Las recomendaciones de productos con AI son sistemas que predicen qué productos es más probable que un comprador desee a continuación, utilizando el comportamiento de navegación y compra, los atributos del producto y el contexto, como el dispositivo o la temporada. Para los especialistas en marketing, ya no son solo una franja de “también te puede gustar”: dan forma a las páginas de inicio, correos electrónicos, resultados de búsqueda, anuncios y, cada vez más, asistentes de compras con AI que responden preguntas en lenguaje natural.
¿Cómo funcionan los motores de recomendación?
La mayoría de los sistemas combinan varios métodos. El filtrado colaborativo encuentra patrones entre los compradores: las personas que compraron A también compraron B. El filtrado basado en contenido compara atributos del producto, como color, material o marca. Los sistemas más nuevos añaden modelos de aprendizaje profundo que leen secuencias de acciones en una sesión y, en algunos casos, modelos de lenguaje que entienden las descripciones y reseñas de los productos.
El resultado es una lista clasificada de productos para un espacio determinado, como una página de producto, carrito o correo electrónico. Los mejores sistemas se reentrenan a menudo, por lo que una tendencia repentina o un cambio de stock aparece rápidamente.
¿Qué herramientas usan realmente las tiendas?
La elección depende de la plataforma y el tamaño del catálogo.
- Shopify: aplicación integrada de Search & Discovery para productos relacionados, además de aplicaciones como Rebuy, LimeSpot y Klaviyo para recomendaciones por correo electrónico
- WooCommerce: complementos y servicios externos, incluidos Klaviyo, Clerk.io y Algolia Recommend
- Enterprise: Google Cloud’s Vertex AI Search for commerce, Amazon Personalize, Salesforce Commerce Cloud Einstein, Adobe Commerce con funciones de Adobe Sensei, Bloomreach, Dynamic Yield
- Correo electrónico y CRM: Klaviyo, Braze, Insider y Salesforce Marketing Cloud ofrecen bloques de productos alimentados por el comportamiento
Muchos de estos son configurados por especialistas en marketing, no por científicos de datos. Eso cambia el trabajo de construir modelos a elegir estrategias, espacios y reglas.
¿Dónde usan recomendaciones los especialistas en marketing?
Las recomendaciones aparecen a lo largo del viaje del cliente. Cada espacio tiene un trabajo diferente.
En el sitio
- Página de inicio: artículos populares o de tendencia para nuevos visitantes, selecciones personalizadas para los que regresan
- Página de producto: artículos similares y comprados frecuentemente juntos
- Carrito: complementos y accesorios de bajo costo
- Búsqueda: reordenación de resultados según el interés probable
- Páginas vacías o sin stock: alternativas cercanas en lugar de un callejón sin salida
Fuera del sitio
- Correos electrónicos de navegación y carrito abandonados con productos relacionados
- Correos electrónicos posteriores a la compra con artículos complementarios, programados para su uso
- Anuncios dinámicos de productos en Meta y Google, alimentados por el catálogo y los datos de píxeles
Conversacional
- Asistentes de compras con AI en el sitio que responden “¿qué es un buen zapato para correr para pies planos?” y sugieren productos
- Datos de productos que alimentan respuestas en herramientas como ChatGPT shopping y el modo AI de Google, donde los feeds de productos limpios y las reseñas importan
¿Qué controlan los especialistas en marketing?
Incluso con modelos automatizados, el especialista en marketing establece el marco. Los ajustes deficientes producen recomendaciones deficientes sin importar cuán bueno sea el modelo.
- Estrategia por espacio: similar, complementario, tendencia, visto recientemente, personalizado
- Reglas de negocio: excluir artículos sin stock, establecer mínimos de margen, impulsar nuevas colecciones
- Diversidad: evitar mostrar cinco artículos casi idénticos
- Arranque en frío: lo que ven los nuevos visitantes y los nuevos productos antes de que haya datos
- Ubicación y diseño: dónde se encuentra el bloque y cuántos artículos muestra
- Pruebas: pruebas A/B entre estrategias o contra ninguna recomendación
¿Cuáles son los límites y riesgos?
