Recomendación de productos con IA para e-commerce

Un sistema de recomendación de productos basado en inteligencia artificial ayuda a sorprender a los clientes con sugerencias de compra personalizadas, basadas en su comportamiento de compra en internet.

Hoy compramos por internet, pero las tiendas virtuales no tienen vendedores de carne y hueso ayudando a los clientes. Por lo tanto, los gerentes de e-commerce necesitan llenar este vacío de alguna manera, y ahí es donde entra la recomendación de productos a través de inteligencia artificial.

¿Qué es una recomendación de producto?

Una recomendación de producto es básicamente un filtro aplicado a su base de productos. Así de simple. El objetivo de este filtro es mostrar los productos que cumplen ciertos criterios:

• Necesidad: Productos que mejor satisfacen las necesidades del cliente. Es casi una garantía de compra.
• Probabilidad: El cliente tiene una gran posibilidad de comprar estos productos. Lo que el cliente necesita no es necesariamente lo que él desea, y el deseo es un poderoso impulsor de ventas.
• Facturación: Productos que maximizarán sus ingresos. Generalmente son productos más caros que la media y pueden satisfacer necesidades que su cliente tiene, pero posiblemente no sepa que tiene.
• Descubrimiento: A veces, las recomendaciones pueden hacer que los clientes descubran productos que satisfacen sus necesidades, pero que no sabían que existían.
• Extensión: Productos que extienden o complementan el uso de otros productos que el cliente ya posee.

Probablemente ya haya asociado estas recomendaciones a algunas técnicas consagradas de ventas como el cross-selling y up-selling. En general, todo esto está pensado para ayudar a los clientes de todas las formas posibles. Como siempre, la Inteligencia Artificial es una poderosa aliada aquí. 

El e-commerce es un excelente campo para el desarrollo de la Inteligencia Artificial, ya que está ampliamente basado en datos, cuenta con un gran volumen de inputs y posee métodos eficientes de verificación. 

Al planear su estrategia de Marketing, generalmente incentivará a su público a tomar una acción específica. Idealmente, este call to action será algo, al mismo tiempo, fácil de entender (desde el punto de vista del usuario) y de analizar (desde el punto de vista del gerente del sitio). Cada paso dado por el usuario hasta llegar al “gran finale” de la compra puede ser monitoreado. Así, es fácil determinar estadísticamente las relaciones entre causas y efectos – la base del desarrollo de algoritmos de IA.

¿Dónde hacer las recomendaciones de producto?

Generalmente, las recomendaciones de marketing on-site están en banners o pop-ups. Con “recomendaciones de ventas” me refiero a todas las actividades de Marketing, incluyendo banners, cupones, y otra información disponible en el sitio. Podemos dividirlas en cinco grupos:

No basadas en Inteligencia Artificial:

• No personalizadas y Estáticas – Banners promocionales, información sobre campañas y lanzamientos.

• No personalizadas y en tiempo real – Recomendaciones de los productos más vendidos en determinada categoría.

Basadas en Inteligencia Artificial:

• No personalizadas y en tiempo real – Recomendaciones para complementar el producto específico que se está visualizando en ese momento.

• Personalizadas y Estáticas – Recomendaciones de productos basadas en el historial de adiciones al carrito y/o compras.
• Personalizadas y En tiempo real – Recomendaciones basadas en todas las actividades, incluyendo visualización de producto, adición al carrito y compras.

Como puede ver, hay varias tácticas posibles.

Además de los banners estáticos y dinámicos, el e-commerce permite el uso de otra herramienta con la que estamos tan acostumbrados que apenas la vemos como una oportunidad para explorar recomendaciones: la buena y vieja barra de búsquedas.

Las barras de búsqueda son verdaderas cornucopias de comportamiento de los clientes, registrando valiosa información explícita y proporcionada voluntariamente. Al buscar, los clientes están diciendo exactamente lo que quieren, y usted solo necesita mostrar los productos que cumplirán sus expectativas. Pero no olvide, usted define cuáles serán estos productos.

Además, los motores de búsqueda tienen otro superpoder secreto.

Búsquedas por Lenguaje Natural

Hasta ahora, los clientes se han acostumbrado a usar los motores de búsqueda de manera bastante simplificada, solo proporcionando algunas palabras clave para buscar los productos deseados. Sin embargo, ¿y si el cliente pudiera escribir lo que desea de forma natural? Por ejemplo, “necesito un vestido bonito para ir a una boda como invitada”.

Como mencioné anteriormente, los datos explícitos son una importante fuente de información. Por un lado, las personas a veces mienten (o, al menos, no son completamente sinceras). Por otro, si el cliente siente que necesita proporcionar cierta información para obtener lo que quiere, no tendrá nada que ganar siendo disimulado. Los términos de búsqueda son exactamente este tipo de información.

