Descubrimiento

Recomendaciones de productos con IA: cómo funcionan y qué valen

Las recomendaciones de productos con IA prometen cestas más grandes. Qué datos usan de verdad, cómo medir el efecto y dónde fallan en Shopify.

Una figura de cerámica crema unida por un cordón azafrán a un paquete naranja quemado con un trípode grabado, dos paquetes de papel kraft detrás, sobre un fondo amarillo mantequilla.
Una recomendación es un vínculo claro entre un comprador y el artículo que completa su decisión.

Casi todas las tiendas muestran recomendaciones. Pocos comerciantes saben decir qué aporta ese bloque. La brecha pesa más ahora que la etiqueta «IA» aparece en casi todas las apps de recomendaciones del Shopify App Store, porque las recomendaciones de productos con IA no son una sola técnica. Son una familia de métodos con entradas distintas y formas distintas de fallar.

Este artículo separa los métodos del marketing: en qué se apoyan de verdad los modelos, cuánto vale una mejora realista en tu cuenta de resultados, las cuatro formas en que estos sistemas fallan en un catálogo de Shopify y las preguntas que te dicen en una sola llamada de demostración si una herramienta funcionará con tus productos.

En qué se apoyan de verdad las recomendaciones de productos con IA

Quita la marca a cualquier motor de recomendaciones y aparece la misma pregunta: para este comprador, en esta sesión, en esta página, ¿qué producto debería venir después? Los sistemas se diferencian en qué evidencia creen.

  • Qué hizo este comprador. Vistas de página, búsquedas, un carrito, pedidos anteriores. Los sistemas basados en la sesión dan más peso a los últimos clics, porque la intención se desvanece rápido: quien ahora compara tres freidoras de aire está más cerca de comprar que quien vio una la semana pasada.
  • Qué hicieron compradores parecidos. Coaparición de compras y vistas: quien compró A también compró B. Es el caballo de batalla de las apps de recomendaciones en la tienda y necesita volumen. Por debajo de unos cientos de pedidos al mes, el patrón que encuentra es sobre todo ruido.
  • Qué es el producto. Atributos sacados de títulos, descripciones, etiquetas, colecciones y metacampos: talla, compatibilidad, material. La coincidencia de atributos es lo que permite sugerir una funda para una cámara en lugar de otra cámara, y vale solo lo que valen tus datos de producto.

Las herramientas actuales mezclan las tres señales y ordenan el resultado, a menudo con un modelo de lenguaje que lee los datos de producto y la conversación. En ese orden se gana o se pierde la calidad. Un modelo que ve atributos puede respetar una restricción dura como «cabe en un estante de 30 cm». Uno que solo ve recuentos de compras no puede, por bien que ordene.

Los cinco tipos que vas a usar de verdad

Sea cual sea el modelo, casi toda recomendación de una tienda es de uno de cinco tipos. El tipo decide dónde va el bloque y qué puede prometer con honestidad.

  • Personalizado, para ti. Se construye con el historial y la sesión de este comprador. Va en la página de inicio y en las de categoría, donde no hay un producto único al que anclarse. Necesita tráfico recurrente; en una primera visita cae en los más vendidos.
  • Complementario, venta cruzada. Artículos que completan la compra: una funda para una cámara, un filtro para un objetivo. Va en la página de producto y en el carrito, donde la intención de completar un equipo ya existe.
  • Alternativo, sustituto. El mismo uso a otro precio, tamaño o color. Va en la página de producto junto al artículo que se mira, y no en un carrito lleno, donde un sustituto más barato se lee como bajar de categoría.
  • Más vendido o tendencia. Prueba social, no personalización. Sirve en la página de inicio y en las de colección, porque responde a qué compraron otros, que no es la misma pregunta que qué debería comprar este comprador.
  • Pack o lote. Varios artículos juntos con descuento, como el trípode que se ofrece con una cámara. Va en el carrito y funciona mejor cuando el lote es una referencia real con un precio real, no un descuento que el motor inventa en el momento.

Muchas apps mezclan estos tipos en una sola fila llamada recomendado para ti. De ahí salen la mayoría de las malas recomendaciones: un sustituto donde hacía falta un complemento, o un más vendido disfrazado de personalización. Ajusta el tipo a la página antes de juzgar el algoritmo.

Cuánto valen y cómo comprobarlo

Los proveedores citan porcentajes de mejora. Esos números vienen del catálogo, los precios y el tráfico de otra persona, normalmente de un periodo de prueba con grupo de control. Los tuyos serán distintos. Cuatro cifras, todas de las analíticas de Shopify o de una exportación sencilla, dicen qué gana de verdad un bloque:

  1. Tasa de artículos por pedido. La proporción de pedidos con dos o más líneas. Se mueve antes que los ingresos, así que es la primera señal honesta de que las sugerencias se clican.
  2. Valor medio del pedido. Ingresos divididos entre pedidos. BuyScout informa de que las tiendas que usan su Agente de tienda IA suelen aumentar el valor medio del pedido entre un 15 % y un 25 % con ventas adicionales y ventas cruzadas. Es una cifra del proveedor sobre resultados típicos, no una garantía, y conviene contrastarla con tu propia referencia de 28 días.
  3. Ingresos por sesión. Separa una cesta más grande de menos pedidos pero mayores. Un bloque que sube el valor del pedido mientras baja la conversión en silencio no te ha ayudado.
  4. Tasa de devoluciones de los artículos recomendados. Un accesorio que no encaja, o una talla sugerida mal, cuesta más en devoluciones y tiempo de soporte de lo que aporta la línea extra.

