El problema del cold start que nadie comenta

Construiste un sistema de recomendación. Funciona de maravilla para usuarios logueados con historial rico. Pero una parte enorme del tráfico — anuncios pagados, búsqueda orgánica, visitantes primerizos — llega sin ninguna señal. Tu modelo cae en un fallback estático y genérico. Eso es una oportunidad perdida gigante.

Este es el problema del cold start, y se vuelve aún más doloroso cuando las regulaciones de privacidad (GDPR, fin de las cookies de terceros) te impiden rastrear usuarios entre sesiones. Airbnb enfrentó exactamente esto: una fracción significativa de usuarios llega sin login, sin historial de búsqueda, sin ninguna reserva previa. Las features basadas en user_id quedan indisponibles u obsoletas.

¿La solución? Dejar de depender de la identidad individual. En su lugar, tomar prestadas señales de la multitud — específicamente, de usuarios en el mismo vecindario geográfico. Esa es la idea central de las Proximity Features (Features de Proximidad).

Para el paper técnico completo, checa el post original de Airbnb Engineering.

Data scientist analyzing geographic user clusters on a dashboard for cold-start personalization Programming Illustration

Cómo funcionan las Features de Proximidad

La clave: usuarios navegando desde la misma ciudad tienden a buscar destinos parecidos, preferir rangos de precio similares y compartir patrones de viaje. Un usuario en Ciudad de México tiene mucha más probabilidad de reservar Cancún o Oaxaca que un usuario en Nueva York. Esto aplica sin importar si sabes algo del individuo.

La proximity key (clave de proximidad)

En lugar de un user_id, usas una proximity key — un identificador compacto de grupo que representa ~1,000 usuarios en un clúster geográfico local. Codifica un tile cuantizado de lat/long, más un bucket de hash de IP para áreas densas. La clave identifica un vecindario, no a una persona.

# Pseudocódigo: resolviendo el IP de un usuario a una proximity key
def resolve_proximity_key(ip_address: str) -> str:
    """
    Mapea un IP a una proximity key (bucket a nivel de vecindario).
    Retorna None si la geolocalización falla (dependencia suave).
    """
    geo = geoip_lookup(ip_address)  # lat/long aproximados
    if geo is None:
        return None
    tile = quantize_tile(geo.lat, geo.lon, resolution='city')
    # Para tiles densos, agrega bucket de hash de IP para granularidad fina
    if is_dense(tile):
        bucket = hash(ip_address) % NUM_BUCKETS
        return f"{tile}:{bucket}"
    return tile

# En inferencia: obtén features precomputadas del KV store
key = resolve_proximity_key(user_ip)
if key:
    features = kv_store.get(f"proximity:{key}")  # agregado de ~1000 usuarios
else:
    features = default_features  # fallback, nunca bloquea la request

Categorías de features

Una vez agrupados los usuarios en buckets, las features se calculan diariamente en tres categorías:

  • Engagement de corto plazo: destinos más buscados, tipos de cuarto, precios medianos de búsquedas recientes en el bucket.
  • Patrones de reserva de largo plazo: destinos reservados, señales de grupo de viaje.
  • Metadatos del bucket: tamaño del bucket, densidad geográfica.

Un usuario que nunca buscó nada recibe un vector de features derivado de ~1,000 usuarios cercanos. Esa es la magia.

Clustering adaptativo

La densidad geográfica varía muchísimo — una sola coordenada de aeropuerto puede tener más usuarios diarios que un pueblo rural entero. Una cuadrícula geohash fija falla en ambos extremos. Airbnb usa un algoritmo de clustering adaptativo en dos fases:

  1. Para coordenadas densas, subdivide usando buckets de hash de IP (granularidad fina en ciudades).
  2. Para coordenadas dispersas, aplica coarsening multipasada hasta acumular suficientes usuarios.

El resultado es un mapa zoom-adaptativo: tiles finos sobre ciudades, agrupaciones gruesas en áreas rurales. La partición inicial de 2023 se mantuvo estable en producción sin re-clustering — un refresh diario maneja nuevos IPs y cambios de coordenadas.

Server architecture diagram showing proximity key lookup in a distributed key-value store Development Concept Image

Privacidad by design (y lo que puede salir mal)

Cada feature refleja un grupo de ~1,000 usuarios, no a un individuo. La entrada del clustering excluye a usuarios que no dieron consentimiento. Las coordenadas geo-IP son gruesas y a nivel de grupo, agregadas alrededor de centros poblacionales en lugar de direcciones específicas. El pipeline integra gestión de consentimiento y controles de borrado de datos.

⚠️ Limitaciones y cuidados

  • Homogeneidad del bucket: si un bucket mezcla intenciones muy distintas (ej: zona turística con viajeros de negocios y de placer), las señales agregadas pueden ser ruidosas. Considera segmentación más fina si tu dominio lo requiere.
  • Precisión del IP: geo-IP no es perfecto. VPNs, operadores móviles y NATs corporativos pueden asignar usuarios a buckets equivocados. Trata siempre el lookup como dependencia suave — nunca bloquees el camino de la request.
  • Casos límite de privacidad: incluso features agregadas pueden filtrar información si el bucket es demasiado pequeño. Impón un tamaño mínimo (ej: k-anonimato ≥ 1000) y audita riesgos de re-identificación.
  • Staleness: refresh diario sirve para viajes, pero para dominios en tiempo real (ej: eventos en vivo), podrías necesitar agregación en streaming.

Tip: si te preocupa el leakage de modelo en tu propio pipeline, checa nuestro deep dive sobre por qué tu CV de 0.98 podría estar mintiendo.

Privacy-preserving ML pipeline with consent management and anonymized user buckets Software Concept Art

Aprendizajes clave y próximos pasos

Las Proximity Features prueban que la personalización cold-start no requiere identidad persistente del usuario. Agrupando usuarios geográficamente y agregando señales colectivas, puedes servir features significativas para cualquier usuario cuyo IP pueda geolocalizarse — sin login, sin historial, sin cookies.

El diseño es intencionalmente reutilizable: cualquier modelo condicionado a user_id puede extenderse a usuarios cold-start condicionando a una proximity_key.

Qué estudiar después

  • Algoritmos de geo-clustering: estudia quadtrees adaptativos, variantes de geohash y DBSCAN para clustering espacial.
  • ML que preserva privacidad: explora privacidad diferencial, k-anonimato y aprendizaje federado para features agregadas.
  • Feature stores: aprende a servir features agregadas de baja latencia (Feast, Tecton o KV stores customizados).

Si construyes sistemas de recomendación de destinos, también te va a gustar nuestro análisis sobre cómo el modelo de destinos de Airbnb entiende la intención de viaje.


Lectura complementaria: el paper completo fue aceptado en el TSMO Workshop de KDD 2026. Checa el blog original para la arquitectura del sistema y los resultados completos de los experimentos.

Este contenido fue redactado con la asistencia de herramientas de IA, basándose en fuentes confiables, y fue revisado por nuestro equipo editorial antes de su publicación. No reemplaza el asesoramiento de un profesional especializado.