Sistemas de recomendación: Aplicaciones y ejemplos

Examinamos los principales tipos de sistemas de recomendación, conceptos clave y aplicaciones del mundo real, y evaluamos LightFM, Cornac BPR y TensorFlow Recommenders utilizando AUC, Precision@10 y Recall@10.

Mejores bibliotecas de Python para sistemas de recomendación

Estas bibliotecas implementan algoritmos de aprendizaje automático para procesar datos de entrenamiento y generar recomendaciones personalizadas utilizando técnicas de filtrado colaborativo o basado en contenido. Además, estas bibliotecas implementan modelos de aprendizaje automático para analizar datos y descubrir patrones, lo que permite al motor de recomendación sugerir elementos relevantes basándose en el comportamiento y las preferencias del usuario.

Resultados de la prueba de LightFM vs Cornac BPR vs TensorFlow

TensorFlow Recommenders obtuvo el mejor rendimiento. Su arquitectura de aprendizaje profundo le permite capturar relaciones usuario-ítem más complejas. LightFM, que funciona bien cuando hay metadatos disponibles, no rindió tan bien aquí porque solo utilizamos datos de comportamiento; sin embargo, aún superó a BPR. Cornac BPR tuvo la menor calidad de recomendación, lo que lo hace más adecuado para experimentos rápidos o aplicaciones a pequeña escala.

Utilizamos nuestra metodología de evaluación de motores de recomendación para probar LightFM, Cornac BPR y TensorFlow.

¿Qué es un sistema de recomendación?

Un sistema de recomendación (o sistema de recomendación) es una herramienta diseñada para proporcionar sugerencias personalizadas a los usuarios basadas en sus preferencias, comportamiento e interacciones con una plataforma. Estos sistemas analizan datos como el historial de compras, el historial de navegación, la demografía del usuario y la información contextual para ofrecer contenido relevante. A continuación se presentan los tipos más comunes de sistemas de recomendación:

Técnicas de filtrado colaborativo:

• Basado en patrones de interacción entre usuarios y elementos.
• Incluye el filtrado colaborativo basado en usuarios (encontrar usuarios similares) y el filtrado colaborativo basado en elementos (encontrar elementos similares).
• Ideal para comercio electrónico y servicios de streaming.

Técnicas de filtrado basado en contenido:

• Se centra en los atributos de los elementos (características del elemento) y las interacciones pasadas de un usuario (preferencias del usuario).
• Ideal para identificar intereses específicos del usuario objetivo.

Sistemas de recomendación híbridos:

• Combinan métodos de filtrado colaborativo y basado en contenido.
• Aprovecha modelos de aprendizaje automático como redes neuronales profundas y redes neuronales recurrentes para mejorar las predicciones.

Conceptos clave de los sistemas de recomendación

Conceptos básicos de factorización de matrices

La factorización de matrices es una técnica fundamental en el filtrado colaborativo. Descompone una gran matriz de interacción usuario-elemento (por ejemplo, calificaciones o clics) en matrices más pequeñas que capturan patrones ocultos o relaciones, llamadas características latentes.

Este enfoque ayuda a reducir la complejidad de los datos y descubrir información significativa, como la preferencia de un usuario por géneros específicos o el atractivo de un elemento para un grupo particular.

Similitud basada en embeddings

Algunos marcos de recomendación calculan la similitud de elementos utilizando embeddings vectoriales en lugar de etiquetas compartidas. Los enfoques basados en embeddings capturan características de elementos matizadas en un vector numérico, permitiendo una coincidencia de similitud más precisa sin el mantenimiento manual de etiquetas.

Por ejemplo, el sistema de recomendación de código abierto Gorse admite similitud de embeddings calculando la distancia euclidiana entre vectores de elementos, incluidos embeddings de proveedores como OpenAI y Ollama.¹

Entretenimiento

En la industria del entretenimiento, los sistemas de recomendación ayudan a los usuarios a descubrir películas, música, programas de televisión o libros adaptados a sus gustos. Al analizar hábitos de visualización o escucha, estos sistemas pueden proporcionar contenido personalizado para aumentar la participación del usuario y el tiempo pasado en la plataforma.

Ejemplo de la vida real: Netflix

Netflix utiliza una combinación de filtrado colaborativo y filtrado basado en contenido para sugerir programas y películas, lo que lleva a que el 80% del contenido visto sea impulsado por recomendaciones.