Resta después lo que cediste. Una recomendación que lleva a un comprador de un artículo de 60 dólares a una alternativa de 45 dólares no sube nada. Un descuento en cada sugerencia puede subir la conversión y recortar el margen a la vez. La prueba honesta es el margen de contribución por sesión, antes y después, durante el mismo tiempo. Veintiocho días son una ventana viable, y Shopify no tiene prueba A/B nativa en la tienda, así que la mayoría compara periodos y vigila la estacionalidad.

Una advertencia más: la recomendación no es incremental si solo enseña al comprador lo que iba a comprar de todos modos. Un bloque que repite los productos relacionados de la propia página de producto no aporta nada. El valor aparece cuando se muestra algo que el comprador no había considerado, en un momento en que la sugerencia le ahorra una decisión.

Dónde fallan en una tienda Shopify

Casi todos los fallos son problemas de datos disfrazados de algoritmo. Cuatro se repiten:

  • Arranque en frío. Una tienda nueva, una colección nueva o un producto sin historial no tienen de qué aprender. Los modelos de coaparición muestran los más vendidos: seguro y aburrido. La coincidencia de atributos y una conversación funcionan desde el primer día; el orden basado en historial no.
  • Sin stock y catálogo desactualizado. Si el motor no lee el inventario a nivel de variante, recomendará un color agotado desde el martes. Revisa el bloque en un producto cuya variante popular esté agotada.
  • Relación equivocada. Las alternativas van en la página de producto; los complementos, en el carrito. Un motor ajustado para uno se comporta mal en el otro: un sustituto más barato bajo un carrito lleno parece una rebaja de categoría, y una funda para cada artículo en una página de colección es ruido.
  • Seguridad equivocada. Una capa de modelo de lenguaje puede producir una recomendación que suena concreta y es falsa: un filtro que no encaja, un lote con descuento que nunca existió. La solución es el anclaje en tus datos, no una redacción mejor: cada afirmación debe remontarse a tus datos de producto o a tus políticas.

Dos artículos existentes profundizan en las partes difíciles: Recomendaciones de productos con IA conversacional trata el diseño de la conversación en sí, y la lista de comprobación del catálogo de Shopify trata la auditoría de datos de producto que decide si un motor puede ser exacto.

Puedes juzgar una herramienta más rápido de lo que espera su presentación comercial. Cuatro preguntas, hechas contra tu propio catálogo:

  1. ¿Ve el inventario y las variantes? Pídele que recomiende desde un producto con una variante agotada. Si propone la agotada, su capa de datos es superficial.
  2. ¿Sabe explicar por qué? Una sugerencia debe traer una razón que el comprador pueda comprobar: «compatible con tu modelo», «misma talla que tu último pedido». Las recomendaciones sin razón se ignoran.
  3. ¿Puede aplicar una restricción? Nombra un filtro real de tu catálogo, sea anchura, compatibilidad, tipo de piel o tamaño de mascota, y mira si la lista lo respeta o solo lo menciona.
  4. ¿Cuánto cuesta por pedido y a dónde van los datos? Compara la cuota mensual con el margen de contribución, no con los ingresos, y confirma que la herramienta es clara con el tratamiento de datos. BuyScout declara la conformidad con el RGPD y el Reglamento de IA como base.

La cuarta pregunta pesa más en Estados Unidos que hace dos años, pero las tres primeras deciden si la herramienta funciona siquiera.

Qué cambia una conversación

Una fila de recomendaciones deduce la intención del comportamiento. Una conversación la pregunta. BuyScout® Agente de tienda IA es una app gratuita para tiendas Shopify que coloca un agente de tienda IA en el escaparate; trabaja con tus datos de producto y tus políticas, más el contexto de página, navegación, carrito y conversación. Eso cambia lo que puede ser una recomendación:

  • Puede responder a una restricción directamente. «¿Cuál cabe en un estante de 30 cm?» es un filtro que una fila de miniaturas no puede ejecutar.
  • Puede comparar por el atributo que importa. Dos proyectores lado a lado por brillo es un trabajo distinto de mostrar tres proyectores más.
  • Puede sugerir en el momento de la duda. Cuando una cámara entra en el carrito, el agente puede ofrecer el lote con trípode al 10 % de descuento, el ejemplo que BuyScout usa en su propia web.
  • Puede explicar el ajuste. La orientación de talla y ajuste responde a la duda que, si no, convierte una recomendación en una devolución.

BuyScout informa de que las tiendas que usan el agente suelen elevar la conversión entre un 10 % y un 30 %, aumentar el valor medio del pedido entre un 15 % y un 25 % y recortar un 41 % los tickets de soporte repetitivos. Son las cifras del propio proveedor, descritas como típicas y no garantizadas; tu catálogo, precios y tráfico deciden lo que verás.

Empieza más pequeño de lo que crees. Abre diez páginas de producto y lee los seis artículos que muestra el bloque. Corrige primero los fallos obvios: agotado, colección equivocada, un sustituto más barato del mismo producto. Luego registra 28 días de tasa de artículos por pedido, valor medio del pedido e ingresos por sesión, instala la herramienta y compara la misma ventana.

BuyScout® Agente de tienda IA es gratis para siempre y se instala desde el Shopify App Store en alrededor de un minuto. Ponlo en una página de producto y hazle una pregunta que haría un cliente real, sea una restricción, una comparación o una duda de talla. Es una prueba más rápida que otro periodo de prueba de una app, y no cuesta nada.

Otros artículos

Todos los artículos

Pruébalo ahora

Ayuda a los compradores a encontrar antes el producto adecuado

Gratis para siempre y listo en 1 minuto.