En ecommerce, retail, CRM, apps o plataformas digitales, las empresas se enfrentan a un reto cada vez más habitual: tienen más productos, más clientes, más canales y más datos, pero no siempre saben optimizar la secuencia de qué mostrar a cada usuario en cada momento.
- Si el cliente no encuentra rápido lo que le interesa, abandona
- Si recibe campañas genéricas, desconecta
- Si siempre ve los mismos productos, la experiencia pierde relevancia
Aquí es donde entran los sistemas de recomendación.
Bien diseñados, pueden ayudar a mejorar la conversión, aumentar el ticket medio, impulsar la recurrencia, hacer más eficaces las campañas de CRM y priorizar qué productos, contenidos u ofertas mostrar en una web, app, email o marketplace.
Los sistemas de recomendación son una herramienta de decisión para ordenar opciones de forma inteligente y alineada con los objetivos de negocio.
Este artículo es el primero de una serie de cuatro sobre sistemas de recomendación. En esta primera parte nos centraremos en la visión conceptual y de negocio: qué son, cuándo aportan valor, qué tipos existen, qué errores conviene evitar y cómo evaluarlos correctamente.
En los tres siguientes artículos bajaremos al terreno práctico y técnico. Primero construiremos sistemas de recomendación con Collaborative Filtering, tanto user-based como item-based. Después abordaremos sistemas Content-Based y enfoques híbridos que combinan señales de comportamiento y características de producto.
Qué es un sistema de recomendación
Un sistema de recomendación responde a una pregunta muy concreta:
Dado un usuario, un contexto y un conjunto de opciones disponibles, ¿qué deberíamos mostrar primero?
- En un ecommerce, esas opciones pueden ser productos
- En una app de contenidos, artículos, vídeos o canciones
- En CRM, campañas, ofertas o mensajes personalizados
- En una plataforma SaaS, funcionalidades o próximos pasos recomendados
El objetivo es reducir fricción y aumentar la probabilidad de que el usuario realice la siguiente acción: comprar, volver, añadir al carrito, consumir contenido, contratar un servicio o explorar una nueva categoría.
Por eso, la clave no está tanto en predecir con exactitud qué le gustará al usuario, sino en construir un buen ranking, es decir, mostrar las opciones más relevantes en las primeras posiciones.
Un producto muy relevante en la posición 50 probablemente no será visto. Uno en la posición 1 puede generar una compra, un clic o una interacción.
Un recomendador debe evaluarse por su capacidad para mejorar decisiones reales: qué mostrar, en qué orden, en qué canal y con qué objetivo.
El valor que aporta al negocio
Un buen sistema de recomendación puede impactar distintas métricas según el caso de uso:
- Conversión, mostrando productos más relevantes
- Ticket medio, sugiriendo complementos o alternativas de mayor valor
- Recurrencia, recordando productos habituales o proponiendo novedades relevantes
- Engagement, ordenando contenidos según intereses
- Eficiencia comercial, personalizando campañas y reduciendo impactos irrelevantes
- Rotación de catálogo, dando visibilidad a productos que de otro modo quedarían ocultos
Por ejemplo:
- en un ecommerce de moda, si el usuario ha comprado un abrigo, será más útil sugerirle botas, bufandas o prendas que combinen, más que mostrar abrigos parecidos
- en un supermercado, recomendar productos recurrentes puede ser más valioso que mostrar novedades
- en una app de contenidos, el objetivo puede no ser vender, sino aumentar la frecuencia de uso o la retención
La recomendación genera valor cuando conecta comportamiento, contexto y objetivo de negocio.
Tipos de sistemas de recomendación
Aunque todos los sistemas de recomendación persiguen el mismo objetivo — mostrar las opciones más relevantes para cada usuario —, no todos resuelven el problema de la misma manera.
La elección del enfoque depende del caso de uso, del volumen y calidad de los datos disponibles, del histórico de interacción existente, del tipo de catálogo y del objetivo de negocio.
A grandes rasgos, podemos distinguir tres enfoques principales: los que se basan en el comportamiento de los usuarios, los que se apoyan en las características de los productos y los que combinan varias señales a la vez.
Filtrado colaborativo (Collaborative Filtering)
El filtrado colaborativo recomienda a partir del comportamiento de los usuarios.
Si dos usuarios se comportan de forma parecida, es probable que compartan intereses.
Hay dos enfoques:
- User-based: recomienda en función de usuarios similares. «Personas parecidas a ti compraron esto.»
- Item-based: recomienda productos relacionados según el comportamiento colectivo. Dos productos son «similares» si muchos usuarios los consumen juntos. «Quienes compraron este producto también compraron este otro.»
Ventaja: no necesita entender el producto.
Limitación: depende de tener histórico suficiente.
Basados en contenido (Content-Based)
Los sistemas basados en contenido recomiendan a partir de las características de los productos.
Si un usuario ha consumido un producto, es probable que le gusten otros con características similares.
Estas características pueden ser: categoría, marca, precio, descripción, estilo, temática, formato, etc.
Ventaja: muy útil para cold start de producto.
Limitación: depende de tener identificadas las características de los productos.
Sistemas híbridos
En producción, lo más habitual es combinar varios enfoques.
Un sistema híbrido puede incorporar comportamiento de usuarios, atributos de producto, popularidad, contexto, stock, margen, reglas comerciales, estacionalidad o campañas activas.
Esto es importante porque el negocio rara vez quiere optimizar una única métrica. Normalmente necesita equilibrar relevancia para el usuario, disponibilidad, margen, objetivos comerciales y experiencia de cliente.
Cuándo tiene sentido implementar un recomendador
Un sistema de recomendación tiene sentido cuando se dan varias condiciones:
- Existe un catálogo amplio de productos, contenidos, servicios u ofertas
- Los usuarios tienen comportamientos distintos entre sí
- Hay datos suficientes de interacción
- Hay espacios donde personalizar: web, app, email, CRM, buscador, carrito o ficha de producto
- La mejora puede impactar una métrica relevante
- La empresa puede medir el resultado
En cambio, quizá no compensa construir un recomendador avanzado si el catálogo es muy pequeño, si todos los clientes compran casi lo mismo, si no hay datos suficientes o si reglas simples ya funcionan razonablemente bien.
Errores frecuentes en sistemas de recomendación
Empezar por el algoritmo antes de definir el problema. Antes de elegir una técnica, debemos aclarar qué se quiere mejorar, dónde se mostrará la recomendación, qué acción esperamos del usuario y cómo mediremos el éxito.
Ignorar restricciones operativas. Recomendar productos sin stock, servicios no disponibles o artículos que el cliente acaba de comprar puede empeorar su experiencia.
No gestionar el cold start. Para usuarios nuevos, productos nuevos o categorías con poco histórico podemos utilizar reglas simples, popularidad por categoría o datos de contenido como fallback.
Evaluar con métricas de precisión en lugar de métricas de negocio. Un recomendador puede tener alta precisión técnica pero no mejorar conversión ni ticket medio. El éxito se mide en impacto real, no en métricas de modelo.
Confundir personalización con recomendación. Personalizar es adaptar la experiencia. Recomendar es ordenar opciones. Son problemas distintos con soluciones distintas.
En el siguiente artículo de esta serie bajamos al terreno práctico y construimos un sistema con Collaborative Filtering usando datos reales de ecommerce.