El Netflix Prize fue una competencia lanzada por Netflix en octubre de 2006 para mejorar su sistema de recomendación de películas. El desafío ofreció un premio de 1 millón de dólares al equipo o individuo que pudiera lograr al menos una mejora del 10% en la precisión de las predicciones en comparación con el algoritmo de recomendación existente de Netflix.²

Ejemplo de la vida real: Spotify

Cada semana, Spotify genera una nueva lista de reproducción personalizada para cada suscriptor llamada "Discover Weekly", que es una lista personalizada de 30 canciones basada en los gustos musicales únicos de los usuarios. Su adquisición de Echo Nest, una startup de inteligencia musical y análisis de datos, les permitió crear un motor de recomendación musical que utiliza tres tipos diferentes de modelos de recomendación:³

• Filtrado colaborativo: Filtrar canciones comparando datos históricos de escucha de los usuarios con el historial de escucha de otros usuarios.
• Procesamiento del lenguaje natural: Extraer información de internet sobre artistas y canciones específicos. Luego, a cada artista o canción se le asigna una lista dinámica de términos principales que cambia diariamente y se pondera por relevancia. El motor luego determina si dos piezas de música o artistas son similares.
• Análisis de archivos de audio: El algoritmo analiza las características de cada archivo de audio individual, incluido el tempo, la intensidad, la tonalidad y la firma de tiempo, y hace recomendaciones en consecuencia.

Redes sociales

Las plataformas de redes sociales utilizan sistemas de recomendación para sugerir amigos, grupos, páginas, publicaciones o anuncios basados en interacciones, preferencias y conexiones de los usuarios. Estas sugerencias mejoran la interacción del usuario, fomentan el descubrimiento de contenido y generan ingresos publicitarios.

Meta

Meta emplea sistemas de IA para ofrecer recomendaciones de contenido personalizadas en Facebook e Instagram, incluso de fuentes que los usuarios no siguen. Este enfoque mejora la experiencia del usuario al introducir contenido diverso y apoya a los creadores para llegar a audiencias más amplias. El proceso de recomendación implica:

• Comprensión del contenido: Utilizar modelos de IA para analizar e interpretar varios tipos de contenido, incluidas imágenes, texto, audio y video, para comprender sus significados semánticos.
• Comprensión de preferencias, recuperación y clasificación: Desarrollar sistemas que filtren fácilmente grandes cantidades de contenido para identificar y clasificar aquellos más relevantes para los intereses individuales de los usuarios.

Esta estrategia impulsada por IA permite a Meta presentar a los usuarios contenido atractivo más allá de su red inmediata para fomentar una exploración más profunda de intereses y mejorar la participación general en la plataforma.⁴

X (anteriormente Twitter)

El sistema de recomendación de X ha eliminado las características diseñadas a mano en favor de un enfoque aprendido de extremo a extremo. Utiliza un modelo de dos torres para recuperar publicaciones relevantes codificando por separado el historial del usuario y las publicaciones candidatas, y luego clasifica cada elemento utilizando un transformador basado en Grok que predice las probabilidades de participación directamente desde el comportamiento del usuario.

La implementación completa está disponible públicamente en el repositorio del feed X For-You.⁵

Comercio minorista

En el comercio minorista, los sistemas de recomendación se utilizan para experiencias de compra personalizadas, recomendaciones en tienda y sugerencias de inventario. Estos sistemas ayudan a los minoristas a optimizar la gestión de stock, mejorar las ventas y aumentar la satisfacción del cliente.

Ejemplo de la vida real: Rappi con Amazon Personalize

Rappi, un servicio de entrega bajo demanda en América Latina, colaboró con Amazon Personalize para mejorar la participación del cliente y aumentar las ventas implementando un sistema de recomendación personalizado dentro de su aplicación.

Aprovechando Amazon Personalize, Rappi desarrolló una función llamada "Solo para ti" (JFY), que analiza el comportamiento y las preferencias del usuario para ofrecer recomendaciones de productos personalizadas que se muestran en una sección dedicada de la aplicación.

