A menudo se dice que los datos son el nuevo petróleo, pero nos gustaría argumentar que los algoritmos son la joya de oro. El impacto de los algoritmos de personalización y recomendación en el rendimiento empresarial es asombroso.

Por ejemplo, Netflix ha informado de que el efecto combinado de la personalización y las recomendaciones les ahorra más de 1.000 millones de dólares al año. Menos personas cancelan sus suscripciones, por lo que ganan más dinero de los clientes existentes y no tienen que gastar tanto en atraer a otros nuevos. Otro líder del sector, Amazon, informa de que alrededor del 35% de sus ventas proceden de ventas cruzadas, resultado directo de su motor de recomendación. Esto pone de relieve el importante potencial de ingresos de los algoritmos de personalización y recomendación. 

El valor de estos algoritmos de aprendizaje profundo va más allá de los ingresos y los costes. También pueden repercutir profundamente en el valor global de una empresa. Tomemos como ejemplo el algoritmo de TikTok. Se estima que vale entre 60.000 y 70.000 millones de dólares, y muchos analistas creen que sin él, la empresa valdría bastante menos, entre 30.000 y 40.000 millones de dólares.

También hay un artículo de McKinsey que afirma que las empresas que crecen más rápido obtienen un 40% más de sus ingresos de la personalización que sus homólogas de crecimiento más lento. De hecho, la personalización genera aproximadamente un billón de dólares en valor para las empresas de mayor rendimiento. 

Entonces, ¿qué diferencia a los líderes de los demás?

Su capacidad para personalizar sus ofertas y llegar al individuo adecuado, en el momento adecuado, con las experiencias adecuadas. 

Pero, ¿cómo saber cuáles son esas experiencias? 

Para responder a esta pregunta, tenemos que fijarnos en las expectativas de los compradores modernos. 

Un estudio realizado por Google y BCG reveló un hallazgo sorprendente: si se eliminara un algoritmo que proporcionara recomendaciones personalizadas de productos, se pondría en riesgo alrededor del 10% de los ingresos totales de las empresas. Esto pone de manifiesto el gran impacto de la personalización en los resultados de un minorista. Pero no se trata sólo de tener personalización, sino de tener la personalización adecuada. 

Los compradores quieren experiencias cómodas y pertinentes. Esperan encontrar rápida y fácilmente los productos o servicios que necesitan sin tener que buscar entre numerosas opciones. De hecho, un notable 80 % de los compradores de todo el mundo dan prioridad a la velocidad, citando la importancia de hacer las cosas rápidamente. Para satisfacer esta demanda, los minoristas deben ofrecer experiencias sin fricciones que faciliten la participación y la compra.

Los clientes también quieren obtener valor de sus compras, y el 87 % de ellos considera necesario sentir que ha conseguido un buen trato. Esta es una excelente oportunidad para que los minoristas destaquen. Las ofertas y descuentos personalizados dan a los clientes esa sensación de valor. Cuando las recomendaciones coinciden con lo que desean, comprar resulta más fácil y agradable, lo que les motiva a comprar más.

El dato más revelador es que el 62% de los compradores mundiales confían en las recomendaciones a la hora de decidir a qué marca o minorista apoyar. Esto pone de relieve la importancia de ofrecer productos o servicios oportunos y pertinentes. Permite a los compradores encontrar fácilmente lo que les gusta, creando un sentimiento de confianza y lealtad con sus marcas preferidas. 

La mejor manera de ofrecer recomendaciones específicas y contenidos que tengan eco entre los compradores es utilizar tecnologías de aprendizaje automático (ML) e inteligencia artificial (IA).

Este libro blanco examina los algoritmos de los motores de recomendación, su papel en el comercio minorista y por qué son vitales para crear grandes experiencias de compra.

¿Qué es un motor de recomendación?

El objetivo principal de un motor de recomendación es promover las ventas mediante recomendaciones personalizadas. También influye en el comportamiento de compra, por ejemplo, incitando a los compradores a optar por artículos más rentables o aumentando el valor medio de los pedidos mediante oportunidades de venta cruzada y venta adicional.

En esencia, los motores de recomendación son complejos programas informáticos de captación de clientes que utilizan el aprendizaje automático (ML) y la inteligencia artificial (IA) para rastrear y analizar los datos de los clientes. Esto incluye el historial de navegación, las consultas de búsqueda y el comportamiento anterior del usuario, así como información sobre el producto, como atributos y precios. A continuación, los motores utilizan estos datos para generar sugerencias de productos personalizadas y entregarlas a los usuarios a través de canales como escaparates web, aplicaciones móviles y puntos de venta fuera de línea.

Los datos suelen agregarse y gestionarse en una Customer Data Platform (CDP), un eje centralizado que permite a los motores de recomendación entrenar sus algoritmos y hacer predicciones o sugerencias. 

Los mejores motores de recomendación se integran con el catálogo de productos del minorista y la plataforma CRM y de automatización de marketing para combinar los datos particulares de los usuarios con los datos de los productos y ofrecer sugerencias precisas. 

Estas sugerencias o recomendaciones personalizadas se ofrecen dentro del diseño original del minorista, proporcionando una experiencia de compra coherente e intuitiva que refleja la estética de la marca.

El diagrama anterior ilustra un ejemplo de solución de plataforma comercial VTEX, mostrando cómo se integran las interacciones del usuario, los datos del catálogo y los flujos de datos de personalización(motor del sistema de recomendaciones).

¿Qué algoritmos utilizan los motores de recomendación?

Con más de una década de experiencia en motores de recomendación, Loadstone se ha convertido en un socio minorista de confianza. Nos centramos en aumentar el valor del ciclo de vida del cliente (LTV) e impulsar el crecimiento a largo plazo. El objetivo es sencillo: ayudar a las empresas a conseguir el mejor rendimiento de su e-commerce.

Como parte de este libro blanco, hemos llevado a cabo un análisis detallado utilizando un conjunto de datos masivo que incluye billones de puntos de datos de cientos de minoristas. Estos minoristas operan en múltiples áreas geográficas y verticales, incluyendo ropa y accesorios, hogar y jardín, electrónica, alimentos y bebidas, salud y belleza, deportes y ocio, mascotas, niños y bebés, regalos y más. 

El análisis destaca las principales métricas de rendimiento, incluidos los ingresos atribuidos (ventas directamente vinculadas al motor de recomendación), el valor medio de los pedidos (VOP) y las unidades de artículos por transacción (UPT). Aunque estas métricas proporcionan información valiosa sobre la eficacia de los motores de recomendación, en este estudio no se examinaron explícitamente otras métricas importantes del comercio electrónico, como las tasas de conversión (CR), las tasas de clics (CTR), las tasas de retención de clientes, las tasas de rebote y el valor total de la vida útil del cliente (LTV). Sería necesario un análisis más profundo del negocio de cada minorista para evaluar estas métricas con precisión.

Los resultados de este análisis ofrecen una perspectiva sobre las preferencias en los algoritmos de los motores de recomendación para comercios, que se resumen en la tabla siguiente. 

Nota. - Los ingresos atribuidos son los ingresos generados por los compradores que interactúan con las recomendaciones según una política de atribución determinada; el factor AOV comprometido es la diferencia en el valor medio de los pedidos de los compradores que interactúan con las recomendaciones en comparación con los que no lo hacen, según una política de atribución determinada, después de haber sido influidos por el algoritmo; el factor UPT comprometido es la diferencia en las unidades por transacción de los compradores que interactúan con las recomendaciones en comparación con los que no lo hacen, según una política de atribución determinada, después de haber sido influidos por los algoritmos.

La conclusión más convincente de nuestro análisis es que los minoristas con mejores resultados están utilizando algoritmos para superar a los minoristas medios, logrando impresionantes ganancias del 30-40% en métricas clave de comercio electrónico. Estos líderes están obteniendo un 35-40% más de ingresos atribuidos, un 25-30% más de AOV y un 15-20% más de UPT medio. También obtienen un impresionante aumento del 500% en los ingresos totales y un incremento del 300% en los pedidos en los que los compradores interactúan con recomendaciones personalizadas. 

Los algoritmos de los motores de recomendación que utilizan los minoristas con mejores resultados están diseñados para lograr objetivos específicos y pueden clasificarse en cuatro grupos:

• Basado en categorías
• Por productos
• Para los compradores
• Búsqueda en

A continuación se analizan en profundidad los puntos fuertes y las capacidades de cada grupo, que ayudarán a los minoristas a ajustar su enfoque para satisfacer requisitos empresariales únicos. 

Algoritmos basados en categorías

Este grupo incluye algoritmos que muestran productos en toda la tienda o dentro de categorías seleccionadas. Los algoritmos basados en categorías aumentan el descubrimiento de artículos nuevos y populares, impulsando unos ingresos atribuidos moderados y fidelizando a los compradores con un mayor AOV. 

Ejemplos de algoritmos basados en categorías:

• Popular por categoría: Este algoritmo ayuda a los compradores a encontrar artículos nuevos y populares. Genera unos ingresos atribuidos moderados y cuenta con un alto factor de AOV (average order value) comprometido. Identifica los productos populares y los muestra, lo que facilita a los compradores descubrir productos nuevos y de tendencia sin tener que navegar por decenas de productos de una categoría.

• Popular con descuento por categoría: Este algoritmo aumenta las ventas de artículos de tendencia a un precio con descuento. Aporta ingresos atribuidos moderados y factores AOV y UPT comprometidos moderados. El algoritmo Descuentos populares por categoría conecta con los compradores que buscan los productos más vendidos en rebajas. Destaca los artículos populares con descuentos activos, facilitando la detección de ofertas. Los compradores pueden encontrar rápidamente grandes ofertas y comprar con confianza, sabiendo que están comprando productos populares a un mejor precio.
• Novedades de categorías: Este algoritmo mantiene a los compradores comprometidos con los últimos productos, tiene unos ingresos atribuidos bajos y unos factores de AOV comprometido y UPT comprometido moderados. El algoritmo Novedades de las categorías atrae a los compradores con un AOV más alto y compran más artículos por transacción. Este algoritmo identifica productos nuevos y de tendencia y los sugiere de forma destacada, facilitando a los compradores el descubrimiento de artículos nuevos y emocionantes.

A los clientes de Loadstone les encanta utilizar nuestro algoritmo basado en categorías: Productos populares. Este algoritmo crea una estantería electrónica que muestra los artículos más vistos y que más gustan, en línea con lo que un cliente podría comprar a continuación. Para ello, tiene en cuenta sus acciones y lo que interesa a otras personas. Por ejemplo, si alguien busca a menudo productos electrónicos, el algoritmo le mostrará artículos populares similares, como aparatos que están recibiendo mucha atención o ventas en esa categoría.

Algoritmos basados en productos

Este grupo incluye algoritmos que muestran productos estrechamente relacionados con un producto específico.

Atraen a los compradores interesados en adquirir artículos adicionales que van bien con su compra inicial.

Los algoritmos basados en productos incluyen: 

• Accesorios: Este algoritmo tiene el mayor factor de AOV comprometido y UPT comprometido. Sugiere accesorios relevantes que aumentan el potencial de venta cruzada. El algoritmo Accesorios identifica productos que se compran juntos con frecuencia, por ejemplo, una funda de teléfono para un comprador que acaba de adquirir un teléfono. De este modo, los compradores pueden encontrar accesorios valiosos rápidamente.

• Alternativa: Este algoritmo genera los mayores ingresos atribuidos y pedidos. Cuando un comprador no está seguro de su selección actual, el algoritmo Alternativo -un tipo de algoritmo de filtrado colaborativo- le ayuda a descubrir productos populares entre personas con intereses similares. El algoritmo sirve como prueba social, mostrando al comprador que otras personas con gustos similares han elegido esos productos. Supongamos que alguien está mirando una chaqueta de motorista pero pasa mucho tiempo en una página o sigue cambiando de opción sin comprar. En ese caso, el sistema recomendador de filtrado colaborativo podría sugerir otras chaquetas populares que hayan comprado usuarios similares. La validación social ayuda a generar confianza en la decisión de compra del comprador, lo que aumenta las probabilidades de que se convierta y descubra nuevos productos que de otro modo no habría considerado.
• Relacionado: Este algoritmo tiene unos factores AOV y UPT muy comprometidos. Ayuda a los compradores a encontrar productos complementarios y se asegura de que completen su compra con artículos que coincidan con su selección. El algoritmo Loadstone Total Look AI Stylist es un ejemplo perfecto de algoritmo relacionado. Está diseñado específicamente para la industria de la moda. Si un comprador elige un vestido, el algoritmo puede sugerirle zapatos o un bolso que coincidan con el color y el estilo del producto inicial y con las preferencias del usuario. 

Algoritmos basados en el comprador

Como su nombre indica, los algoritmos basados en el comprador muestran a los clientes productos específicos que les interesan. Lo hacen basándose en sus acciones en la tienda web o en la aplicación móvil. 

Ejemplos:

• Personal: Este algoritmo genera unos ingresos atribuidos elevados y cuenta con unos factores AOV y UPT comprometidos elevados. Analiza el historial de navegación y compras del comprador e identifica y sugiere los productos que pueden atraerle. Si un usuario ha mostrado interés en productos específicos, el algoritmo Personal le sugiere opciones alternativas, ayudándole a encontrar la más adecuada y acercándole a la compra. Si un usuario ya ha realizado una compra, el algoritmo Personal le recomienda productos complementarios, lo que aumenta aún más el potencial de upselling y cross-selling.

• Personal por categoría: Este algoritmo genera altos ingresos atribuidos y tiene un factor de AOV moderado. El algoritmo personal por categoría solo muestra productos de la categoría en la que se encuentra el usuario en ese momento.
• Visto: Este algoritmo permite a los compradores volver a visitar y comprar rápidamente artículos por los que ya han mostrado interés. Esto genera unos ingresos atribuidos moderados y cuenta con un factor AOV y un factor UPT comprometidos moderados. El algoritmo "Visto" conecta con los compradores que tienen un mayor AOV y compran más artículos por transacción. Al mostrar productos que un comprador ha visto previamente, el algoritmo le facilita encontrar y comprar productos que le interesan, sin distraerle con otros productos.

Algoritmos de búsqueda

Estos algoritmos analizan el comportamiento de los compradores tras las consultas de búsqueda para ofrecer recomendaciones pertinentes. De este modo, aumentan la eficacia de la función de búsqueda, facilitando a los compradores la búsqueda de los productos adecuados. Por ejemplo, si un comprador busca "zapatillas de running con amortiguación extra", el algoritmo utiliza un filtrado basado en el contenido para sugerir zapatillas de running con distintos niveles de amortiguación.

Los algoritmos basados en búsquedas se adaptan perfectamente a las tácticas de marketing conductual, ya que analizan las consultas de búsqueda de un comprador, recomiendan productos que coinciden con la búsqueda del usuario y ofrecen alternativas. De este modo, ayudan a los compradores a encontrar el producto más adecuado, incluso con frases de búsqueda no estándar o complejas. Un comprador puede escribir "botas de piel rojas impermeables para senderismo", y el sistema de recomendación basado en búsquedas y contenidos puede mostrar una selección de botas que cumplan esos requisitos específicos, como el color rojo, la durabilidad y la resistencia al agua.

Estrategias de personalización para algoritmos de motores de recomendación

Ahora que ya conocemos los principales algoritmos de los motores de recomendación para disfrutar de una gran experiencia de compra, veamos cómo funciona la personalización dentro de ellos y junto a ellos.

Para dejar las cosas claras: Las mejores prácticas en personalización combinan múltiples algoritmos a lo largo de las etapas del recorrido de compra del comprador para crear una experiencia de compra personalizada.

Estas son las etapas exactas que las empresas deben tener en cuenta a la hora de implantar algoritmos de motores de recomendación:

Todo comienza con la concienciación, cuando el comprador conoce la marca o el producto. A medida que el comprador avanza en su recorrido, pasa por las etapas de exploración, consideración, evaluación y conversión. La última etapa, la de poscompra, implica que el comprador se relaciona con la marca después de la compra.

A continuación se ilustra el recorrido de compra de los minoristas no verticales específicos, incluidas las etapas, las tareas, las páginas y los algoritmos.

Para sacar el máximo partido de un motor de recomendación, los minoristas deben alinearlo en todas las etapas del proceso de compra y en todos los puntos de contacto del comercio electrónico. Esto incluye una integración fluida con la página de inicio, las páginas de detalles de productos, las páginas de categorías, la página de resultados de búsqueda y la página del carrito de la compra, entre otras.

Es algo a lo que prestamos mucha atención en Loadstone. Nuestro AI Recommender System se conecta automáticamente con los sistemas de los minoristas y las bases de datos de SKU para ofrecer productos relevantes y disponibles en cada etapa del proceso de compra. 

A continuación se presentan estrategias de personalización que permiten a los minoristas superar a la competencia con sus motores de recomendación y mantener una posición de liderazgo en el mercado.

Combinación de algoritmos alternativos, populares y de búsqueda

La combinación de algoritmos alternativos, populares y de búsqueda permite a las empresas crear una experiencia de compra única que resuena entre los compradores e impulsa el crecimiento del UPT y el AOV:

• El algoritmo Popular muestra las tendencias y los artículos más vendidos en páginas clave, como Inicio, Categoría y Resultados de búsqueda. Crea una sensación de urgencia y aumenta la probabilidad de conversión.
• El algoritmo alternativo sirve como catalizador de descubrimiento en las páginas de productos, animando a los compradores a explorar más productos.
• El algoritmo de búsqueda proporciona recomendaciones precisas en la página de resultados de búsqueda, garantizando que los compradores encuentren rápidamente los productos relevantes que coinciden con sus consultas de búsqueda.

Servir a los compradores de alto nivel con recomendaciones de productos relevantes

Esta estrategia crea una experiencia de compra personalizada que aumenta los ingresos. Se dirige a compradores de alto nivel con recomendaciones que se ajustan a sus preferencias, historial de navegación y comportamiento de compra.

Combinando los algoritmos de los motores de recomendación de Accesorios, Personal por categoría y Novedades de categorías, las empresas pueden ofrecer una experiencia que resuene entre los compradores e impulse los pedidos y los ingresos atribuidos: 

• El algoritmo Novedades por categorías mantiene a los compradores atentos a los últimos productos. Les facilita estar al tanto de las tendencias y descubrir nuevos productos favoritos en las páginas de inicio, categoría y subcategoría.
• El algoritmo Personal for category ofrece recomendaciones de productos personalizadas en las páginas de categorías y subcategorías, lo que permite a los compradores descubrir nuevos productos que coinciden con sus intereses.
• El algoritmo de accesorios actúa como un sugeridor de productos complementarios en las páginas de Producto y Carrito. Las empresas pueden configurarlo para que proponga complementos relevantes para mejorar la experiencia de compra y aumentar el AOV.

Sincronización de algoritmos personales, vistos y relacionados

Los algoritmos Personal, Visto y Relacionado combinados forman una auténtica máquina de ingresos:

• El algoritmo personal ofrece a los compradores recomendaciones de productos personalizadas en la página de inicio, el seguimiento de pedidos y las páginas de resultados de búsqueda, en línea con sus preferencias e intereses únicos.
• El algoritmo Viewed utiliza el historial de navegación de los clientes para sugerirles productos por los que ya han mostrado interés anteriormente en las páginas Producto y Detalles del producto. Esto reaviva su interés y les anima a realizar una compra. 
• Un algoritmo relacionado identifica los productos complementarios que más pueden gustar al comprador en las páginas Producto, Detalles del producto y Carrito, facilitándole el descubrimiento de nuevos productos y aumentando las posibilidades de venta.

Coste de implantación y funcionamiento de los sistemas de recomendación

Aunque los algoritmos de los motores de recomendación ofrecen ventajas innegables, como el aumento de los ingresos y el AOV, algunas empresas pueden dudar en adoptarlos. Las principales preocupaciones son la complejidad, el coste, la implantación y las operaciones en curso. 

Pero lo cierto es que, con las herramientas de comercio electrónico adecuadas y la orientación de expertos, implantar un motor de recomendación es un proceso sencillo. 

El sistema de recomendación Loadstone es una de esas herramientas. 

Incluye más de 35 algoritmos de aprendizaje automático que ayudan a las empresas a ofrecer recomendaciones personalizadas en todos los puntos de contacto en línea y fuera de línea: sitios web, aplicaciones y tiendas fuera de línea.

Además, tanto si busca alinearse con las nuevas tendencias del mercado como reforzar el impacto de su motor de recomendación, puede contar con el equipo de Loadstone. Nuestros expertos tienen décadas de experiencia ayudando a los minoristas en cada paso del camino, desde la implementación inicial hasta la optimización y mejora continuas.

Veamos las objeciones y el coste de crear un motor de recomendación en la propia empresa frente a adquirir una solución prefabricada.

El coste estimado de crear y probar un motor de recomendación básico interno es de unos 400.000 dólares anuales, sin contar los costes de infraestructura informática. Esto incluye el coste de contratación e incorporación de un equipo de desarrolladores, científicos de datos e ingenieros de DevOps, así como el coste de las pruebas A/B y el análisis de datos. La realización de cada prueba A/B requiere una importante asignación de tiempo y recursos. Requiere al menos 100 horas de conocimientos especializados y cuesta aproximadamente entre 5.000 y 10.000 dólares por prueba. El ajuste de cada algoritmo implica una serie de pruebas, lo que aumenta el coste y la complejidad globales.

En consecuencia, el coste total de desarrollar y optimizar un motor de recomendación en la propia empresa podría ser considerable, lo que lo convierte en un trabajo enorme para muchas empresas. 

Además de los costes financieros, la creación de un motor de recomendación interno también requiere un tiempo considerable. Concretamente, desarrollar un motor de recomendación puede llevar entre 5 y 7 años.

Un motor de recomendación como producto listo para usar es una opción más rentable y rápida. Y tiene aún más ventajas. Cuando se adquiere como parte de un ecosistema tecnológico más amplio, como Loadstone, el motor de recomendación incluye asistencia técnica y una gestión dedicada al éxito del cliente. Esto significa que los minoristas reciben orientación experta y estrategias probadas para sacar el máximo partido de sus soluciones.

Con la plataforma de comercio componible Loadstone, las empresas también pueden ampliar su pila tecnológica con otros productos Loadstone como AI Commerce Search y CRM y Comunicaciones.

Nuestro análisis coste-beneficio revela que optar por un motor de recomendación como producto listo puede suponer un ahorro de costes de 1.672.000 dólares en 5 años para una base de clientes de 1 millón de CDP. 

Esta considerable ventaja económica se deriva de la eliminación de los costes de desarrollo iniciales, la reducción de los gastos de personal y la minimización de las pruebas A/B. Al seleccionar esta opción, los minoristas pueden reasignar el ahorro a otras iniciativas estratégicas, obteniendo un mayor valor y retorno de la inversión (ROI) para sus organizaciones. Este enfoque garantiza que los minoristas puedan aprovechar los últimos avances en motores de recomendación, ML y tecnologías de IA.

Privacidad del cliente 

Otra preocupación común es el impacto potencial sobre la privacidad de los clientes. Y existe con razón: es vital garantizar que los datos de los clientes y de tu empresa estén siempre a salvo. 

Afortunadamente, los mejores motores de recomendación cumplen toda la legislación pertinente, lo que garantiza la protección y el uso responsable de los datos. 

En Loadstone, con más de una década de experiencia en motores de recomendación, conocemos a fondo la importancia de equilibrar personalización y privacidad. Nuestro AI Recommender System ofrece recomendaciones altamente personalizadas que mejoran la experiencia de compra, al tiempo que respetan los límites del comprador y se adhieren a los más altos estándares de protección de datos. El compromiso con la transparencia, la seguridad y el cumplimiento de los requisitos normativos, como el GDPR y el cumplimiento de la ley de privacidad de Estados Unidos, garantiza que los clientes puedan confiar en el tratamiento de sus datos. 

