7 minute read

Graph Everywhere Josep Tarruella

Next Article
Derecho

Derecho

Soluciones basadas en grafos para el ecommerce post pandemia

Graph Everywhere es la máxima representante del sector de los grafos en nuestro país. Asentada en Barcelona, son los precursores de una tecnología que ha llegado para cambiarlo todo.

TexTo: redAcción

El cofundador de Graph

Everywhere, Josep Tarruella

nos ha atendido para hablar de ecommerce, pandemia y por supuesto, grafos.

Big Data Magazine (BDM): ¿Hacia dónde ha evolucionado el ecommerce en último año desde que empezó la pandemia?

Josep Tarruella (JT): Todos sabemos que la demanda del usuario se ha desviado por temas de fuerza mayor al E-Commerce, por lo que todos han tenido que revisar su modelo de negocio. Tenemos todos claro es que el E-Commerce ha ganado terreno y, definitivamente, en cualquier escenario de “nueva normalidad”, tendrá un peso muy importante de aquí en adelante. La evolución ha pasado por varias fases, empezó por resolver asuntos urgentes como la capacidad de responder a una demanda que se disparó de un día para otro o incluso mejorar la capacidad de logística de reparto. Estos fueron los primeros hitos tras el comienzo de la Pandemia (además de gestionar el teletrabajo, claro). Mientras se resolvían estos asuntos urgentes, las organizaciones empezaron a trabajar en estrategia a medio largo plazo. Pasamos de lo Urgente a lo Importante.

BDM: ¿A que se refiere con estrategia?

JT: Hasta hace uno año, para la gran mayoría de los e-Commerce de los retailers tradicionales, el canal digital representaba un porcentaje bajo de los ingresos. Era ciertamente mucho menos relevante que el negocio que se producía en sus tiendas físicas. La estrategia comercial se centraba en el modelo más beneficioso (la tienda física) y el e-Commerce era más un apoyo y extensión de ese modelo, más que un canal en sí, con una estrategia propia y desvinculada. Pongo un ejemplo: un gran almacén basa su estrategia en los pasillos, para que los usuarios puedan ir a buscar los productos a sitios concretos, coloca productos y secciones con el objetivo de que caminen por los pasillos y vean el máximo posible de productos. En un entorno físico esta estrategia funciona, en un canal digital lo más parecido es ofrecer un menú de navegación por el que el usuario está obligado a explorar moviéndose por secciones y subsecciones. Si miramos los grandes e-Commerce que nacieron en la era digital (Amazon, …) por ejemplo, rápidamente vemos que la diferencia es brutal. Estos gigantes esconden los menús de navegación ya que su estrategia se basa en ser capaces de escuchar entender e interactuar con el cliente, por lo tanto, han desarrollado súper buscadores y sistemas de recomendación inteligentes. Hoy en día pueden: · Personalizar oferta · Entender lo que busca el cliente desde la segunda o tercera letra que teclea · Ofrecer los productos que busca · Ofrecer productos relacionados/ combinados · Inspirar al cliente · Recomendar otros productos

BDM: ¿Pero esto no lo hacen todos los ecommerce?

JT: Cada vez más, sin embargo, no se trata de si lo hacen (o pretenden hacerlo), se trata de cómo lo hacen. Usando los sistemas más tradicionales puedes llegar a entender un cliente que escribe “Zapatillas”: por los índices que ayudan a búsquedas ligadas al léxico, entiendo que quiere ver calzados > zapatillas. Bien, en esta taxonomía tengo cientos de productos, ¿cual le enseño primero? ¿Cómo lo ordeno? ¿Dejo que él elija (más barato, más vendido, ...)? Esto ya es un reto sin embargo hay más, mucho más. Por ejemplo ¿puede ser que alguien que busque “zapatillas” pueda estar interesado en “calcetines”? Para un sistema tradicional esto ya se convierte en algo demasiado complicado, sobre todo si tiene que calcularlo en tiempo real. ¿Puedo sacar calcetines que “combinan” por color con las zapatillas que estoy mostrando? ¿Puedo saber si están en stock, en que almacén y que tiempo de entrega estimado tengo hasta el cliente? Aquí es cuando los sistemas tradicionales dejan de responder y se ve claramente la necesidad de una solución basada en tecnología de grafos.

BDM: Se pone interesante. Háblenos de esta solución ¿Cómo la define y cómo se construye?

JT: Podemos llamarlo “Buscador/ Recomendador Semántico”, concepto ligado con “Real Time Graph Scoring”. Todo empieza por un grafo de conocimiento (Knowledge Graph). Lo primero es disponer en tiempo real de datos relevantes (no es necesario que estén todos de inicio, pero si pensar en ir incorporando todas las fuentes posibles), cuales: · ERP – Productos, Promociones, Productos Push… · CRM – Perfil de usuario, dirección d entrega, búsquedas, cookies, compras anteriores, ticket promedio … · WareHouse – Stock, geoposicionamiento…

Desde luego hay que trabajar en Taxonomías, Ontologías y construir un óptimo modelo de datos.