Esta estrategia de personalización condujo a un aumento del 102% en las tasas de clics y un aumento del 147% en los ingresos por recomendaciones personalizadas. Además, la participación del cliente mejoró y disminuyó la ocurrencia de productos con bajo rendimiento.⁶

Finanzas y banca

Las instituciones financieras utilizan sistemas de recomendación para sugerir opciones de inversión, tarjetas de crédito o productos de seguros basados en el comportamiento financiero y los objetivos del usuario. Consulta los casos de uso de IA generativa en la banca para aprender más sobre cómo se puede utilizar la IA generativa en finanzas y banca.

Juegos

Las plataformas de juegos utilizan sistemas de recomendación para sugerir compras dentro del juego, nuevos juegos o conectar jugadores basados en sus preferencias, hábitos de juego e interacciones sociales. Esto mejora la experiencia de juego e impulsa los ingresos.

Ejemplo de la vida real: Glance con Google Cloud

Glance, una subsidiaria de InMobi, se asoció con Google Cloud para construir un sistema de recomendación de juegos personalizado para su plataforma de juegos móviles, Nostra, que involucra a más de 220 millones de usuarios a través de pantallas de bloqueo.

Al analizar datos de usuarios y juegos con datos de interacción, identificaron patrones como momentos óptimos de participación y preferencias de juegos. Esta colaboración mejoró significativamente la participación del usuario.⁷

Además, los sistemas de recomendación abren importantes oportunidades de ingresos al impulsar la venta adicional, la venta cruzada y tasas de participación más altas. Al ofrecer sugerencias personalizadas, estos sistemas mejoran la retención de clientes, fomentando la lealtad a largo plazo y la interacción sostenida del usuario.

LLM-sistemas de recomendación basados

Los sistemas de recomendación tradicionales analizan datos estructurados como calificaciones y clics. Los sistemas basados en LLM van más allá, comprendiendo consultas en lenguaje natural, interpretando preferencias matizadas y explicando sus sugerencias.

Este enfoque ofrece varias ventajas sobre los métodos tradicionales:

• Comprensión semántica: Interpreta consultas complejas en lenguaje natural más allá de la coincidencia de palabras clave, como "algo edificante pero no demasiado cursi"
• Manejo de inicio en frío: Los nuevos usuarios pueden describir preferencias en lenguaje natural en lugar de requerir un historial de interacciones
• Salidas explicables: Genera explicaciones en lenguaje natural para las recomendaciones, aunque estas describen el razonamiento del modelo en lugar de sus cálculos internos
• Razonamiento entre dominios: Identifica preferencias subyacentes en diferentes categorías y tipos de contenido

Ejemplos del mundo real:

• Netflix desarrolló un modelo fundamental para recomendaciones personalizadas, tratando el historial de interacciones del usuario como tokens y aplicando arquitecturas basadas en transformadores
• Spotify AI DJ combina el historial de escucha con IA generativa para crear comentarios y selecciones musicales personalizados
• Amazon Rufus es un asistente de compras impulsado por IA generativa que permite el descubrimiento de productos en lenguaje natural
• Criteo Agentic Commerce Recommendation Service conecta IA asistentes de compras a inventarios de comerciantes enrutando consultas a través de un Protocolo de Contexto de Modelo (MCP) API, aplicando señales de compras en vivo para clasificar productos basados en el comportamiento real de compra.⁸ https://www.criteo.com/news/press-releases/2026/02/criteo-introduces-agentic-commerce-recommendation-service-to-power-ai-shopping-assistants/[/efn_note]
• Wizard es un agente de compras de IA que busca en minoristas, reseñas y fuentes de contenido para devolver una lista de los cinco mejores productos curados. A diferencia de los recomendadores específicos de minoristas, agrega resultados en toda la web basados en las necesidades descritas por el usuario.⁹ https://www.wizard.com/press/2026-02-11-fortune-marc-lore-and-melissa-bridgeford-wizard-emerges-from-stealth[/efn_note]
• LinkedIn implementó recomendadores generativos y modelos de secuencia a gran escala en la clasificación de su feed. En lugar de usar modelos separados para cada componente del feed, el sistema evalúa la actividad de cada usuario como parte de un viaje continuo, permitiendo que el comportamiento en diferentes áreas de la plataforma influya en las recomendaciones en todo momento.¹⁰ https://www.socialmediatoday.com/news/linkedin-uses-ai-to-improve-feed-relevance/819792/[/efn_note]

Configuración de un sistema de recomendación

Aunque la mayoría de las empresas se beneficiarían de adoptar una solución existente, las empresas en categorías de nicho o de muy alta escala podrían experimentar con la construcción de su propio motor de recomendación.

