Estudio exploratorio de las preferencias de adultos jóvenes colombianos sobre los sistemas de recomendación en e-commerce
Resumen
Objetivo: el objetivo fue determinar las preferencias de adultos jóvenes colombianos respecto a sistemas de recomendación en e-commerce, para identificar consideraciones que impacten positivamente su experiencia.
Diseño/metodología: el estudio fue de tipo exploratorio con un abordaje cualitativo; se realizaron entrevistas semiestructuradas a adultos jóvenes compradores frecuentes, para conocer sus preferencias sobre las recomendaciones en e-commerce. Se hizo un análisis de contenido para interpretar los datos obtenidos en tres fases: conceptualización, codificación e interpretación.
Resultados: los resultados se organizaron alrededor de las 3 preguntas centrales: ¿qué prefieren?, ¿cuándo? y ¿cómo? Se identificó que los usuarios valoran recomendaciones atractivas, cercanas, basadas en su historial de compras, gustos, edad, ubicación y género. Aprecian recomendaciones de productos complementarios y combinaciones personalizadas, en fechas especiales y diferentes momentos de compra, específicamente en el detalle de producto. Los usuarios no desean recomendaciones basadas en compras ocasionales, molestas y que ejercen presión de tiempo y disponibilidad.
Conclusiones: determinar las preferencias de los participantes permite aseverar que el diseño de experiencia de estos sistemas debe considerar actitudes y comportamientos del usuario cuando compran en línea. Esta alineación es crucial para configurar las recomendaciones en contenido y tiempo, logrando experiencias memorables a través de la híperpersonalización. Los usuarios valoran recomendaciones cuando reducen opciones, están basadas en su perfil, son oportunas y atractivas; así pueden decidir de manera acertada, ágil e informada, alcanzando la sensación de logro. Estas consideraciones permiten definir guías para la configuración de recomendaciones, teniendo un impacto económico positivo para el negocio.
Originalidad: el estudio expande el análisis del diseño de experiencia de usuario para ofrecer recomendaciones personalizadas y oportunas, evitando el uso de patrones oscuros. Además, arroja luz sobre cómo la tecnología y las percepciones de los adultos jóvenes en el contexto latinoamericano interactúan para crear experiencias excepcionales de comercio electrónico en un entorno caracterizado por la abundancia de opciones y recomendaciones.
Referencias bibliográficas
Abed, L. Y., Hamad, M. M., y Aljaaf, A. J. (2023). A review of marketing recommendation systems. AIP Conference Proceedings, 2591(1), 2880202. https://doi.org/10.1063/5.0119651
Alejandres-Sánchez, H. O., González Serna, J. G., y González-Franco, N. (2016). Efecto de explicaciones sobre la confianza del usuario en sistemas de recomendación sensibles al contexto. Ingeniería Investigación y Tecnología, 17(4), 419-428. https://doi.org/10.1016/j.riit.2016.11.001
Alvarado, O., Abeele, V. V., Geerts, D., y Verbert, K. (2019). I Really Don’t Know What Thumbs Up’ Means: Algorithmic Experience in Movie Recommender Algorithms. En D. Lamas, F. Loizides, L. Nacke, H. Petrie, M. Winckler y P. Zaphiris (eds.), Human-Computer Interaction – INTERACT 2019 (pp. 521-541). Springer International Publishing. https://doi.org/10.1007/978-3-030-29387-1_30
Alvarado, O., Heuer, H., Vanden Abeele, V., Breiter, A., y Verbert, K. (2020). Middle-Aged Video Consumers’ Beliefs About Algorithmic Recommendations on YouTube. Proceedings of the ACM on Human-Computer Interaction, 4(CSCW2), Art.121, 1-24. https://doi.org/10.1145/3415192
Cardoso Sampaio, R., y Lycarião, D. (2022). Análise de conteúdo categorial: Manual de aplicação. ENAP. https://repositorio.enap.gov.br/bitstream/1/6542/1/Analise_de_conteudo_categorial_final.pdf
