Recomendaciones de productos con IA: KPI y medición

La mayoría de las herramientas de recomendación informan sobre “ingresos por recomendaciones” o “ingresos influenciados”. Esto generalmente cuenta cualquier pedido que incluyó un producto en el que se hizo clic en un widget, a veces dentro de un período largo. Un comprador que habría encontrado el mismo artículo a través de la búsqueda todavía cuenta.

Estas cifras son útiles para comparar ranuras dentro de una herramienta. No son prueba de un valor incremental. Para eso, necesitas un grupo de control.

Una prueba de retención divide el tráfico al azar. Un grupo ve las recomendaciones como de costumbre; el otro ve una alternativa, como ningún bloque o una lista simple de los más vendidos. Después de suficiente tiempo, comparas los resultados entre los grupos.

• Elige la ranura para probar, por ejemplo, “artículos similares” en la página del producto
• Divide a los visitantes al azar, a menudo 90/10 u 80/20 para limitar la pérdida de ingresos
• Mantén la división estable por visitante a través de las sesiones
• Ejecuta durante al menos dos semanas completas, más tiempo para tiendas con poco tráfico, para cubrir los patrones de los días de la semana
• Compara los ingresos por visitante, la tasa de conversión y el valor promedio del pedido
• Verifica la significancia estadística antes de decidir

Muchas plataformas, incluidas Dynamic Yield, Bloomreach y Vertex AI Search for commerce, ofrecen herramientas de experimentación integradas. En tiendas más pequeñas, el retiro de Google Optimize empujó a los equipos hacia herramientas como VWO, Optimizely o funciones A/B nativas de la plataforma.

Agrúpalos en impacto comercial, compromiso, salud del catálogo y calidad.

Impacto comercial

• Ingresos por visitante: el mejor resumen único del aumento
• Tasa de conversión
• Valor promedio del pedido y artículos por pedido
• Margen bruto por pedido, ya que los complementos baratos pueden aumentar el valor del pedido y reducir las ganancias
• Tasa de recompra durante 60 a 90 días para ranuras personalizadas

Compromiso

• Tasa de clics en el bloque de recomendaciones
• Tasa de añadir al carrito desde artículos recomendados
• Porcentaje de sesiones que interactúan con una recomendación

Salud del catálogo

• Cobertura: porcentaje de productos activos recomendados alguna vez
• Concentración: porcentaje de impresiones de recomendaciones que van a los 10 productos principales
• Exposición de nuevos productos en sus primeras semanas

Calidad

• Artículos sin stock mostrados
• Sugerencias extrañas o irrelevantes encontradas en la revisión manual
• Tasa de devolución de artículos comprados a través de recomendaciones

Los modelos de recomendación favorecen los artículos con muchos datos. Si se dejan solos, muestran los mismos más vendidos en todas partes, y la larga cola del catálogo permanece invisible. Eso perjudica a las nuevas colecciones y puede dejar de lado el stock de liquidación.

Realice un seguimiento mensual de la cobertura y la concentración. Si los diez productos principales obtienen la mayoría de las impresiones, añada reglas de diversidad o impulsos para los artículos nuevos y, a continuación, compruebe que los ingresos por visitante se mantienen.

Limítelo a una pantalla por audiencia. El liderazgo necesita aumento y margen; el equipo de comercio electrónico necesita detalles de las ranuras.

• Resumen: ingresos por visitante y margen, grupo de prueba frente a grupo de control, con rangos de confianza
• Tabla de ranuras: estrategia de cada ranura, CTR, tasa de añadir al carrito y aumento medido donde se probó
• Panel de catálogo: cobertura, concentración y exposición de nuevos productos
• Panel de calidad: artículos agotados mostrados, indicadores de revisión manual, tasa de devolución
• Registro de pruebas: qué se cambió, cuándo y cuál fue el resultado

Los datos suelen provenir de la plataforma de recomendaciones, análisis como Google Analytics 4 y la base de datos de pedidos de la tienda. Únalos en Looker Studio, Power BI o un almacén como BigQuery. Escriba las definiciones de las métricas en el panel de control para que se mantengan estables.

Pequeños errores de configuración pueden hacer que una prueba sea inútil.

• Terminar las pruebas antes de tiempo cuando un grupo parece ir por delante
• Ejecutar varias pruebas en la misma ranura a la vez
• Comparar períodos en lugar de grupos, por lo que las estaciones distorsionan el resultado
• Ignorar los bots y el tráfico interno en los datos
• Contar los ingresos sin margen

No hay una respuesta única, porque depende del tráfico y de la magnitud del efecto que espere. Una tienda con decenas de miles de visitantes diarios puede detectar pequeños aumentos en dos semanas. Una tienda pequeña puede necesitar un mes o más, y solo puede detectar grandes diferencias.

Las calculadoras de tamaño de muestra en línea ayudan. Introduzca su tasa de conversión actual y el aumento más pequeño que valga la pena, y la herramienta le dirá cuántos visitantes necesita cada grupo. Si el número está muy por encima de su tráfico, pruebe un cambio mayor, como recomendaciones frente a ninguna, en lugar de dos estrategias similares.

• Decida el aumento mínimo que cambiaría una decisión
• Calcule el tamaño de la muestra antes de empezar
• No detenga la prueba antes de tiempo porque el resultado parezca bueno
• Registre el resultado incluso cuando no muestre ninguna diferencia

Las pruebas cortas capturan el primer pedido. Las recomendaciones personalizadas también pueden cambiar lo que los compradores compran el próximo mes, con qué frecuencia regresan y si se mueven a nuevas categorías. Estos efectos tardan más en mostrarse.

Para tiendas con suficientes compradores recurrentes, mantenga un pequeño grupo de control a largo plazo, por ejemplo, el 5 por ciento de los clientes, que nunca reciban bloques o correos electrónicos personalizados. Compare sus ingresos de 90 días con el resto. Esta es la forma más clara de ver si la personalización genera lealtad o solo cambia el momento de las compras.