1. Usar una solución lista para usar

Los sistemas de recomendación son uno de los casos de uso de IA más tempranos y maduros.

Las ventajas de este enfoque incluyen una implementación rápida y resultados altamente precisos para la mayoría de los casos:

• Incluir un fragmento de código del proveedor puede ser suficiente para comenzar.
• Las soluciones tienden a ser precisas ya que los proveedores utilizan datos de miles de transacciones de sus clientes de manera anonimizada para mejorar sus modelos.

Para elegir el sistema correcto, puedes usar datos históricos o, mejor aún, datos en vivo para probar rápidamente la efectividad de diferentes sistemas.

2. Construir tu propia solución

Esto puede tener sentido si:

• estás en un dominio de nicho donde los motores de recomendación no se habían utilizado antes o
• posees uno de los mercados más grandes del mundo donde recomendaciones ligeramente mejores pueden marcar una diferencia importante en los resultados de tu negocio.

Los sistemas de recomendación en el mercado hoy utilizan una lógica como: los clientes con historiales de compra y navegación similares comprarán productos similares en el futuro. Para que funcione un sistema así, necesitas un gran número de transacciones históricas o datos detallados sobre el comportamiento de tus usuarios en otros sitios web. Si necesitas esos datos, podrías buscarlos en mercados de datos.

Más datos y mejores algoritmos mejoran las recomendaciones. Debes aprovechar todos los datos relevantes en tu empresa, y podrías expandir tus datos de clientes con datos de terceros. Si un cliente habitual tuyo ha estado buscando zapatillas rojas en otros sitios web, ¿por qué no mostrarle un gran par cuando visite tu sitio web?

3. Trabajar con un consultor para construir tus propias soluciones

Un motor de recomendación ligeramente mejor podría aumentar las ventas de una empresa en unos pocos puntos porcentuales, lo que podría marcar un cambio dramático en la rentabilidad de una empresa con márgenes de beneficio bajos. Por lo tanto, puede tener sentido invertir en la construcción de mejores motores de recomendación si la empresa no está obteniendo resultados satisfactorios de proveedores de soluciones existentes en el mercado.

4. Organizar un concurso de ciencia de datos para construir tu propia solución

Un enfoque posible es utilizar la sabiduría de las masas para construir tales sistemas. Las empresas pueden utilizar datos históricos cifrados, lanzar concursos de ciencia de datos o trabajar con consultores y obtener modelos que proporcionen recomendaciones altamente efectivas.

Abordar la deriva de datos

Los embeddings y los índices de elementos en caché pueden volverse obsoletos con el tiempo, causando recomendaciones que ya no reflejan los intereses actuales de los usuarios. Herramientas como Drifter monitorean pipelines de recomendación en vivo en tiempo real para detectar problemas de calidad de datos y deriva antes de que afecten la calidad de las recomendaciones.¹¹ https://www.catalyzex.com/paper/drifter-efficient-online-feature-monitoring[/efn_note]

¿Cómo elegir un sistema de recomendación?

Elegir el sistema de recomendación adecuado depende de tus objetivos comerciales, los datos disponibles y los recursos técnicos a tu disposición. Aquí hay algunas consideraciones clave:

1. Evaluación del modelo en tus datos
   • Es esencial probar modelos en tu propio conjunto de datos para ver qué tan bien funcionan en tu contexto específico. Las pruebas listas para usar pueden no reflejar a tus usuarios, elementos o objetivos comerciales.
2. Tipo de datos disponibles
   • Datos explícitos (calificaciones, reseñas, me gusta) funcionan bien con filtrado colaborativo.
   • Datos implícitos (clics, tiempo dedicado, compras) favorecen enfoques híbridos o de aprendizaje profundo.
3. Objetivos comerciales
   • Si tu objetivo es personalización a escala, el aprendizaje profundo o los sistemas híbridos son las mejores opciones.
   • Para experimentos rápidos, modelos más simples, como la factorización de matrices, pueden ser suficientes.
4. Requisitos de escalabilidad
   • Las plataformas a gran escala (por ejemplo, comercio electrónico, streaming) a menudo requieren soluciones basadas en aprendizaje profundo o alojadas en la nube que puedan manejar millones de usuarios y elementos.
5. Conocimiento del dominio y recursos
   • Si tu equipo carece de experiencia en aprendizaje automático, utilizar soluciones de proveedores (p.ej., Amazon Personalize, Google Recommendations AI) puede acelerar la implementación.
   • Para dominios altamente especializados, puede ser necesario construir una solución interna.

