Tema 5.2: Tecnología Comercio Electrónico B2C

Transcripción

1 Tema 5.2: Tecnología Comercio Electrónico B2C

2 Tecnologías B2C (1) Se han desarrollado diversas herramientas tecnológicas para ayudar a compradores y/o vendedores durante el proceso de compra B2C. A menudo, estas soluciones utilizan técnicas inteligentes para automatizar procesos que, de otra forma, tendrían que ser realizados por personas. Dada la gran cantidad de potenciales compradores, vendedores y productos, automatizar el procesamiento puede ser crucial.

3 Tecnologías B2C (y 2) Proceso de compra: Identificación de necesidad / Elección del producto. Elección del vendedor. Negociación. Compra. Servicio Post-venta.

4 Elección de Producto Recomendaciones automáticas. Recomendaciones personalizadas de productos a cada usuario. Tecnologías: Sistemas basados en Reglas. Filtrado colaborativo. Ejemplos: Amazon, Netflix, etc. Evaluación automática de opiniones (Opinion Mining): Analizar automáticamente reseñas de usuarios y/o expertos sobre productos.

5 Recomendaciones Automáticas (1) Sistemas basados en Reglas: Un administrador define reglas declarativas que asignan explícitamente productos a usuarios: Ejemplo: Si p.director=d y size(u.peliculasvistas(d))>2, recomienda (u,p) Estos sistemas pueden no escalar: El número de reglas puede crecer mucho y pueden entrar en conflicto entre sí. Si no, existe el riesgo de que las reglas sean demasiado simples. Hoy no se utilizan para aplicaciones grandes.

6 Recomendaciones Automáticas (2) Filtrado Colaborativo. Los usuarios evalúan una serie de items. Usuarios pueden puntuar items de ejemplo. Se asume que los items comprados o examinados por el usuario tienen interés para él. Se buscan asociaciones implícitas : Para un usuario, encontrar a otros usuarios que suelan evaluar los items de la misma forma y recomendarles productos que esos otros usuarios han evaluado bien y que él no ha visto. Para un item, encontrar los items que suelen ser evaluados de la misma forma por casi todos los usuarios. Si a un usuario le gusta un item del grupo, recomendarle el resto.

7 Recomendaciones Automáticas (3) Si tenemos m usuarios y n items, modelamos los ratings como una matriz m x n a la que llamamos M. El valor de la mayoría de posiciones de la matriz es desconocido. Para estimar r ui (rating que u daría a i): 1. Encontrar N(u;i), el conjunto de los k usuarios más cercanos a u que han evaluado i. 2. Calcular r ui como: r ui = v ( u; i) s v ( u; i) uv s r uv vi donde s uv es una medida de similitud entre u y v.

8 Recomendaciones Automáticas (4) La medida de similitud es importante: Es la base para construir N(u;i). Se utiliza en el cálculo final de r ui. Medida de similitud del coseno: Un usuario (o item) puede ser visto como un vector: la fila (o columna) correspondiente en M. El ángulo entre esos vectores puede verse como la similitud entre ellos (común en aplicaciones de IR). Si los vectores se normalizan a longitud 1, coincide con el producto de los vectores.

9 Recomendaciones Automáticas (5) Otra medida de similitud: coeficiente de correlación de Pearson (no la explicamos). Lo que hemos visto con usuarios puede hacerse de forma análoga con items. Hoy suele hacerse por items porque hay más usuarios que items y es más eficiente. La técnica de los k vecinos más cercanos (Knearest neighbors) es muy usada porque: Es simple de implementar y puede hacerse de forma eficiente. Es fácil explicar al usuario las razones de una recomendación.

10 Recomendaciones Automáticas (y 6) Hay varios pre-procesamientos previos que pueden realizarse: Ejemplo: Tener en cuenta si un usuario/item suele dar/recibir ratings altos o bajos. También se utiliza factorización de matrices: Reducir la dimensionalidad de matrices para eliminar ruido : Single Value Decomposition (SVD). El rango de una matriz es el número de filas o columnas linealmente independientes del resto. El resto pueden ser vistas en cierta forma como redundantes. SVD permite obtener una matriz alternativa con un rango determinado. Descubre asociaciones subyacentes entre items y usuarios.

11 Evaluación de Opiniones (1) Sentiment Classification : dado un documento, el sistema intenta determinar si el sentimiento general es positivo o negativo. Feature-based Opinion Mining. Intenta extraer frases valorativas sobre características concretas (e.g. la batería de esta cámara dura muy poco ). Comparative sentence mining. Busca frases comparativas (e.g. la batería de la cámara a dura más que la de la cámara B ).