Las recomendaciones amplifican lo que ya se vende. Sin reglas, unos pocos éxitos de ventas llenan cada espacio y los nuevos productos nunca obtienen exposición. Eso es bueno para los clics a corto plazo y malo para el rango y el margen.
También se aplican las reglas de privacidad. La personalización basada en el seguimiento depende del consentimiento bajo GDPR, KVKK y leyes similares. Los compradores que rechazan las cookies aún necesitan recomendaciones sensatas y no personales.
- Burbujas de filtro: los compradores ven más de lo mismo y menos de la gama
- Calidad de los datos: categorías incorrectas o atributos faltantes producen sugerencias extrañas
- Sobre-personalización: recomendaciones que se sienten invasivas, especialmente en productos sensibles
- Atribución: los proveedores a menudo acreditan al widget por ventas que habrían ocurrido de todos modos
¿Cómo sabes si funcionan?
La prueba honesta es un experimento: muestra recomendaciones a un grupo y a otro no, o compara dos estrategias. Los clics en el widget no son prueba de valor.
Realice un seguimiento de los ingresos por visitante, el valor promedio del pedido y la tasa de conversión entre grupos. Observe también el margen, ya que los complementos baratos pueden aumentar el número de pedidos pero no las ganancias.
¿Qué datos de productos necesitan las recomendaciones?
Los motores aprenden de dos fuentes: comportamiento y datos de catálogo. El comportamiento proviene de eventos de seguimiento como vistas de productos, adiciones al carrito y compras, cada uno con un ID de producto. Los datos del catálogo provienen de su feed de productos: títulos, categorías, atributos, precios, stock e imágenes.
Los datos de catálogo débiles son la razón más común por la que las recomendaciones parecen aleatorias. Una tienda de moda que almacena el color solo dentro del título del producto, no como un campo, no puede pedirle al motor que sugiera “el mismo vestido en otro color”. Una tienda de artículos para el hogar con tres ortografías diferentes de una categoría divide sus propios datos.
- Categorías consistentes con una jerarquía clara
- Atributos como campos separados: color, tamaño, material, estilo, banda de precio
- Niveles de stock precisos sincronizados al menos diariamente
- IDs de producto limpios que coinciden en el sitio, el feed y la analítica
- Buenas imágenes, ya que algunos motores también usan similitud visual
¿Cómo está cambiando la AI generativa las recomendaciones?
Los modelos de lenguaje añaden una nueva capa. En lugar de una cuadrícula de productos, un comprador puede describir una necesidad y obtener una lista corta con razones. Shopify, Amazon con Rufus y muchas herramientas de terceros ahora ofrecen este tipo de asistente.
Para los especialistas en marketing, esto aumenta el valor de las descripciones ricas de productos, especificaciones claras y reseñas reales, porque el asistente las lee para decidir qué sugerir. Un producto con una descripción vaga de dos líneas es difícil de recomendar con confianza para cualquier asistente.
Cómo aplica Alien Road las recomendaciones de productos con AI
En un compromiso típico de comercio electrónico, comenzamos con una auditoría de catálogo y datos: atributos de producto, categorías, feeds de stock y configuración de consentimiento. Las brechas allí limitan cualquier motor de recomendación, por lo que arreglarlas es lo primero.
Luego mapeamos los espacios en todo el sitio y los flujos de correo electrónico, elegimos una estrategia para cada uno y establecemos reglas de negocio para stock, margen y diversidad. Las pruebas comienzan en los espacios de mayor tráfico, generalmente páginas de producto y carrito.
La medición utiliza grupos de control donde la plataforma lo permite, y los informes comparan los ingresos por visitante, el valor del pedido y el margen entre grupos. Informamos lo que muestran las pruebas, incluidos los espacios donde las recomendaciones no marcaron ninguna diferencia.
Por dónde empezar esta semana
Enumere cada lugar donde su tienda muestra recomendaciones hoy y la estrategia que usa cada una. Muchas tiendas encuentran la misma configuración de “productos relacionados” en todas partes. Cambie un espacio, como el carrito, a artículos complementarios de bajo costo con una regla de stock, y ejecútelo durante dos semanas contra la versión actual. Compare el valor promedio del pedido entre los dos grupos antes de cambiar el siguiente espacio.
Sigue leyendo: Comercio electrónico · Comercio electrónico