Consejo: Comienza prototipando con bibliotecas listas para usar (LightFM, TensorFlow Recommenders) y evalúa el rendimiento con tus datos en vivo antes de escalar.

Descubre más de nuestros análisis comparativos e insights basados en datos en la Búsqueda de Google.

Añadir como fuente preferida

Costo de implementación de sistemas de recomendación

La implementación de un sistema de recomendación implica costos directos e indirectos:

1. Tiempo de desarrollo: Construir modelos personalizados requiere científicos de datos, ingenieros y equipos de infraestructura. El desarrollo puede variar desde unas pocas semanas (para prototipos) hasta varios meses (para sistemas de producción).
2. Costos de infraestructura:
   • En las instalaciones: Requiere servidores GPU, bases de datos y mantenimiento continuo.
   • Basado en la nube: Los costos escalan con el tamaño de los datos y el uso de API (AWS, GCP, Azure).
3. Tarifas de proveedores: Las soluciones basadas en SaaS pueden cobrar según el número de llamadas de API, el número de usuarios o la cantidad de datos procesados.
4. Costos continuos:
   • Reentrenamiento de modelos, monitoreo y actualizaciones.
   • Posibles costos de integración de fuentes de datos externas para mejorar las recomendaciones.

Regla general: Las pequeñas empresas pueden comenzar con herramientas SaaS (

Implicaciones éticas de los sistemas de recomendación

Aunque los motores de recomendación proporcionan valor, plantean importantes consideraciones éticas y sociales:

• Sesgo y equidad: Los algoritmos pueden reforzar sesgos existentes (por ejemplo, recomendar solo contenido popular, ignorando la diversidad).
• Preocupaciones de privacidad:
  • La recopilación y análisis de datos de los usuarios plantea preocupaciones sobre el consentimiento y la protección de datos.
  • El cumplimiento de GDPR, CCPA y otras leyes de privacidad de datos es crucial.
• Uso responsable de datos:
  • Las políticas transparentes deben explicar cómo se recopilan, procesan y almacenan los datos de los usuarios.
  • Las técnicas de privacidad diferencial y anonimización pueden mitigar riesgos.

Metodología de evaluación de motores de recomendación

En este estudio, nos centramos en construir y evaluar sistemas de recomendación basados en datos de retroalimentación implícita, específicamente interacciones de usuarios con productos. El conjunto de datos utilizado en nuestro análisis contiene tres elementos clave: visitorid, itemid y tipos de interacción como visualización, agregar al carrito y transacción. Dado que los usuarios no calificaron explícitamente los elementos sino que interactuaron a través de estos comportamientos, consideramos estos datos como retroalimentación implícita.

Probamos tres modelos de recomendación diferentes para evaluar su efectividad al manejar datos implícitos:

1. LightFM: Un modelo híbrido que utiliza tanto métodos de filtrado colaborativo como basados en contenido. Aprovechamos la función de pérdida WARP (Weighted Approximate-Rank Pairwise) para entrenar el modelo. El enfoque fue predecir la probabilidad de que un usuario visualice un producto analizando sus interacciones históricas con elementos.
2. Cornac BPR (Bayesian Personalized Ranking): Un modelo basado en filtrado colaborativo diseñado para clasificar elementos basándose en interacciones de usuarios. Utiliza retroalimentación implícita para aprender las preferencias de los usuarios optimizando la clasificación de elementos relevantes sobre los irrelevantes.
3. TensorFlow Recommenders: Un marco basado en aprendizaje profundo que utiliza embeddings para representar tanto a usuarios como a elementos, capturando relaciones complejas entre ellos. El modelo se entrena con interacciones implícitas, con una tarea de recuperación para predecir los elementos más relevantes para cada usuario.

Los modelos se entrenaron para predecir la probabilidad de que un usuario interactúe con un producto, centrándose específicamente en el evento visualización como comportamiento objetivo. Nuestro objetivo fue estimar qué productos es más probable que los usuarios interactúen, basándose en su comportamiento pasado. Después del entrenamiento, evaluamos los modelos utilizando datos de prueba para asegurar que pudieran generalizarse bien a interacciones no vistas.

