21 / 11 | Mundo, Política, Uncategorized

PIERRE BOURDIEU FT. NETFLIX & SPOTIFY (THIS IS THE REMIX)

Desde hace ya un par de años que arranco este tipo de textos contando que en las últimas dos décadas el volumen de datos existente y la capacidad para procesarlos crecieron exponencialmente. Es un lugar común, pero no por eso deja de ser una de las transformaciones más importantes del mundo en que vivimos y que tiene cada vez más consecuencias en nuestras vidas. Estos cambios tecnológicos recientes eran tema de nicho hace no tanto y ahora la discusión es más difundida, ya sea desde el solucionismo tecnológico, desde la tecnofobia alla black mirror o desde algún punto perdido en ese continuum.

Uno de los puntos que más atrae a empresas y a consumidores es el de los sistemas de recomendación. Son básicamente líneas de código que toman a un/a usuario/a y a la historia de compras de una plataforma como inputs y dan como output predicciones o recomendaciones de los items que pueden ser más relevantes para ese/a usuario/a. En redes sociales hay dos tipos de burlas sobre ellos: la primera es la risa que generan cuando pifian por mucho, la segunda da más miedo que gracia y es cuando son invasivamente precisos. La hipótesis de este texto es que los sistemas de recomendación se basan en programación y en matemática, pero también en sociología. Aunque, a diferencia de Pierre Bourdieu, no pretenden explicar las cercanías espaciales de capitales y consumos, sino solamente explotarlas.

"cualquier sociólogo o socióloga apostaría que esas causas de fondo que permite agruparles espacialmente y que definen sus preferencias son los mismos sospechosos de siempre: clase social, grupo social, edad, género, generación, capital cultural, capital educativo"

Compartir:

¿Cómo funciona un sistema de recomendación? Existen varios tipos y los que mejor funcionan combinan más de una forma para proveer recomendaciones más precisas. Pero los más difundidos son dos: basados en contenidos (content-based filtering) y colaborativos (collaborative filtering).

El primero es el más fácil de explicar. Básicamente, toman toda la descripción existente sobre un item (o sólo parte de ella, en caso de que funcione mejor y/o reduzca el costo computacional) y la comparan con todas las demás descripciones. Esto permite calcular la distancia entre cada uno de los items en un espacio de n dimensiones, donde n es igual a la cantidad de variables acerca de las que tenemos información sobre los items. Netflix y Spotify cuentan con muchísimas dimensiones y descripciones para cada canción y para cada película. En el primer caso esto se exterioriza a experiencia de usuario con algo de humor cuando nos ponen esas categorías ultraespecíficas para clusterizar las películas recomendadas. En el segundo caso la forma más cercana para entenderlo son los daily mix y las canciones que se autorreproducen cuando termina la lista de reproducción, que en general tienen sentido con la música anglosajona, pero no con la local, en tanto Spotify no ve tan lejano a La Renga respecto de Virus.

Los sistemas de recomendación basados en filtros colaborativos son apenas más complejos de explicar. Construyen una matriz con usuarios/as en las columnas e items en las filas. En cada celda, habrá un uno si hubo una compra o interacción y cero si no la hubo. O mejor, estará el puntaje del 1 al 5 con el que ese/a usuario/a clasificó a ese item. O aún mejor, ese puntaje ponderado en conjunto con medidas implícitas (cuánto tiempo estuvo sin saltar esa canción o película, cuántas veces la vio, los movimientos del mouse, etcétera) y/o análisis de texto de las reseñas dejadas por cada usuario/a para ese item. Una vez que se tiene esa matriz, se procede a descomponerla y luego componerla nuevamente. Este procedimiento permite dar con predicciones de puntajes para usuarios que aún no consumieron un determinado item. Si el usuario A consumió los items 1, 2, 3, 4, 5 y 6 y el B todos menos el 6 y ambos pusieron puntajes similares a los primeros 5, el usuario B tendrá una predicción de puntaje alta para el item 6. El sistema de recomendación ordena de mayor a menor las predicciones y muestra las más probables. A medida que tiene más información, sus predicciones mejoran, creando un loop positivo de precisión que a su vez aumenta el consumo.

