En el experimento, aproximadamente la mitad de los usuarios fueron seleccionados al azar para recibir recomendaciones de un algoritmo de filtrado basado en compras ("Las personas que compraron esto también compraron ..."), mientras que la otra mitad, seleccionados al azar para estar en un grupo de control, no recibió recomendaciones. El estudio utilizó Amazon Mechanical Turk, un mercado de crowdsourcing, para codificar los atributos de 37, 125 productos únicos. Luego, los investigadores analizaron el conjunto de datos resultante para determinar cómo los factores que influyen en los costos, incertidumbre, y el riesgo relacionado con la búsqueda de productos interactúan con el impacto positivo de los recomendadores en las opiniones de los clientes sobre los productos y sus decisiones de compra.

El estudio encontró que el uso de recomendadores aumentaba tanto el volumen de opiniones de los consumidores sobre los productos como la probabilidad de que los consumidores compraran un producto. El impacto positivo de un recomendador en las vistas del producto fue mayor para los productos utilitarios (p. Ej., un martillo) que para los productos hedónicos (por ejemplo, perfume), y mayor para productos con características que solo se pueden discernir por el uso (por ejemplo, vino, películas) que para productos cuya calidad los consumidores pueden juzgar fácilmente mediante la lectura de descripciones (p. ej., ordenadores, Los telefonos).

A diferencia de, El impacto positivo de un recomendador en la probabilidad de comprar un producto fue mayor para los productos hedónicos que para los utilitarios. Contrariamente a investigaciones anteriores, el atributo relacionado con el uso o la experiencia previa no influyó en el efecto de los recomendadores sobre la probabilidad de que los consumidores compren un producto.

Los autores del estudio señalan varias limitaciones, incluido el uso de un solo tipo de sistema de recomendación. También, no sabían qué productos recomendaba realmente el recomendante y, por lo tanto, no podían analizar si una compra específica era el resultado de una recomendación; en lugar de, compararon el comportamiento de compra de los consumidores en los dos grupos y, debido a la aleatorización, atribuyó la diferencia al recomendador. Finalmente, no pudieron determinar cuánto duraría el impacto de un sistema de recomendación.

"Nuestros resultados sugieren que la forma en que los recomendadores ayudan a impulsar las ventas de productos difiere según el tipo de producto, "explica Kartik Hosanagar, Profesor de Operaciones, Información y decisiones en The Wharton School, quien fue coautor del estudio. "Descubrimos que el impacto positivo de los recomendadores en las vistas es mayor para los productos con calificaciones de reseñas promedio altas, sugiriendo que un recomendante complementa las calificaciones de las reseñas, mientras que lo contrario es cierto para las tasas de conversión condicionadas a las vistas, es decir, las calificaciones de recomendación y revisión son sustitutos ".