Recomiende desde su propio catálogo, sin un motor externo.
Cuando un negocio quiere mostrarle a un cliente “esto le puede gustar” (una propiedad parecida, un producto similar, un perfil que encaja), normalmente necesita un motor de recomendación separado del catálogo. Lo hacemos desde la misma base de datos donde ya vive su catálogo.
Hablemos de su catálogoLo que cambia frente a montarlo por su cuenta:
Técnicamente, funciona así:
Cómo lo implementamos
Vectorizamos las características del producto o perfil (texto, imagen, atributos) como columna del catálogo; CREATE VECTOR INDEX + SEARCH ... QUERY <vector_del_item> LIMIT k para “similares a este”, y AVG_VEC por categoría para recomendaciones basadas en el centroide de un grupo.
Y el límite, sin rodeos:
Qué no resolvemos
No cubrimos recomendación colaborativa a gran escala (miles de millones de interacciones, tipo Netflix) ni ranking con reentrenamiento continuo: para catálogos grandes con mucha interacción, herramientas especializadas siguen siendo más apropiadas. El punto dulce son catálogos pequeños o medianos donde montar infraestructura dedicada no se justifica.
Preguntas frecuentes
¿Sirve para catálogos de miles de productos?
Sí, es exactamente el punto dulce: catálogos pequeños o medianos donde montar infraestructura de recomendación dedicada no se justifica.
¿Y si tenemos millones de productos?
Ahí una herramienta especializada dedicada probablemente rinda mejor, y se lo decimos directamente en el diagnóstico.
¿Necesitamos migrar todo nuestro catálogo?
No. Se agrega una columna vectorial a la tabla que ya tiene, sin migrar el resto.