12 Evaluación de Opiniones (2) Combinan técnicas de procesamiento de lenguaje natural y de minería de datos. Para la primera tarea : Clasificación automática: ejemplos de opiniones negativas y positivas. Partiendo de palabras positivas y negativas y de palabras que identifican a los productos, obtener datos de correlación entre productos y palabras positivas o negativas. En las reviews del producto i predominan las palabras positivas o negativas?

13 Clasificación Automática Técnica estándar de IR (Information Retrieval). El sistema se entrena con un conjunto de documentos de ejemplo de cada categoría. Cuando llega un nuevo documento se encuadra en la categoría con documentos de ejemplo más parecidos. La noción de similitud se basa en frecuencias relativas de aparición de términos. Existen múltiples métodos.

14 Clasificación Automática (2) Algoritmo de Bayes Ingénuo (Naive Bayes). De los más efectivos. Aplicar Teorema de Bayes para calcular probabilidad de que un documento pertenezca a una categoría. P(c j d)=(p(c j )*P(d c j ))/P(d) Se escogería para el documento d la c j que diese un valor más probable. P(d) igual para todas las categorías-> puede ignorarse P(c j ) puede estimarse usando el juego de entrenamiento como N j /N, donde: N j es el número de documentos en la categoría j en el conjunto de entrenamiento. N es el número de documentos total en el conjunto de entrenamiento.

15 Clasificación Automática (y 3) Si suponemos que, dada una categoría, la aparición de una palabra es totalmente independiente de la aparición de las demás (ingenuidad), entonces: P(d c j )=Π i=1..m P(d i c j ) Donde M es el número de términos en el vocabulario y d i es un término que aparece en el documento. P (d i c j ) puede estimarse usando el juego de entrenamiento como: (1+N ij )/(M+ k=1..m N kj ) Donde N ij es el número de veces que aparece d i en documentos de c j.

16 Evaluación de Opiniones (3) Para identificar frases comparativas y positivas o negativas: Se buscan frases con nombres de productos y palabras positivas, negativas o comparativas. Se utilizan técnicas de análisis sintáctico automático para determinar el significado de las frases: El producto A es muy caro -> el producto A tendrá un valor numérico muy bajo para la característica precio. El producto A no es tan caro como el B -> B tendrá una puntuación mayor en la característica precio.

17 Evaluación de Opiniones (y 4) En general, los sistemas de evaluación de opiniones requieren una configuración cuidadosa para cada tarea, especificando las palabras relevantes en cada caso. Son utilizados fundamentalmente por los vendedores que desean conocer como evalúan los usuarios sus productos. No se aborda el problema de cómo obtener las opiniones (típicamente hay que extraerlas de la web).

18 Elección del Vendedor Comparar automáticamente precios y otras características (plazo de entrega, gastos de envío, características de productos.). Existen servicios para comparar productos online de varias tiendas electrónicas. Ejemplo: MySimon.com. Dos enfoques (no excluyentes): Colaboración con comerciantes. Comerciantes exponen información vía un servicio web. A menudo, los comerciantes pagan una comisión por cada venta que llegue a través del comparador Puede pagarse también posicionamiento. Sistemas de extracción de datos de la web.

19 Extracción de Datos Web (1) Existen sistemas capaces de automatizar las interacciones con una web. Tienen dos componentes fundamentales: Navegadores automatizados controlados por algún lenguaje, que permiten reproducir las acciones efectuadas por un usuario. Sistemas capaces de extraer los datos deseados de una página web. Aprendizaje inductivo basado en ejemplos: administrador proporciona ejemplos de los datos deseados a extraer, y el parser se genera automáticamente. Se ha investigado también como disminuir el coste de mantenimiento ante cambios de las fuentes: Adaptación automática ante algunos cambios.

20 Extracción de Datos Web (y 2) Cuando un usuario hace una comparación: El sistema realiza automáticamente la búsqueda en las tiendas electrónicas. Los resultados son integrados en tiempo real por el sistema y mostrados al usuario. Pueden utilizarse caches y/o precargas. En algunos productos, las caches son muy efectivas: Libros, películas la regla del 80%-20% (el 20% de los productos concentran el 80% de las consultas) sí aplica aquí.

