A la hora de tomar decisiones dentro del ecosistema digital, siempre es de bastante ayuda la recomendación de alguien que ha realizado previamente la misma operación que vamos a realizar nosotros, ya que de sobra es conocido que a más fuentes de información alrededor de una decisión, estaremos en disposición de tomar una decisión con mayor acierto.
Casi todos hemos asistido, desde sus inicios, al motor de recomendación de Amazon, donde una vez que hemos decidido nuestra compra, Amazon nos sugiere otra compra basándose en otra serie de objetos que compraron otros individuos que también compraron algo de mi cesta de compra. Es lo que técnicamente se conoce como filtrado colaborativo (CF).
En el filtrado colaborativo se utilizan diferentes algoritmos (análisis en PDF) sobre la base de los ítems comprados para ofrecer otros ítems. Las propiedades de lo que he comprado son analizadas de muchas y diferentes formas para que se pueda ofrecer un surtido (sorpresa y sorprendente) de ítems relacionados con el que compré. Es un modelo donde la información sobre mi compra es cruzada con muchos ítems (en stock) sobre los que, supuestamente, existe una determinada propiedad en común. Y por si no pensáramos en su correcta eficacia, sólo el tiempo que lleva utilizándose nos debería convencer de su utilidad.
Del otro lado, están también las críticas al respecto de la bondad de dichas recomendaciones: muchos autores son tratados con diferentes calificativos por la crítica y, sin embargo, el CF de Amazon nos recomienda, del autor que leí, parte de su obra, aunque la parte más reciente de la misma haya sido denostada por la crítica y no constituya la mejor opción a mi recién terminada lectura.
Ahora bien, tal vez sería de mayor utilidad, tanto para comprador como para vendedor, poder extraer información del usuario que realiza la compra de modo que pudiéramos aplicar algunos algoritmos sobre sus características para determinar usuarios y/o compradores que fueran como él. Es decir, poder desarrollar algunas funcionalidades sobre los compradores de determinados ítems que nos ayudara a conocer la similitud entre compradores, más allá de la mera recomendación en base a lo que compraron.
Es curioso cómo vemos, observando el CF de Amazon y la relación posterior a la compra de los clientes que atendieron o no la recomendación para ampliar su compra, que la mayoría de los clientes prefirieron la recomendación de gente en la que confían que la recomendación del algoritmo de CF. Una prueba más de lo que en las redes sociales se conoce como homofilia: la robusta relación existente entre gente que es parecida… y a más semejanza, mayor confianza.
Y es ahora donde las redes sociales vienen a desbancar las relaciones basadas en productos semejantes, al poder realizar recomendaciones basadas en la credibilidad, la confianza y el expertise de otros, cercanos o no a nuestro círculo de influencia. Curiosamente, los clientes así impactados, inician un nuevo camino de compra basado en recomendaciones, con lo que en el medio y largo plazo, la recomendación tendrá, por ejemplo, mucho mas valor que el merchandising.
Aparece entonces la posibilidad de:
- Predecir un posible score de productos en función de un usuario/cliente;
- Poder recomendar a un usuario/cliente los Top-N productos que aún no están incluidos en su cesta de la compra, y con los que tiene, sin que lo sepa, una gran afinidad;
- Poder determinar, por temáticas, categorías o grupos de productos, aquellos líderes altamente fiables, de cuyas recomendaciones participan un elevado número de gente.
Son estos líderes, que las marcas y los consumidores tanto persiguen, los que están modelando las conversaciones comerciales de los medios sociales. El intrínseco carácter de red de todas las informaciones que permiten adoptar un punto de vista nos hacen sospechar que, aunque puedan existir estos líderes, es mucho más plausible poder encontrarnos frente a redes de líderes o líderes que actúan en red. Y entonces el carácter fundamental de estos líderes o de sus redes está más en su carácter de difusión y contagio: cómo estos líderes actúan para aconsejar a otros usuarios.
Un mecanismo adecuado para la localización de estos líderes podría ser la de localizar cómo los usuarios se dejan influenciar por estos líderes y a partir de este modelo de propagación, localizar en la red hubs que muestren similitud de tráfico desde nodos débiles, es decir, desde fuera de su red de influencia. Este mecanismo de captación de usuarios desde fuera del hub es semejante al comportamiento que se observa cuando no clientes de una marca se sienten atraídos por la comunicación y los mensajes de la misma e inician, casi de manera inconsciente, una peregrinación desde su posición de prospectos a la zona más próxima al hub como clientes.
Por todo esto, la localización de estos líderes constituye un caso menor en la localización de influencia en redes sociales. Nuestros líderes en la recomendación son influyentes por categorías, donde realmente actúan. Hay que recordar que, en nuestro modelo de influencia en redes sociales, ésta es realmente llevada a cabo por la gente próxima al influyente, que es permeable en este aspecto. Son estos nodos libres los que realizan la influencia, llevan la corriente de pensamiento, las ideas y los conceptos a través de cascadas de conversaciones en la red.
El líder recomendador es mucho mas próximo a la temática de la que recomienda y su mejor carta de presentación es la convicción. No olvidemos la situación inmediata a la que se está enfrentando:
- El consumidor tiene un conjunto fijo de preferencias pero tiene información imperfecta alrededor de las diferentes opciones de productos que aún no considera;
- El consumidor tiene innatas preferencias sobre todos los productos disponibles pero puede ser influenciado por la opinión de otros;
- El consumidor no tiene innatas preferencias.
La mejor moneda de cambio en este juego de múltiples alternativas es la confianza. La certeza de que la fuente es fidedigna; de que moviliza con sus razonamientos a un público mayor, que está en red y que conforma, de manera voluntaria, diferentes comunidades y colectivos bajo distintos prismas de interés.
Consideramos que no hay mayor efectividad en la relación entre estos líderes y los mercados que la confianza; que no hay mayor confianza que la de la relación y el (re)conocimiento mutuo; que ese liderazgo es la base de una influencia de mayor rango… y que por lo tanto, patrones de influencia en red son los mejores patrones de fiabilidad y de recomendación de que podemos disponer en los medios sociales, en el sentido más amplio.
Recomendación e influencia intercambian una moneda en el ecosistema digital: la confianza; trabajar la influencia en la red nos va a permitir:
- Detectar líderes y seguidores.
- Conocer cómo se propaga la confianza.
- Para las marcas, incrementar el numero de líderes “confiables” de entre los líderes ya detectados.
- Más confianza lleva a más difusión; más difusión lleva a más hubs y a mayor contagio;
- Podremos determinar hubs de fuentes “confiables”.
En esta labor de detección de influencia aplicada, principalmente, a la recomendación, juegan un papel determinante todas aquellas trazas semánticas que nos ayuden a determinar el contexto de la persona que recomienda, pero mucho mas interesante será el contexto de la persona que necesita la recomendación: de cómo le “presentemos” la misma y de su aceptación dependerá la creación de una nueva dependencia entre recomendado y recomendador; el recomendador tendrá mayor validez. Y como siempre, en semejanza con la vida real, la recomendación es muy dependiente del contexto en el que se realiza.
Para terminar, creemos que no existe una única fuente de recomendación para cada cliente y que, en muchos casos, la mejor fuente de recomendación reside en las BBDD y CRM de nuestros clientes, que bien analizadas y parametrizadas, constituyen, sin duda, la principal razón por la que nuestros clientes repiten o nos dejan en pro de la competencia.
Fuente: #TC Blog