Recomendador de productos para marketplace de moda LATAM
Visión general
De qué trata este proyecto.
Trabajarás con 6 meses de eventos clickstream anonimizados (alrededor de 220 millones de eventos: vistas, carritos, compras), un catálogo de 1,8 millones de productos con atributos textuales y de imagen, y datos demográficos básicos por sesión. Entrena un recomendador híbrido que combine filtrado colaborativo (factorización implícita) con representaciones de contenido (embeddings de texto + imagen). Evalúa offline con NDCG@10 (Normalized Discounted Cumulative Gain — ganancia acumulada descontada normalizada), cobertura de catálogo y diversidad intra-lista. Diseña un experimento A/B de 4 semanas con asignación por sesión, métrica primaria (CTR — Click-Through Rate, tasa de clic) y reglas de detención. Entrega el código, un informe de 12 páginas y un cuaderno reproducible.
El Briefing
Lo que harás y lo que demostrarás.
Mejorar la tasa de clic por recomendación en al menos un 18 por ciento sin reducir cobertura del catálogo, demostrándolo offline y con un plan A/B online.
Earning criteria — what you'll demonstrate
- Entrenar recomendadores híbridos sobre datos implícitos a escala realista
- Evaluar trade-offs entre relevancia, cobertura y diversidad
- Diseñar experimentos A/B con asignación coherente y métricas guardrail
- Documentar resultados de forma reproducible para gerencia de producto
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosIngeniero/a de Aprendizaje Automático
Construir un recomendador híbrido sobre datos reales con evaluación honesta y un plan A/B es el ejercicio canónico que prepara para roles ML en e-commerce y marketplaces LATAM.
Este proyecto afina
- recommendation-systems
- collaborative-filtering
- offline-evaluation
Ingeniero/a de Datos
Quien domina pipelines de feature engineering reproducibles a partir de eventos clickstream se vuelve indispensable en cualquier equipo de personalización serio.
Este proyecto afina
- feature-engineering
- embeddings
- recommendation-systems
Ingeniero/a Backend
Las personas backend que entienden cómo se entrenan y sirven recomendadores construyen la infraestructura de inferencia con expectativas correctas de latencia y costo.
Este proyecto afina
- embeddings
- ab-testing
- offline-evaluation