21 Negociación Automática El enfoque dominante ha sido utilizar subastas: Son adecuadas tanto para personas como para programas. En un mercado virtual B2B, las subastas son un mecanismo de negociación que puede realizarse de forma automatizada y con confianza por todas las partes de que va a ser justo. Se han desarrollado muchos métodos de subasta on-line para B2B, algunos inspirados en mecanismos de subastas reales y otros no. Algunos investigadores trabajaron en agentes negociadores capaces de aplicar ideas más sofisticadas, pero no han tenido implantación.

22 Compra: Software del Vendedor (1) Existen múltiples paquetes software para dar soporte a tiendas electrónicas. Al menos deben incluir: Catálogo Virtual. Carga de productos. Control de existencias. Carrito de la compra. Procesamiento de transacciones: Calculo de plazos y gastos de envío (información empresa de transportes). Enlace con pasarelas de pago. Contabilidad básica.

23 Compra: Software del Vendedor (2) Tiendas pequeñas suelen utilizar servicios ondemand : La tienda reside en un servidor especializado compartido por muchas otras tiendas pequeñas (hosting). La administración de la tienda (cargar catálogo, etc.) se hace vía web y/o vía servicios web. No es necesario escribir código. Coste de entrada muy bajo ( euros/mes). Sube con volumen. Proveedor asume coste hardware, comunicaciones, gestión de sistemas y puede gestionar publicidad. Grado de personalización permitido también varía con el precio. Proveedores: ebay, Yahoo, BigStep,

24 Compra: Software del Vendedor (3) Empresas medianas: Tienen ya su infraestructura de comercio montada: Clientes, facturación, transacciones, recursos, contabilidad On-demand puede no ser adecuado si la integración con sistemas existentes no es viable o cara: Evitar estructuras paralelas donde el procesamiento de las ventas on-line no está integrado con los otros canales. Puede desearse un mayor control sobre la información propia. El nivel de servicio ante incidencias proporcionado por el proveedor on-demand puede no ser suficiente.

25 Compra: Software del Vendedor (4) Empresas medianas / grandes. Pasos: Crear el sitio web con la ayuda de un paquete software de comercio electrónico. Añadir el middleware de integración para permitir al software de CE integrarse con infraestructura actual. Paquetes software CE: Para desarrolladores. APIs. Coste puede oscilar mucho: desde unos a unos euros por procesador. Fabricantes: Intershop, IBM Websphere Commerce Professional, Microsoft Commerce Server

26 Compra: Software del Vendedor (y 5) Software CE compañías medianas: Funciones para la integración con los sistemas existentes. Este suele ser el aspecto más costoso (ver Tema 5.1). Gestión de campañas, promociones y descuentos. Informes para analizar el éxito de productos, campañas, promociones, incluso personalización y recomendaciones (reglas). Soporte multi-tienda (con gestión integrada). Más opciones para funciones básicas (carrito de la compra, catálogo, ). Informes más complejos. Para empresas grandes, esto puede no ser suficiente: Paquetes para grandes volúmenes que combinan B2B y B2C (ver Tema 5.1).

27 Asistentes personales inteligentes Muchos grupos de investigación trabajan para utilizar agentes inteligentes en el comercio electrónico. Sí, ya... En realidad para muchas aplicaciones no se requieren agentes inteligentes tal y como entendemos la Inteligencia.

28 Ejemplo: Contratación de Viajes Qué involucra para un asistente humano contratar un viaje para un congreso? El viajero le dice mas o menos cuando quiere llegar, cuando quiere irse y la dirección en el destino donde es el congreso... El asistente contrata los vuelos, reserva un hotel cerca de la exposición y lo hace al mejor precio posible. Antes de confirmarlo todo, pregunta si esta todo bien.

29 Ejemplo: Contratación de Viajes (y 2) Puede automatizarse este proceso? Se requiere acceder de forma automatizada a bases de datos de vuelos, callejeros, bases de datos de hoteles, Si suponemos que existe el acceso a los datos, el proceso no requiere inteligencia real. Problema: falta un lenguaje común de entendimiento a nivel de aplicación. Esta es la idea básica que está detrás del Semantic Web (XML + RDF + Ontologías).

30 Web semántica (1) En la Web que conocemos, la información se representa mediante medios legibles para humanos pero no legibles para máquinas. HTML no proporciona información sobre la semántica o la estructura de sus contenidos. No existen medios normalizados para describir las No existen medios normalizados para describir las capacidades de consulta ofrecidas por una fuente web.

