Análisis de portales y tecnologías
Diseño de soluciones según la naturaleza de cada portal
Segmentación y contextualización de la información — Las bases de los sistemas de recomendación que llegarían después
Investigación interna sobre algoritmos de recomendación, sistemas NoSQL y arquitecturas escalables para servir contenido relevante al usuario en función de su contexto, sentando los cimientos de capacidades aplicadas más tarde en proyectos comerciales.
El reto
La personalización deja de ser un extra para convertirse en condición de uso. Y los sistemas tienen que estar preparados.
A principios de la década, los servicios online empezaban a notar que la fidelidad del usuario dependía cada vez más de la capacidad del portal para mostrar contenido relevante en cada momento. La personalización había dejado de ser un valor añadido para convertirse en un factor crítico de éxito. Pero construir un sistema de recomendación serio exigía mucho más que aplicar reglas: requería almacenamiento adecuado para grandes volúmenes, algoritmos probados y una arquitectura preparada para escalar bajo carga real.
"Este proyecto fue una inversión deliberada en capacidad interna sobre sistemas de recomendación. Sin esa base, proyectos posteriores como J4Match no se habrían podido abordar con la solvencia con la que se abordaron."
Iker Barrena — Director de Hispavista Labs
Datos del proyecto
Cliente
Hispavista Labs
Periodo
Enero 2012 – Diciembre 2013 (24 meses)
Rol HVLabs
Diseño, implementación y evaluación de algoritmos de recomendación
Tecnología
NoSQL · PredictionIO
Timeline del proyecto
24 meses, del análisis de portales al sistema operativo
El proyecto encadenó cuatro paquetes técnicos: análisis del estado del arte, modificación de los sitios para captura de información, selección de algoritmos adecuados e implementación con pruebas de carga real.
La solución
Cuatro componentes que convierten una intuición sobre personalización en un sistema probado
Análisis previo del dominio antes que adopción de algoritmos
Estudio del tipo de portal y de la naturaleza de su información antes de seleccionar el sistema de recomendación adecuado. La técnica no se elige por moda: se elige por encaje con el caso de uso.
Almacenamiento NoSQL clave-valor
Adopción de sistemas de almacenamiento adaptados a analítica avanzada, analítica distribuida y análisis en tiempo real. Los sistemas relacionales tradicionales no soportan bien esa exigencia: hay que escoger la herramienta correcta.
PredictionIO como base abierta
Apuesta por un sistema libre y abierto para construir las soluciones de recomendación. Coherencia con la filosofía arquitectónica de HV Labs: estándares abiertos antes que cajas negras propietarias.
Pruebas de carga y estabilidad reales
Implementación seguida de validación bajo condiciones de uso real. La diferencia entre un algoritmo que funciona en laboratorio y uno que sostiene un portal en producción está en la prueba de estrés que precede al despliegue.
Por qué te importa
Lo que aprendemos aquí se aplica a cualquier proyecto donde la calidad de la recomendación condiciona la fidelidad del usuario
Segmentación y contextualización no es solo un proyecto interno. Es uno de los pilares sobre los que se ha construido, después, todo el trabajo de HV Labs en recomendación, personalización y experiencia adaptativa: J4Match (empleo), Janby (cocina), Feel Free (alquiler vacacional), y muchos otros.
Casos de éxito
¿Tu operación tiene un problema parecido?
Cuéntanos el reto. En 30 minutos te decimos si tiene solución con lo que ya tienes.
"*" señala los campos obligatorios