Descarga una calculadora editable del ROI de un agente de tienda IA para Shopify y aprende a estimar el beneficio bruto incremental sin confundir los ingresos asistidos con un aumento causal.
La regla esencial: Calcula qué cambió porque el agente estaba disponible, no cuántos ingresos se produjeron después de una conversación. Compara un grupo de tratamiento con uno de control cuando la tienda tenga datos suficientes, suma solo los costes de soporte que se evitaron de verdad y resta el coste total del programa.
Un comprador recibe ayuda para elegir un producto o resolver una duda. El comerciante también necesita pruebas de que el coste operativo genera valor incremental.
Esta guía está dirigida a responsables de ecommerce que preparan el caso de negocio, equipos financieros y de analítica que validan la medición, y equipos de operaciones de soporte que estiman el ahorro en efectivo.
BuyScout® Agente de tienda IA está diseñado para atender conversaciones de venta y soporte con la información de la tienda del comerciante. Sin embargo, que exista una conversación, un pedido atribuido o una duda resuelta no demuestra que haya valor incremental. Un modelo de ROI sólido separa la actividad del impacto.
Usa la hoja de cálculo para sustituir cada dato de entrada por datos de tu propia tienda. Admite tasas de conversión independientes para los grupos de tratamiento y control, valores de pedido ajustados por devoluciones y márgenes. Después calcula el beneficio bruto de cada grupo por sesión elegible, la diferencia incremental, el ahorro en efectivo verificado, el coste del programa y el ROI, a la vez que muestra comprobaciones pensadas para detectar el doble conteo.
Descarga la calculadora editable del ROI de un agente de tienda IA
Inicio rápido: Haz una copia, elige el nivel de medición más riguroso que admita tu tienda, sustituye las celdas amarillas por registros de la tienda correspondientes al mismo periodo y revisa todas las comprobaciones de auditoría antes de usar el resultado para tomar una decisión presupuestaria.
La hoja de cálculo y este plan de medición son herramientas para tomar decisiones, no una promesa de resultados.
Empieza por flujos de valor que se puedan observar y comprobar de forma independiente. La mayoría de los comerciantes de Shopify tendrán en cuenta cuatro:
| Flujo de valor | Qué hacen los compradores | Qué mide el comerciante | Cómo se incorpora al ROI |
|---|---|---|---|
| Conversión | Hacen preguntas, comparan opciones y después compran o se marchan | Diferencia en la tasa de compra entre tratamiento y control | Cuenta solo los pedidos incrementales |
| Valor del pedido | Aceptan un complemento, una mejora o un pack relevante | Diferencia en el valor de pedido realizado entre tratamiento y control | Recógelo mediante el beneficio de cada grupo por sesión elegible cuando cambie la rentabilidad del pedido |
| Recuperación de carritos | Regresan y completan una compra después de recibir ayuda | Pedidos completados incrementales frente al control | Mantenla dentro del aumento de conversión si ya está incluida ahí |
| Capacidad de soporte | Obtienen una respuesta sin intervención del personal | Horas pagadas o unidades externalizadas que se evitaron, con verificación | Cuenta el ahorro en efectivo y registra por separado la capacidad reasignada |
La interacción es útil, pero no constituye por sí sola un flujo de valor. Las conversaciones, los clics en recomendaciones, las valoraciones de respuestas y las derivaciones ayudan a diagnosticar la experiencia. No deben convertirse directamente en dinero.
La referencia de campos de analítica de Shopify define métricas como el valor medio del pedido, el beneficio bruto, el margen bruto, la tasa de conversión de producto y la tasa de añadir al carrito. Usa esas definiciones de forma coherente. Los valores de pedido ajustados por devoluciones por pedido incluido para control y tratamiento, que la calculadora mantiene por separado, son datos de planificación definidos por el comerciante, no el AOV de Shopify; indica sus deducciones y usa la misma base para ambos grupos.
El modelo de ventas más sencillo que resulta sólido utiliza la diferencia entre un grupo de tratamiento, en el que está disponible el agente de tienda IA, y un grupo de control, en el que no lo está. La versión simplificada que aparece a continuación presupone un mismo valor de pedido ajustado por devoluciones y un mismo margen. El libro descargable aplica el método más general de beneficio bruto por sesión elegible que se muestra justo después, por lo que la rentabilidad de control y tratamiento puede ser diferente.
pedidos incrementales en el despliegue modelizado
= sesiones elegibles modelizadas
× (tasa de conversión del tratamiento - tasa de conversión del control)
ventas incrementales ajustadas por devoluciones
= pedidos incrementales
× valor común de pedido ajustado por devoluciones por pedido incluido
beneficio bruto incremental
= ventas incrementales ajustadas por devoluciones
× tasa de margen bruto
ahorro verificado en costes de soporte
= horas de soporte pagadas que ya no se programan ni se compran
× coste por hora total o del proveedor que corresponda
beneficio total verificado
= beneficio bruto incremental
+ ahorro verificado en costes de soporte
+ otros ahorros en efectivo verificados de forma independiente
beneficio neto
= beneficio total verificado
- coste total del programa del agente de tienda IA
ROI
= beneficio neto
÷ coste total del programa del agente de tienda IA
Para una estimación del periodo experimental, usa las sesiones de tratamiento en la primera línea. Para una proyección del despliegue total, usa todas las sesiones que se espera que sean elegibles e indica que se trata de una extrapolación. Nunca multipliques la diferencia entre tasas por la muestra combinada de la prueba y lo presentes como el efecto observado del tratamiento.
Siempre que sea posible, estima el valor de pedido ajustado por devoluciones después de los descuentos y las devoluciones previstas, y no cambies el nombre de ese dato personalizado por AOV de Shopify. Shopify define el beneficio bruto como las ventas netas menos el coste de los bienes vendidos. Si importan los costes de preparación y envío, pago u otros costes por pedido, utiliza en su lugar el margen de contribución y documenta esas deducciones.
Si el tratamiento cambia el valor del pedido, las devoluciones o la mezcla de productos, evita sumar por separado los efectos de la conversión y el valor del pedido. Es preferible un único resultado por grupo:
beneficio bruto incremental en el despliegue modelizado
= sesiones elegibles modelizadas
× (beneficio bruto del tratamiento por sesión elegible
- beneficio bruto del control por sesión elegible)
Para un modelo direccional rápido, el margen bruto es un punto de partida razonable. Para un modelo con rigor financiero, sustitúyelo por el margen de contribución y documenta con exactitud qué costes incluye.
Nota para el responsable: Conserva los datos de entrada sin procesar junto al resultado. Cualquier revisor debe poder cambiar un supuesto y ver cómo se actualiza la respuesta al instante.
Un pedido asistido se produjo después de que un comprador interactuara con el agente. Un pedido incremental se produjo porque el agente estaba disponible. Ambas categorías se solapan, pero no son idénticas.
Puede que un comprador que pregunta por el envío y compra lo hubiera hecho de todos modos; otro puede regresar más tarde desde otro dispositivo. La atribución describe un recorrido, mientras que una comparación con un grupo de control estima la causalidad.
Shopify admite varios modelos de atribución de marketing y señala que la atribución por cualquier clic puede asignar más crédito que pedidos recibidos. Las ventas atribuidas ayudan a investigar, pero no es fiable usarlas como único numerador del ROI.
| Métrica | Pregunta que responde | Uso adecuado | Uso poco fiable |
|---|---|---|---|
| Conversaciones | ¿Los compradores usaron el agente? | Adopción y planificación de capacidad | Multiplicar cada chat por el AOV |
| Pedidos asistidos | ¿Se produjo un pedido después de la interacción? | Análisis y segmentación del recorrido | Considerar incrementales todos los ingresos asistidos |
| Ingresos atribuidos | ¿Qué punto de contacto recibió el crédito? | Comparar modelos de atribución | Tratar la asignación de crédito como un aumento causal |
| Aumento entre tratamiento y control | ¿Qué cambió cuando el agente estaba disponible? | Estimar las ventas incrementales | Ignorar desequilibrios o datos ausentes |
| Beneficio bruto | ¿Cuánto valor quedó después del coste del producto? | Numerador del ROI | Presentar los ingresos y el beneficio bruto como dos beneficios |
Mantén los ingresos asistidos en el panel. Basta con etiquetarlos correctamente: son descriptivos, no causales.
El diseño práctico más sólido asigna al azar a los compradores elegibles a una de dos experiencias:
Asigna la experiencia antes de que el comprador decida si quiere interactuar. Comparar a quienes chatearon con quienes no lo hicieron introduce autoselección: las personas con preguntas difíciles, alta intención de compra o carritos complejos pueden ser más propensas a abrir el chat.
Mantén la asignación de forma persistente y conserva los precios, las promociones, la mezcla de tráfico, el tema y el inventario tan estables como permita la operativa. Registra los cambios inevitables.
Aplica un análisis por intención de tratar: mide a todas las personas asignadas, no solo a quienes abrieron el agente.
Antes del lanzamiento, deja por escrito:
No te detengas ante la primera variación positiva. Si no es viable un grupo de control aleatorio, utiliza un despliegue por fases o un periodo comparable e indica que el resultado tiene menor fuerza causal.
Elige el nivel de medición en función del número de sesiones elegibles y compras que esperas, no de etiquetas como «pequeña» o «grande». Una tienda con pocas sesiones, pero compras repetidas frecuentes, puede disponer de más información útil que otra con más tráfico y una tasa de compra muy baja.
| Nivel de medición | Cuándo encaja | Qué medir | Qué puedes concluir |
|---|---|---|---|
| 1. Piloto operativo | Hay muy pocas compras para estimar una diferencia de conversión estable | Precisión de las respuestas, tasa de preguntas sin resolver, derivaciones, quejas de compradores, latencia y unidades de soporte pagadas que se evitaron de verdad | Si la experiencia es lo bastante segura y útil para hacer una prueba mayor; no el ROI de ventas incrementales |
| 2. Comparación por fases | No se dispone de asignación aleatoria, pero existen periodos, productos o mercados comparables | Beneficio bruto por sesión elegible y las mismas métricas de control antes y después del despliegue | Una asociación direccional, declarando los cambios en promociones, inventario, estacionalidad y tráfico |
| 3. Grupo de control aleatorio | La tienda espera suficientes resultados para evaluar un efecto declarado de antemano | Conversión por intención de tratar o beneficio bruto por sesión elegible, con asignación persistente y métricas de control | Una estimación causal dentro de la población probada, sujeta a la calidad de los datos y a la incertidumbre estadística |
Antes de elegir el tamaño de la muestra, pide a un analista que utilice la tasa de compra de referencia de la tienda, el efecto mínimo que justificaría una decisión, la confianza deseada y la asignación prevista. Un umbral genérico de tráfico no puede responder a esa pregunta. Cuando el nivel 1 sea la única opción responsable, registra el valor operativo y mantén en cero los ingresos incrementales de la calculadora.
Usa datos del comerciante siempre que sea posible. Los promedios del sector son un mal sustituto de la rentabilidad de un catálogo concreto.
| Dato de entrada | Fuente preferida | Definición que debes fijar |
|---|---|---|
| Sesiones elegibles modelizadas | Registro de asignación y previsión del despliegue | Sesiones de tratamiento para estimar un experimento o todas las sesiones previstas del despliegue para una proyección debidamente etiquetada |
| Tasa de conversión del control | Pedidos del grupo de control ÷ sesiones del grupo de control | Mismas reglas de elegibilidad y pedido que en el tratamiento |
| Tasa de conversión del tratamiento | Pedidos del tratamiento ÷ sesiones del tratamiento | Incluye a todas las personas asignadas, no solo a quienes chatearon |
| Valor de pedido del control ajustado por devoluciones | Pedidos de Shopify y supuestos financieros | Valor definido por el comerciante por pedido de control incluido, después de aplicar el tratamiento declarado de descuentos, reembolsos, cancelaciones, impuestos y envío; no lo llames AOV de Shopify |
| Valor de pedido del tratamiento ajustado por devoluciones | Pedidos de Shopify y supuestos financieros | La misma base definida por el comerciante aplicada a cada pedido de tratamiento incluido |
| Margen bruto o de contribución del control | Registros financieros o de costes de producto | Costes incluidos para la población y el periodo de control |
| Margen bruto o de contribución del tratamiento | Registros financieros o de costes de producto | La misma definición de costes aplicada a la mezcla de tratamiento observada o proyectada |
| Horas de soporte pagadas que se evitaron | Registros de personal, proveedores o tickets | Horas que ya no se programan ni se compran, no tiempo teórico de atención |
| Coste total por hora | Datos de nóminas o proveedores | Salario más los costes correspondientes del empleador y de herramientas |
| Otros ahorros en efectivo verificados | Factura o registro de personal u operaciones | Coste en efectivo que, de forma independiente, se demuestra que ya no se produce y que no figura en otra fila |
| Coste del programa | Factura y tiempo interno | Software, configuración, supervisión, contenido e integración |
| Métricas de control | Devoluciones, quejas, latencia y control de calidad | Umbrales que pueden imponerse a un resultado positivo de ROI |
El resumen de conversión de pedidos de Shopify ayuda a investigar visitas y referentes, pero puede verse limitado por cookies bloqueadas, escaparates headless u otros recorridos de pedido. No sustituye a la asignación del experimento.
Si el agente se evalúa como un proyecto de desarrollo, compra o una combinación de ambos, usa la guía para decidir entre desarrollar o comprar y su hoja de TCO para fijar el dato de entrada del coste del programa antes de calcular el ROI.
Descarga la calculadora de ROI, haz una copia y completa las celdas amarillas con registros de Shopify, finanzas, asignación, personal y proveedores. Sus valores iniciales son meramente ilustrativos, no referencias del sector, resultados de BuyScout® Agente de tienda IA ni promesas, y deben sustituirse antes de tomar una decisión.
El libro separa las suscripciones de software y proveedores, la configuración y supervisión internas, y otros costes del programa. Usa Otros costes del programa para la integración, contratistas, servicios externos, mantenimiento del contenido u otro coste del periodo que no esté incluido en las dos primeras filas.
El libro calcula el beneficio bruto de control y tratamiento por sesión elegible, el beneficio bruto incremental, el ahorro verificado en efectivo de soporte, el beneficio total, el beneficio neto y el ROI. Un dato en blanco no demuestra que el coste o el efecto sean cero; completa los datos relevantes que falten antes de utilizar el resultado para una decisión presupuestaria.
Cuando no se pueda realizar un experimento aleatorio, la misma hoja de cálculo permite registrar una estimación direccional. Indica el método y sus limitaciones junto al resultado en lugar de presentarlo como un ROI causal.
Cálculo meramente ilustrativo: Estos datos no son una referencia, un resultado de BuyScout® Agente de tienda IA ni una previsión para otra tienda.
Supongamos que un comerciante modeliza 10 000 sesiones elegibles. El control convierte un 2,0 % y el tratamiento, un 2,2 %. Ambos grupos usan un valor de pedido ajustado por devoluciones de 80 USD y un margen bruto del 50 %. El beneficio bruto del control por sesión elegible es de 0,80 USD; el del tratamiento, de 0,88 USD. La diferencia de 0,08 USD en 10 000 sesiones produce 800 USD de beneficio bruto incremental.
Si los registros de personal también verifican que se evitaron 300 USD en costes de soporte pagados, el beneficio total verificado es de 1 100 USD. Si el mismo periodo incluye 600 USD en costes de software y proveedores, 200 USD en configuración y supervisión internas, y 0 USD en otros costes del programa, el coste total del programa es de 800 USD. Por tanto, el beneficio neto es de 300 USD y el ROI, del 37,5 % (300 USD ÷ 800 USD). Si cambia cualquier supuesto o el estado de las evidencias, la conclusión debe actualizarse en consecuencia.
Sigue estas reglas para evitar el doble conteo:
Una pregunta útil para la auditoría es: «¿Podría el mismo pedido, hora o importe aparecer en otra fila?». Si la respuesta es afirmativa, unifícalo.
Las analíticas de Shopify y Google Analytics pueden diferir porque utilizan definiciones distintas y se ven afectadas por JavaScript, las cookies, los bloqueadores, las zonas horarias, la configuración de privacidad y la conectividad. Consulta la guía de Shopify sobre discrepancias, elige un sistema de asignación como fuente de referencia del experimento y concilia los pedidos completados con los registros transaccionales de Shopify.
Registra la proporción de tráfico elegible que no se pudo medir y describe la población que representa el resultado. No eludas el consentimiento ni envíes a herramientas de analítica el texto sin procesar de las conversaciones, direcciones de correo electrónico, números de teléfono u otros datos personales reconocibles; Google Analytics prohíbe recopilar información de identificación personal.
Después de auditar el doble conteo, comprueba si existen fallos de diseño u operación que todavía puedan restar fiabilidad al resultado:
El ROI no es el único criterio para decidir. Un tratamiento que aumente el beneficio bruto a corto plazo, pero genere afirmaciones poco seguras o empeore la experiencia de soporte, no debe lanzarse sin cambios.
Usa esta lista de revisión operativa después del experimento inicial:
Nota para el responsable: Una revisión mensual debe producir decisiones, no solo gráficos. Corrige las lagunas de conocimiento, cambia una métrica de control, amplía un caso de uso que funciona o pausa uno que resulte arriesgado.
Empieza con un caso de uso acotado, conserva un grupo de control cuando los datos lo permitan y deja que el beneficio bruto y los resultados para los compradores, no los titulares sobre ingresos asistidos, decidan qué ampliar.
Descarga la calculadora editable de ROI
Para probar la experiencia real con tu propio catálogo, descubre BuyScout® Agente de tienda IA o consulta los precios actuales. BuyScout® Agente de tienda IA no garantiza un ROI concreto; los resultados dependen de la tienda, el catálogo, el tráfico, los márgenes, la implementación y el diseño de la medición.
Convierte las preguntas recurrentes de los clientes en carencias verificadas de las páginas de producto de Shopify, hipótesis priorizadas, cambios de texto más seguros y decisiones medibles.
Diseña recomendaciones conversacionales de productos de Shopify que respeten las restricciones obligatorias, hagan pocas preguntas, todas útiles, y expliquen cada selección.
Audita los datos de producto, las variantes, los mercados, las políticas y las preguntas de prueba de Shopify para que los agentes de tienda IA hagan recomendaciones más precisas.
Descubre cuándo la búsqueda, los filtros, las recomendaciones de producto y un agente de tienda IA ayudan a los compradores a encontrar productos en Shopify, y cómo mejorar cada ruta.
Pruébalo ahora
Gratis para siempre y listo en 1 minuto.