Evaluamos el rendimiento de los modelos basándonos en tres métricas comúnmente utilizadas en sistemas de recomendación:

• AUC (Área bajo la curva): Una métrica que evalúa qué tan bien el modelo clasifica los elementos relevantes más alto que los irrelevantes. Una puntuación AUC más cercana a 1 indica un mejor rendimiento de clasificación.
• Precision@10: Mide cuántos de los 10 elementos recomendados superiores son realmente relevantes (es decir, interactuados por el usuario). Valores más altos indican una mejor precisión de recomendación.
• Recall@10: Mide cuántos elementos relevantes (de las interacciones del usuario) aparecen dentro de los 10 mejores recomendaciones. Esta métrica es crucial para comprender qué tan bien el modelo captura las preferencias del usuario.

Al comparar estas métricas entre los tres modelos, identificamos el modelo de mejor rendimiento en términos de clasificar elementos relevantes y recuperar esos elementos con precisión en las mejores recomendaciones.

Cita esta investigación

Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Ermut, Sıla},
  title  = {{Sistemas de recomendación: Aplicaciones y ejemplos}},
  year   = {2026},
  month  = may,
  howpublished    = {\url{https://aimultiple.com/recommendation-system}},
  note   = {AIMultiple. Recuperado el 19 de Mayo de 2026}
}

Enlaces de referencia

1.

Item-to-Item Recommenders | Gorse

2.

How retailers can keep up with consumers | McKinsey

McKinsey & Company

3.

Netflix Research

4.

Discover Weekly: How Spotify is Changing the Way We Consume Music - Technology and Operations Management

5.

The AI behind unconnected content recommendations on Facebook and Instagram

6.

GitHub - xai-org/x-algorithm: Algorithm powering the For You feed on X · GitHub

7.

Health. Powered by Ada.

8.

Customer Success Stories: Case Studies, Videos, Podcasts, Innovator stories

9.

Nostra from Glance, Gaming Recommendation at Scale with Google Cloud AI | Google Cloud Blog

Google Cloud

10.

Criteo Introduces Agentic Commerce Recommendation Service to Power AI Shopping Assistants | Criteo

Criteo

11.

Wizard Press Release: Marc Lore and Melissa Bridgeford’s Wizard Emerges from Stealth

Cem Dilmegani

Analista principal

Síguenos

Cem ha sido el analista principal de AIMultiple desde 2017. AIMultiple informa a cientos de miles de empresas (según similarWeb), incluyendo el 55% de las empresas Fortune 500 cada mes. El trabajo de Cem ha sido citado por importantes publicaciones globales como Business Insider, Forbes, Washington Post, firmas globales como Deloitte, HPE y ONG como el Foro Económico Mundial y organizaciones supranacionales como la Comisión Europea. Puede consultar más empresas y recursos de renombre que citan a AIMultiple. A lo largo de su carrera, Cem se desempeñó como consultor, comprador y emprendedor tecnológico. Asesoró a empresas en sus decisiones tecnológicas en McKinsey & Company y Altman Solon durante más de una década. También publicó un informe de McKinsey sobre digitalización. Lideró la estrategia y adquisición de tecnología de una empresa de telecomunicaciones, reportando directamente al CEO. Asimismo, lideró el crecimiento comercial de la empresa de tecnología avanzada Hypatos, que alcanzó ingresos recurrentes anuales de siete cifras y una valoración de nueve cifras partiendo de cero en tan solo dos años. El trabajo de Cem en Hypatos fue reseñado por importantes publicaciones tecnológicas como TechCrunch y Business Insider. Cem participa regularmente como ponente en conferencias internacionales de tecnología. Se graduó en ingeniería informática por la Universidad de Bogazici y posee un MBA de la Columbia Business School.

Ver perfil completo

Investigado por

Sıla Ermut

Analista de la industria

Síguenos

Sıla Ermut es analista de la industria en AIMultiple, especializada en marketing por correo electrónico y vídeos de ventas. Anteriormente trabajó como reclutadora en empresas de gestión de proyectos y consultoría. Sıla es licenciada en Psicología Social y en Relaciones Internacionales.

Ver perfil completo

Sé el primero en comentar

Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.

Nombre

Dirección de correo electrónico

Comentario

0/450

Publicar comentario