¿Cómo se mide el éxito del motor de recomendación?

Medir el impacto de un motor de recomendación es otro reto potencial que puede impedir a las empresas implantar esta tecnología. El seguimiento de todos los efectos de las recomendaciones sobre las ventas, el comportamiento de los clientes y el rendimiento general de la empresa puede resultar abrumador. También puede ser difícil determinar el impacto directo de un motor de recomendación, ya que puede haber otros factores en juego.

Sin embargo, al igual que ocurre con cualquier otro proceso empresarial, es necesario realizar un seguimiento del rendimiento, ya que permite a los minoristas comprender cómo influye el motor en sus resultados. Y hay tácticas probadas y métricas clave que las empresas pueden utilizar para evaluar la eficacia de sus algoritmos. 

Uno de los parámetros más reveladores para medir el valor comercial de un motor de recomendación es el aumento de los ingresos, que cuantifica la influencia de un motor en las ventas. En este caso, es importante distinguir entre las ventas incrementales generadas por el motor de recomendación y las que se habrían producido de forma orgánica, ya que los compradores podrían haber adquirido los productos recomendados independientemente de las sugerencias del motor de recomendación. Este problema de atribución puede ocultar el verdadero impacto del motor de recomendación. Por eso, los minoristas deben utilizar herramientas de análisis y pruebas para medir con precisión la eficacia de los algoritmos.

El sistema de recomendación Loadstone facilita el seguimiento del rendimiento. Sus herramientas de análisis integradas organizan los datos en una matriz usuario-elemento, mostrando indicadores clave como impresiones, clics y compras para cada producto recomendado. Esto ayuda a las empresas a ver lo bien que están funcionando sus recomendaciones.

Las métricas clave que los minoristas deben seguir para evaluar la eficacia de su motor de recomendación incluyen:

• Índices de clics (CTR) y de conversión (CR): El porcentaje de usuarios que hacen clic en un artículo recomendado, y el porcentaje de usuarios que completan una compra después de hacer clic en un artículo recomendado.
• Ingresos atribuidos: Los ingresos generados por los compradores que interactúan con las recomendaciones, según una política de atribución determinada. 
• Valor medio del pedido (VMP): El importe medio que gasta un comprador en una sola transacción.
• Engaged AOV Factor: La diferencia en el valor medio de los pedidos de los compradores que interactúan con las recomendaciones en comparación con los que no lo hacen, bajo una política de atribución determinada, después de haber sido influenciados por los algoritmos.
• Unidades por transacción (UPT): número medio de artículos que un comprador adquiere en una sola transacción.
• Engaged UPT Factor: La diferencia en unidades por transacción de los compradores que interactúan con las recomendaciones en comparación con los que no lo hacen, bajo una política de atribución determinada, después de haber sido influenciados por los algoritmos.
• Aumento de los ingresos: El aumento de los ingresos generados por el motor de recomendación en comparación con un grupo de control. 

Impulse el éxito con los algoritmos adecuados del motor de recomendación

Los motores de recomendación son potentes tecnologías para las empresas que buscan impulsar la participación, las tasas de conversión y las ventas. Aplicando las estrategias y combinaciones de algoritmos que hemos descrito, las empresas pueden alcanzar sus objetivos. Ya sea aumentando los pedidos y los ingresos atribuidos o incrementando el UPT y el AOV, los algoritmos de los motores de recomendación pueden ayudar a los minoristas a alcanzar el éxito.

El equipo de Loadstone tiene años de experiencia de primera mano con el impacto que tienen los algoritmos de motores de recomendación bien diseñados y bien implementados en los resultados de una empresa. Nuestros clientes, como Koröshi y Garmen, han experimentado un aumento del 110% en el valor medio de los pedidos y un incremento del 378% en los ingresos gracias al sistema de recomendación de Loadstone. Estos resultados no son fruto de la suerte, sino la prueba de lo que puede hacer la tecnología adecuada. Estamos aquí para asegurarnos de que los minoristas le sacan el máximo partido.

Programe una llamada con nuestro equipo hoy para ver lo que Loadstone puede hacer por usted.