"Si el usuario A consumió los items 1, 2, 3, 4, 5 y 6 y el B todos menos el 6 y ambos pusieron puntajes similares a los primeros 5, el usuario B tendrá una predicción de puntaje alta para el item 6."

Compartir:

El filtro basado en contenidos se funda en última instancia en agrupar items parecidos, es decir, en el principio universalmente aceptado de que si me gusta A y B es parecido a A, es muy probable que me guste B. No es seguro, pero la probabilidad es alta. En cambio, el filtro colaborativo se sostiene en la noción de que personas que eligen de forma similar tienen gustos similares y por lo tanto tienen una probabilidad alta de seguir eligiendo parecido en el futuro. A los sistemas de recomendación (en realidad, a quienes los compran o implementan) no les importan los factores latentes que determinan esas cercanías espaciales de personas y de gustos. No tengo los datos (todavía), pero cualquier sociólogo o socióloga apostaría que esas causas de fondo que permite agruparles espacialmente y que definen sus preferencias son los mismos sospechosos de siempre: clase social, grupo social, edad, género, generación, capital cultural, capital educativo. El salto cualitativo que tienen los algoritmos sobre el marketing tradicional es que la clusterización puede bajar a niveles de detalle y especialización mucho más bajos y mucho más precisos, sin tener que explicarlos.

Un usuario de Twitter se quejaba hace poco de que Rappi le recomendaba una y otra vez sushi, que a él no le gusta. Siempre rechazaba esa recomendación, pero sin embargo el producto aparecía una y otra vez, traído a la pantalla por la terquedad de un algoritmo que está convencido de que una alta probabilidad es casi lo mismo que la determinación. Desde el punto de vista del sistema de recomendación, era la celda que le faltaba completar en la matriz de usuarios con gustos similares. En el fondo, es una cuestión de consumos difundidos en determinados grupos sociales en determinadas coordenadas temporales geográficas y espaciales (y con ciertas significaciones coyunturales). Básicamente, La Distinción de Bourdieu.

"Cambios económicos y culturales nos dieron una sociedad cada vez más subdiferenciada y compuesta por cada vez más nichos, más pequeños y más heterogéneos"

Compartir:

En realidad, las empresas utilizan los sistemas de recomendación para hiperexplotar un hecho que Durkheim, Bourdieu y el marketing de las últimas décadas del siglo xx ya conocían muy bien, pero que todavía genera algo de pudor decir: que las personas parecidas deciden parecido, y que en el fondo lo que realmente deciden es muy poco. Lo que cambió entre el siglo xix y el nuestro es un proceso que también predijo Durkheim, la tendencia a la progresiva diferenciación social en segmentos cada vez más distintos entre sí. Eso mismo estudió Bourdieu cuando la sociedad de masas de Andy Warhol, donde el presidente y el linyera consumían la misma Coca-Cola, estaba muriendo. Cambios económicos y culturales nos dieron una sociedad cada vez más subdiferenciada y compuesta por cada vez más nichos, más pequeños y más heterogéneos. Inevitablemente estos grupos consumen de forma cada vez más diferenciada. La hipertargetización y microsegmentación actuales son la intensificación, tecnología mediante, de un proceso que ya lleva varias décadas.

Si bien es cierto que los sistemas de recomendación no inventaron la microsegmentación, sí es verdad que la explotan y la profundizan, haciendo a esos nichos cada vez más diversos y lejanos entre sí. En canciones y en películas esto es inofensivo. Pero en otros ámbitos esto puede ser un poquito más problemático. La sociología de todos los tiempos siempre debatió la diversidad y el lazo social. Este tipo de tensiones, que la tecnología acelera, no son problemas tecnológicos sino de ciencias sociales.


You Might Also Like

Comentarios

Dejanos tu comentario

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.