31 Web Semántica (2) La Web Semántica pretende crear normas, lenguajes y protocolos para que la información en la Web sea legible para máquinas. La estructura y semántica de los elementos de información debe poder definirse de forma clara (XML y XML Schemas). Debe poderse expresar conocimiento que relacione entre sí a diversos elementos (RDF).

32 Web Semántica (3) Debe ser posible definir ontologías (similar a taxonomías ) para los elementos, de forma que sea posible saber si elementos creados independientemente se refieren o no al mismo contenido semántico (e.g. son estos elementos un libro? Si lo son, son un libro de ficción?). No puede esperarse que haya una única ontología de referencia: debe ser fácil expresar traducciones entre vocabularios.

33 Web Semántica (4) Debe ser posible expresar reglas de inferencia que obtengan nuevo conocimiento partiendo de otros conocimientos previos. Como en la web, cualquiera puede expresar cualquier conocimiento, es necesario poder autenticar quién expresa una información o conocimiento concreto.

34 Web Semántica (5) En la actualidad, se han desarrollado normas sólo para las primeras partes del problema: URIs para identificar unívocamente elementos. XML y XML Schema para definir la estructura de elementos de información. RDF para expresar afirmaciones ( conocimiento ) RDF para expresar afirmaciones ( conocimiento ) sobre elementos.

35 Web Semántica (y 6) Ontologías (OWL, DAML+OIL, RDF Schema) para expresar vocabularios y taxonomías de conceptos, y cómo estos se relacionan entre sí. Estas ontologías se expresan muchas veces utilizando primitivas similares a las del diseño OO (herencia, agregación, ). Los Servicios Web también se mencionan a veces como parte de la Web Semántica. Las partes de reglas de inferencia y cadenas de confianza aún no se ha desarrollado.

36 Ejemplo (1) Ejemplo (Berners-Lee en Scientific American): Los Beatles cantan We can work it out en el equipo de sonido de Bob cuando el teléfono suena El teléfono avisa a todos los dispositivos que tienen control de volumen para que lo bajen automáticamente

37 Ejemplo (2) El agente de Lucy recoge la prescripción de los sistemas del médico, busca clínicas en un área de 20 millas que tengan un nivel de confianza por parte de organismos fiables de alto o muy alto, y que su rango de precios esté en un margen determinado. Es su hermana Lucy al teléfono. Su madre va a Es su hermana Lucy al teléfono. Su madre va a necesitar sesiones de fisioterapia y tienen que turnarse para acompañarla. Acuerdan que sus agentes (que residen probablemente en algún móvil o PDA) hagan los arreglos necesarios.

38 Ejemplo (y 3) Una vez escogida la clínica, el agente de Lucy contacta con el de su hermano. Cotejan sus agendas personales, y fijan las fechas en las que cada uno acompañará a su madre. Los agentes plantean las opciones a sus usuarios. A Lucy le parece bien, pero a Bob no. A la hora a la que son las sesiones, hay mucho tráfico desde su casa al hospital escogido. Así que Bob especifica a su agente criterios más estrictios de hora y localización. El agente de Bob busca otras opciones y las encuentra siempre que cambie un par de citas de su agenda. Bob lo acepta. El nuevo plan es enviado al agente de Lucy, quién lo acepta.

39 Viabilidad Web Semántica El concepto global de Web Semántica es muy ambicioso. Mucha gente tiene dudas sobre la viabilidad actual de la versión más ambiciosa: Los sistemas basados en reglas de inferencia (estilo Inteligencia Artificial más o menos clásica) no han acabado de funcionar bien salvo en dominios muy específicos. Definir ontologías de amplio uso es un proceso lento y difícil. Problema del momento cero. Círculo vicioso: Por qué el médico tendría un sistema de Web Semántica si montarlo tiene un coste importante y casi ningún paciente lo usa? Por qué los usuarios tendrían agentes, si casi ningún proveedor (e.g. médico) lo soporta?

40 Viabilidad Web Semántica El concepto global de Web Semántica es muy ambicioso. Mucha gente tiene dudas sobre la viabilidad actual de la versión más ambiciosa: Los sistemas basados en reglas de inferencia (estilo Inteligencia Artificial más o menos clásica) no han acabado de funcionar bien salvo en dominios muy específicos. Definir ontologías de amplio uso es un proceso lento y difícil. Problema del momento cero. Círculo vicioso: Por qué el médico tendría un sistema de Web Semántica si montarlo tiene un coste importante y casi ningún paciente lo usa? Por qué los usuarios tendrían agentes, si casi ningún proveedor (e.g. médico) lo soporta?