Champiri, Z. D., Mujtaba, G., Salim, S. S., y Yong Chong, C. (2029). User Experience and Recommender Systems. En 2019 2nd International Conference on Computing, Mathematics and Engineering Technologies (iCoMET) (pp. 1-5). IEEE. https://doi.org/10.1109/ICOMET.2019.8673410
Cremonesi, P., Elahi, M., y Garzotto, F. (2017). User interface patterns in recommendation-empowered content intensive multimedia applications. Multimedia Tools and Applications, 76, 5275–5309. https://doi.org/10.1007/s11042-016-3946-5
Esmeli, R., Can, A. S., Awad, A., y Bader-El-Den, M. (2025). Understanding customer loyalty-aware recommender systems in e-commerce: An analytical perspective. Electronic Commerce Research. https://doi.org/10.1007/s10660-025-09954-6
Falconnet, A., Coursaris, C. K., Beringer, J., Van Osch, W., Sénécal, S., y Léger, P.-M. (2023). Improving User Experience with Recommender Systems by Informing the Design of Recommendation Messages. Applied Sciences, 13(4), 2706. https://doi.org/10.3390/app13042706
Fink, L., Newman, L., y Haran, U. (2024). Let me decide: Increasing user autonomy increases recommendation acceptance. Computers in Human Behavior, 156, 108244. https://doi.org/10.1016/j.chb.2024.108244
Foundation Mozilla. (2021). YouTube Regrets. A crowdsourced investigation into YouTube's recommendation algorithm. foundation.mozilla.org. https://assets.mofoprod.net/network/documents/Mozilla_YouTube_Regrets_Report.pdf
Guest, G., Bunce, A., y Johnson, L. (2006). How many interviews are enough? An experiment with data saturation and variability. Field Methods, 18(1), 59-82. https://doi.org/10.1177/1525822X05279903
Harambam, J., Bountouridis, D., Makhortykh, M., y Van Hoboken, J. (2019). Designing for the better by taking users into account: a qualitative evaluation of user control mechanisms in (news) recommender systems. En T. Bogers, A. Said, P. Brusilovsky y D. Tikk (eds.), RecSys '19: Proceedings of the 13th ACM Conference on Recommender Systems (pp. 69-77). ACM. https://doi.org/10.1145/3298689.3347014
Huu, P. T., Thien, H. N., Duc, N. S., y Ty, N. T. (2022). Recommendation systems: A systematic review. Computer Engineering and Intelligent Systems, 13(4), 26-33. https://doi.org/10.7176/CEIS/13-4-04
Kollmer, T., y Eckhardt, A. (2023). Dark Patterns. Business & Information Systems Engineering, 65, 201-208. https://doi.org/10.1007/s12599-022-00783-7
Knijnenburg, B. P., Willemsen, M. C., Gantner, Z., Soncu, H., y Newell, C. (2012). Explaining the user experience of recommender systems. User Modeling and User-Adapted Interaction, 22(4–5), 441–504. https://doi.org/10.1007/s11257-011-9118-4
Millecamp, M., Htun, N.N., Jin, Y., y Verbert, K. (2018). Controlling Spotify Recommendations: Effects of Personal Characteristics on Music Recommender User Interfaces. En T. Mitrovic, J. Zhang, L. Chen y D. Chin (eds.), UMAP '18: Proceedings of the 26th Conference on User Modeling, Adaptation and Personalization (pp. 101–109). ACM. https://doi.org/10.1145/3209219.3209223
Nielsen, J. (1994, 24 de abril). 10 Usability Heuristics for User Interface Design. NN/g Nielsen Norman Group. https://www.nngroup.com/articles/ten-usability-heuristics/
Ozok, A., Fan, Q., y Norcio, A. F. (2010). Design guidelines for effective recommender system interfaces based on a usability criteria conceptual model: results from a college student population. Behaviour & Information Technology, 29(1), 57-83. https://doi.org/10.1080/01449290903004012
Parra, D., y Brusilovsky, P. (2015). User-controllable personalization: A case study with SetFusion. International Journal of Human-Computer Studies, 78, 43-67. https://doi.org/10.1016/j.ijhcs.2015.01.007
Pasrija, V., y Pasrija, S. (2024). Demystifying Recommendations: Transparency and Explainability in Recommendation Systems. International Journal for Research in Applied Science and Engineering Technology, 12(2), 1376-1383. https://doi.org/10.22214/ijraset.2024.58541
Pu, P., Chen, L., y Hu, R. (2011). A user-centric evaluation framework for recommender systems. En B. Mobasher, R. Burke, D. Jannach y G. Adomavicius (eds.), RecSys '11: Proceedings of the fifth ACM conference on Recommender systems (pp. 157–164). ACM. https://doi.org/10.1145/2043932.2043962
Pu, P., Chen, L., y Hu, R. (2012). Evaluating recommender systems from the user’s perspective: survey of the state of the art. User Modeling and User-Adapted Interaction, 22, 317-355. https://doi.org/10.1007/s11257-011-9115-7
Qian, K., y Jain, S. (2024). Digital Content Creation: An Analysis of the Impact of Recommendation Systems. Management Science, 70(12), 8217-9119. https://doi.org/10.1287/mnsc.2022.03655
Roy, D., y Dutta, M. (2022). A systematic review and research perspective on recommender systems. Survey paper. Journal of Big Data, 9(59). https://doi.org/10.1186/s40537-022-00592-5
Ruiz, C., y Quaresma, M. (2021). UX aspects of AI principles: The recommender system of VoD platforms. En M. M. Soares, E. Rosenzweig y A. Marcus (eds.), Design for Contemporary Technological Environments, 10th International Conference, DUXU 2021 (pp. 535–552). Springer. https://doi.org/10.1007/978-3-030-78227-6_38
Siles, I., Espinoza-Rojas, J., Naranjo, A., y Tristán, M. F. (2019). The Mutual Domestication of Users and Algorithmic Recommendations on Netflix. Communication, Culture and Critique, 12(4), 499-518. https://doi.org/10.1093/ccc/tcz025
Smits, A., y Van Turnhout, K. (2023). Towards a Practice-Led Research Agenda for User Interface Design of Recommender Systems. En J. Abdelnour Nocera, J., M. Kristín Lárusdóttir, H. Petrie, A. Piccinno y M. Winckler (eds.), Human-Computer Interaction – INTERACT 2023. INTERACT 2023. Lecture Notes in Computer Science, vol 14144 (pp. 170-190). Springer. https://doi.org/10.1007/978-3-031-42286-7_10
Sued, G. E. (2022). Entrenar al algoritmo: gobernanza, agencia y literacidad en el uso de YouTube. Contratexto, 37(037), 159-182. https://doi.org/10.26439/contratexto2022.n037.5331
Swearingen, K., y Sinha, R. (2001). Beyond Algorithms: An HCI Perspective on Recommender Systems. En ACM SIGIR. Workshop on Recommender Systems, Vol. 13, Numbers 5-6 (pp. 393-408). ACM Press.
Swedberg, R. (2020). Exploratory research. En C. Elman, J. Gerring y J. Mahoney (eds.), The production of knowledge: Enhancing progress in social science (pp. 17-41). Cambridge University Press. https://doi.org/10.1017/9781108762519
Tenganá Hurtado, A., y Barreto Pérez, J. (2022). Sistema de recomendación de viviendas nuevas para una empresa de venta de bienes raíces en línea [tesis de maestría, Universidad de los Andes]. Repositorio Uniandes. https://hdl.handle.net/1992/59233
Tonon, G. (2009). La entrevista semi-estructurada como técnica de investigación. En G. Tonon (ed.), Reflexiones latinoamericanas sobre investigación cualitativa (pp. 47-68). Prometeo.
Uribe Lujan, M. (2022). Prototipo de un sistema de recomendación para la oferta de convenios de los empleados de la Compañía Suramericana [tesis de maestría, Universidad Nacional de Colombia]. Repositorio Unal. https://repositorio.unal.edu.co/handle/unal/82169
Valencia-Arias, A., Uribe-Bedoya, H., González-Ruiz, J., Sánchez Santos, G., Chapoñan Ramírez, E., y Martínez Rojas, E. (2024). Artificial intelligence and recommender systems in e-commerce. Trends and research agenda. Intelligent Systems with Applications, 24, 200435. https://doi.org/10.1016/j.iswa.2024.200435
Descargas
Derechos de autor 2025 Alecia Eleonora Acosta Freites, Lina Rojas, Darío Reyes Reina, Angela Patricia Villareal Freire, Ricardo Cardona
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
| Estadísticas de artículo | |
|---|---|
| Vistas de resúmenes | |
| Vistas de PDF | |
| Descargas de PDF | |
| Vistas de HTML | |
| Otras vistas | |
