El Impacto de los Sistemas de Recomendación en los Consumidores: El Caso de Amazon - Castaño Martínez, Irene María

Abstract

El presente trabajo analiza el impacto de los sistemas de recomendación, basados en algoritmos de Aprendizaje Automático, en los consumidores de los marketplaces B2C, tomando como caso de estudio a Amazon. Partiendo del marco teórico que aborda las características, tipos y modelo de negocio de los marketplaces, se estudia su evolución como canales de distribución que ofrecen funcionalidades y ventajas adicionales a los fabricantes que operan en ellos. La definición de los conceptos fundamentales del Aprendizaje Automático permite profundizar en el funcionamiento de los sistemas de recomendación como herramientas clave en la personalización de las experiencia de compra, detallando los tres tipos principales: filtrado colaborativo, filtrado basado en contenido y sistemas híbridos. Además, se evalúan teóricamente sus efectos en el comportamiento del consumidor, como la satisfacción y la toma de decisiones. La validación de las observaciones teóricas se realiza a través de un estudio empírico en forma de cuestionario online dirigido a los consumidores de Amazon, en el que se investigan las percepciones sobre la utilidad, relevancia y efectividad de las recomendaciones personalizadas. Por último, el trabajo sugiere estrategias e iniciativas adicionales con el fin de optimizar las recomendaciones actuales de la empresa, destacando su importancia para atraer y retener a los consumidores.

This study analyzes the impact of recommendation systems based on Machine Learning algorithms on B2C marketplace consumers, using Amazon as a case study. Starting from a theoretical framework that examines the characteristics, types, and business model of marketplaces, the research explores their evolution as distribution channels offering additional functionalities and advantages to manufacturers operating within them. The definition of fundamental Machine Learning concepts enables a deeper understanding of the functioning of recommendation systems as key tools for personalizing the shopping experience, detailing the three main types: collaborative filtering, content-based filtering, and hybrid systems. Additionally, their effects on consumer behavior, such as satisfaction and decision-making, are theoretically evaluated. The validation of these theoretical observations is carried out through an empirical study in the form of an online questionnaire directed at Amazon consumers, investigating perceptions regarding the utility, relevance, and effectiveness of personalized recommendations. Finally, the project suggests additional strategies and initiatives aimed at optimizing the company's current recommendations, highlighting their importance in attracting and retaining consumers.