Una vez tenga suficientes datos, taxonomías, ontologías en mi grafo, es cuando puedo empezar a trabajar en las consultas.

BDM: ¿Cómo funciona? ¿Qué puede calcular?

JT: Los grafos son buenos para realizar consultas contextuales, gestionan muy bien las relaciones entre los elementos y lo hacen a velocidades de milisegundos. El gran hito es poder conversar con el usuario. Piensa que tu cliente VIP entra en tu tienda y se acerca a preguntar.

Ya le conoces, además lo tienes enfrente: sexo, talla, tiene familia, compras anteriores, colores, marcas que ha comprado, ticket promedio, cumpleaños….

Sólo basándote en esta información deberías ser capaz de recomendar algún producto, antes de que el mismo pida nada.

Traducido al e-Commerce, esta es la personalización de las vistas a las que accede el usuario identificado, que hay que calcular por cada acceso del cliente en cada paso de navegación, además preocupándose de no repetir siempre la misma oferta.

El cliente pide: - Quiero unos zapatos que combinen con mi traje blanco.

Un vendedor de raza recomendaría un par de zapatos, pero aplicaría analítica cognitiva e ingenio, para ofrecerle también unos calcetines adecuados para los zapatos que le recomienda, además le recomendaría algún objeto que pueda combinar, por ejemplo, un cinturón y por último trataría inspirarle ofreciéndole un bolso para su esposa.

Bien, el vendedor ha calculado que zapatos enseñarle, adecuados al ticket promedio de compra de su cliente, ha tenido en cuenta las promociones, también los productos push, el stock por la talla … además ha pensado en combinar, relacionar e inspirar con productos que no son Zapatos.

Esto es lo que queremos que hagan nuestras páginas web. No es un camino fácil, sin embargo, es un gran objetivo que podríamos lograr. Hoy existe la tecnología para hacerlo. Ordenando un poco lo que hemos contado: todo esto puede definirse como solución de “Buscador/Recomendador Semántico”. Es una solución que se construye en conjunto con el cliente (e-Commerce), por lo que no es un “out of the box”, sobre todo porque queremos dejar a nuestros clientes la capacidad de ir mejorando esta solución y que tenga toda la flexibilidad para que pueda acomodarse a las tendencias futuras, por muy repentinas que sean.

Graph Scoring – Hemos introducido este concepto, se trata de la capacidad de hacer cálculos complejos en cuestión de milisegundos sacando el máximo partido de todos los datos de los que se dispone, relacionados entre ellos. Aquí reside la potencia de esta tecnología. Se trata de un scoring. ¿Que calcula?

Personalización. Cada vez que alguien accede (sobre todo si es usuario identificado), debe de tener una vista personalizada y una recomendación siempre distinta.

El buscador es una pieza clave ya que ejecuta cálculos para determinar productos a mostrar: · Debe de saber interpretar lo que busca el cliente desde que teclea la segunda o tercera letra y en consecuencia buscar el producto de referencia. · Debe ser capaz de buscar productos relacionados, similares · Combinaciones de productos Productos relacionados con … otros usuarios que tienen cierto grado de similitud…

Finalmente, el cálculo para determinar el orden de presentación de los productos: · Más nuevo · Tiene promo · Marcas Push · Está en Stock · Está a menos de 2h del CP de entrega · Aún no ha salido recomendado

BDM: Hasta aquí hemos hablado del mundo transaccional y real time. ¿Esto también aplica al mundo analítico, analítica avanzada, ML?

JT: Por supuesto, además la analítica avanzada aporta conocimiento a este modelo transaccional, te explico. Existe todo un mundo de Graph Feature Engineering y Graph Embeddings, algoritmos de grafos etc. Es muy relevante para alimentar pipelines de Machine Learning y entender mejor los patrones de comportamiento. Pensemos a una persona cómo un nodo en el grafo, que tiene una serie de atributos, relaciones con otros nodos que tienen otros atributos y así. Puedo buscar patrones de comportamiento similares basándome en la estructura que tiene mi nodo y cómo está relacionado con su entorno, para buscar otros trocitos de grafo parecidos en mi universo de nodos, estudiar el comportamiento de todos estos elementos (analítica avanzada) y devolver información relevante a los elementos del grafo para que sea tenida en cuenta a la hora de calcular futuros scoring (por ejemplo la personalización de pantalla de inicio). También puedo generar comunidades y usar la potencia de los algoritmos nativos de grafos, hay mucho que decir al respecto, sería necesaria otra sesión para profundizar en este aspecto... .

This article is from: