Recomendaciones personalizadas en ecommerce: guia

Piensa en la última vez que entraste en una tienda física y el dependiente, sin ser pesado, te sugirió justo el producto que estabas buscando. Esa misma intuición es la que debería tener tu ecommerce cada vez que un usuario aterriza en él. Y la herramienta que la hace posible es el sistema de recomendaciones de producto personalizadas en ecommerce. Cuando está bien montado, la tienda parece leerle la mente al cliente. Cuando falla, o directamente no existe, cada sesión se convierte en una oportunidad perdida que tus competidores sí están aprovechando.

Voy a contarte cómo lo planteo cuando un cliente me llama porque su ratio de conversión se ha estancado y siente que está dejando dinero sobre la mesa. Desde qué algoritmo elegir hasta cómo medirlo sin engañarte a ti mismo, pasando por la parte legal que, en España, te puede costar muy cara si la ignoras.

Por que las recomendaciones personalizadas son decisivas

Los datos que manejo en proyectos reales son consistentes con lo que publican los grandes: entre un 10 y un 30 % de los ingresos de un ecommerce maduro vienen de los bloques de recomendación. Amazon lleva años diciendo que un 35 % de sus ventas pasa por su motor. No te hablo de un detalle estético en la ficha de producto, te hablo de la palanca de ingresos más infravalorada que conozco.

El impacto que más me interesa, sin embargo, no es el directo. Es el efecto compuesto. Un usuario al que la tienda le enseña cosas relevantes navega más, descubre referencias que no buscaba y vuelve antes. He visto tiendas multiplicar por dos la frecuencia de compra de su base recurrente solo afinando los bloques de cross-selling.

Para el ecommerce español de tamaño medio, con presupuestos de captación cada vez más caros (el CPC en Google Shopping en España ha subido un 18 % en los dos últimos años), exprimir cada visita ya no es una opción. Si pagas 0,80 euros por traer un usuario y conviertes al 1,2 %, cada décima de mejora vale literalmente dinero contante.

Tipos de algoritmos de recomendacion

No hay un algoritmo bueno y otro malo. Hay algoritmos que encajan con tu catálogo, tu volumen de datos y tu cliente, y otros que no. Los sistemas que mejor rinden suelen ser una mezcla.

Filtrado colaborativo

Se apoya en el comportamiento agregado de los usuarios. Si tú y yo hemos comprado tres productos parecidos, lo que tú compres mañana probablemente me interese a mí. Es el clásico "los clientes que compraron esto también compraron". Funciona muy bien cuando tienes volumen de transacciones.

Su talón de Aquiles es el arranque en frío. Producto nuevo sin histórico, cliente nuevo sin compras: no tiene de dónde tirar. En tiendas con catálogo rotativo o muchas novedades estacionales (moda, sobre todo), este problema es más serio de lo que parece.

Filtrado basado en contenido

Aquí el motor mira las características del producto: categoría, marca, materiales, precio, color. Recomienda artículos parecidos a lo que el usuario ya ha mirado o comprado. La ventaja es que arranca desde la primera visita sin necesidad de histórico colectivo.

La pega que veo cada vez que un cliente lo implementa solo: termina recomendando más de lo mismo. El usuario que mira una zapatilla blanca acaba viendo veinte zapatillas blancas. Se aburre y se va.

Modelos hibridos

Mezclan colaborativo, contenido y señales contextuales como la hora, el dispositivo o la estación. Amazon Personalize y Google Recommendations AI son los referentes, pero te aviso: el coste y la complejidad de integración los hacen difíciles de justificar por debajo de cierto volumen. Para un ecommerce que factura menos de tres millones al año, suele ser matar moscas a cañonazos.

Recomendaciones basadas en reglas

Las eternas olvidadas. Mostrar los más vendidos de una categoría, los productos relacionados que marca tu equipo de merchandising o los complementarios definidos a mano siguen siendo brutalmente efectivas, sobre todo combinadas con algoritmos más finos. Yo siempre arranco con reglas y dejo el modelo para una segunda fase.

Estrategias de implementacion segun el tamano del negocio

Ecommerce pequeno: soluciones plug-and-play

Si facturas menos de 500.000 euros al año y tu catálogo no llega a 1.000 SKU, no te vuelvas loco. Los plugins nativos de WooCommerce, PrestaShop o Shopify hacen el trabajo. Productos relacionados por categoría, vistos recientemente, más vendidos. Es básico, pero pasar de cero a algo decente con dos horas de configuración te puede subir un 4-6 % la conversión sin tocar nada más.

Ecommerce mediano: motores de personalizacion SaaS

A partir de cierto volumen (unas 100.000 sesiones al mes y catálogos de varios miles de referencias) compensa subir el escalón. Nosto, Clerk.io o Dynamic Yield se integran con un script de tracking y unos widgets configurables. Tarifas a partir de unos 500-1.500 euros al mes según sesiones. Lo recomiendo casi siempre en esta fase: el coste se amortiza rápido y te quitas de encima la parte pesada de entrenamiento del modelo.

Ecommerce grande: solucion propia o enterprise

Cuando hablas de millones de sesiones al mes, la conversación cambia. Equipo propio sobre TensorFlow o PyTorch, o soluciones enterprise tipo Algolia Recommend o Salesforce Einstein. Ganas control total, pero pagas con un equipo de data engineers y mantenimiento continuo. No es una decisión técnica, es una decisión de modelo de negocio.

Donde colocar las recomendaciones

Pagina de inicio

Para el usuario recurrente, lo que tenga sentido con su historial. Para el nuevo, bestsellers de la categoría más visitada o novedades. Un error que veo: poner el mismo bloque para todos. Si no segmentas mínimo entre nuevo y recurrente, la home pierde la mitad de su potencia.

Pagina de producto

La joya de la corona. Aquí es donde más conversión sacas y donde más cuidado hay que tener con la curaduría. "Productos similares" y "comprados juntos" son los dos bloques de cabecera. En moda, el famoso "completa el look" puede subir el ticket medio entre un 15 y un 25 %. Lo he medido en proyectos concretos y no exagero.

Carrito de compra

Aquí la regla de oro es no fastidiar la conversión. Productos baratos, complementarios, que se añaden sin pensar: el cable al móvil, el limpiador al calzado deportivo, el filtro al equipo de fotografía. Si metes algo caro o que distrae, el usuario se enfría y abandona. Y eso lo ves rapidísimo en las métricas.

Email post-compra y remarketing

El canal más infrautilizado de los cuatro. Un email tres días después de la compra con productos relevantes basados en lo que acaba de adquirir te puede meter un 5-10 % de ingresos extra prácticamente gratis. Tasas de apertura altas, contexto fresco y cero coste por impresión. Si no lo tienes, ponte con eso antes que con cualquier otra cosa.

A/B testing: medir antes de escalar

Que variables testar

A nivel de algoritmo: colaborativo contra contenido contra híbrido. A nivel de presentación: cuántos productos por fila, con precio o sin precio, con reseñas o sin reseñas. A nivel de ubicación: encima de la descripción, debajo, en sidebar, en pop-up. Pequeños cambios que parecen tontos te pueden mover la conversión un punto entero.

Metricas clave

CTR del widget, conversión de quien interactúa frente a quien no, lift en AOV atribuible y, sobre todo, ingresos incrementales. Cuidado con quedarte solo en CTR: he visto bloques con CTR brutal que no movían la conversión final porque robaban clics a otros caminos más rentables.

Establece una línea base sólida y deja correr cada test al menos 14-21 días. Con menos no tienes significación estadística y vas a tomar decisiones por ruido.

Iteracion continua

El comportamiento de compra cambia con las estaciones y las modas. Un modelo afinado en noviembre puede dar resultados mediocres en marzo. Revisa el rendimiento cada trimestre y mete una iteración al menos dos veces al año. Si lo dejas a su aire, el sistema se degrada solo.

Privacidad y cumplimiento del RGPD

Aquí no hay atajos. Cualquier motor de recomendación procesa datos de comportamiento y, salvo que estés haciendo algo muy básico, datos personales. El RGPD y la LOPDGDD se aplican sin excusas, y la AEPD lleva un par de años multando con cifras serias por cookies y perfilado mal gestionados.

Consentimiento y base legal

El usuario tiene que saber, en lenguaje claro, que sus datos se usan para personalizar lo que ve. Si el motor tira de cookies no esenciales o de perfilado, necesitas consentimiento explícito a través del banner. Para recomendaciones puramente en sesión, basadas solo en la navegación de ese rato, el interés legítimo puede valer. En cuanto cruzas sesiones e identificas al usuario entre visitas, pasa a consentimiento explícito sí o sí. No te la juegues.

Derechos del usuario y minimizacion

Acceso, rectificación, supresión, oposición y la posibilidad de desactivar la personalización: todo debe estar operativo y accesible en dos clics. El principio de minimización es el que más se incumple. Si puedes recomendar con datos anonimizados o agregados, hazlo así. Recoger todo "por si acaso" es la receta perfecta para una sanción.

Impacto en conversion y valor medio del pedido

Los números que manejo en proyectos reales en España: en moda y complementos, el AOV sube entre un 10 y un 20 % cuando el cross-selling está bien afinado. La conversión global mejora entre un 5 y un 15 % según la calidad del dato y la afinidad del algoritmo con tu catálogo. No son cifras de folleto comercial, son rangos que he visto repetirse en clientes que facturan entre uno y diez millones al año.

Lo interesante es que el efecto se acumula. Cada vuelta de tuerca al modelo, cada iteración de los widgets, suma. A los 18 meses de trabajo sostenido, las cifras se vuelven difíciles de ignorar incluso para el CFO más escéptico.

De la teoria a la implementacion

Montar un sistema de recomendaciones de producto personalizadas en ecommerce no va de instalar un plugin y cruzar los dedos. Va de elegir bien el algoritmo para tu realidad, colocar los bloques donde realmente convierten, medir con honestidad y mantener el cumplimiento legal sin sustos. Es trabajo de fondo, pero es probablemente la inversión con mejor retorno que puede hacer un ecommerce que ya tiene tráfico.

Si tienes una tienda con volumen y sientes que las recomendaciones que muestras no están a la altura del catálogo que vendes, Contacta con Tangram Consulting.