¿Por qué? ¿Qué diferencia hace que la búsqueda se realice en lenguaje natural en lugar de palabras clave desconectadas? Porque cuando sentimos que estamos hablando con una persona real en lugar de una herramienta, tenemos una predisposición a hablar más, incluso si eso es inconsciente.

• Un asistente en una tienda física tiende a recibir más información sobre las preferencias de los clientes.
• En el e-commerce, la función del asistente es cumplida principalmente por la barra de búsquedas. Los clientes proporcionan información, pero desafortunadamente esto suele hacerse con palabras clave desconectadas.

Queremos que los motores de búsqueda sean lo mejores posible para poder procesar estos datos proporcionados voluntariamente (por lo tanto, respetando las leyes de privacidad en línea) y proporcionar resultados personalizados. Los clientes quieren poder hacer preguntas usando lenguaje natural, solo necesitan tener esta posibilidad. Necesitan saber que pueden simplemente describir sus necesidades, y el motor de búsqueda les ayudará, de la misma manera que lo haría un asistente de carne y hueso.

Y una vez que usted sabe lo que su cliente quiere, ¿qué puede hacer? ¡Usar esta información para sugerir productos entre los resultados presentados, de la manera que prefiera!

Es interesante notar que, en los inicios de los motores de búsqueda, funcionaban exactamente de esta forma. Lo que ha sucedido desde entonces es que los clientes se han ido adaptando a ciertas “convenciones” de búsqueda, reduciendo sus búsquedas a palabras clave que no forman frases coherentes. Es más simple, pero no significa que funcione mejor.

Por último, pero no menos importante, tenemos la comunicación directa por chat, mensajes de voz o llamadas. Estos canales son básicamente la extensión de la búsqueda por lenguaje natural. 

Un asistente de ventas virtual es la herramienta suprema de recomendaciones para e-commerce. Es literalmente una entidad artificial que ayuda a los clientes a realizar compras en línea. Desarrollar una herramienta como esta es un gran desafío, pero tenemos algunas ideas de cómo hacerlo – ¡y estamos trabajando duro en ello!

Ahora que ya sabe cuáles son los tipos de herramientas disponibles para recomendación de productos, veamos cómo funcionan con la ayuda de la IA.

¿Cómo funciona el sistema de recomendación?

Existen dos estrategias principales para recomendación de productos: Filtración Colaborativa (Collaborative Filtering) y Análisis de Cesta de Compras (Market Basket Analysis). Vale destacar que estas estrategias son bastante simples, y es precisamente por eso que las elegimos para ofrecer un sistema de recomendaciones de productos, basado en Inteligencia Artificial a tiendas virtuales de cualquier tamaño.

Filtración Colaborativa

La Filtración Colaborativa es un método bastante utilizado para determinar la mejor recomendación de producto basada en el comportamiento del cliente. Este método considera los productos visualizados recientemente, productos añadidos al carrito, y los productos que han sido efectivamente adquiridos por los clientes. Esta última acción debe ser tratada de manera diferente, lo que entenderá mejor más adelante.

Técnicamente, la estrategia de Filtración Colaborativa implica nada más que predecir la probabilidad de compra de un producto en un contexto determinado, y luego presentar la recomendación con la mayor probabilidad.

Hay grandes posibilidades de que este método de recomendación presente productos más caros, haciendo que funcione un poco como up-selling. Aun así, esto no es una regla, y es por eso que vale la pena entender cómo la Filtración Colaborativa determina qué productos presentar a cada tipo de cliente.

Funciones: Probabilidad, Descubrimiento, Expansión.

Análisis de Cesta de Compras

También denominada por el término más amplio de Análisis de Afinidad, esta estrategia de recomendación de productos es aún más simple que la Filtración Colaborativa. El Análisis de Cesta de Compras implica la creación de reglas de asociación entre los productos: si los clientes suelen incluir el producto A y el producto B en el mismo carrito, hay buenas probabilidades de que un cliente que está comprando el producto A también se interese por el producto B.

Es posible medir la afinidad entre productos. Para ello, usamos tres parámetros: Soporte, Confianza y Lift.

• Soporte: Proporción de transacciones que sustentan la regla en comparación a todas las demás (número de cestas de compras que contienen los productos A y B, dividido por el número total de cestas de compras). Este parámetro indica la popularidad de un determinado conjunto de productos.
• Confianza: Proporción de transacciones que sustentan la regla en comparación a todas las que cumplen los requisitos (número de cestas de compras que contienen los productos A y B, dividido por el número total de cestas que contienen el producto A). Este parámetro indica la probabilidad de que los artículos en cuestión sean comprados juntos.
• Lift: La frecuencia con que esta coincidencia ocurre, en relación a la probabilidad esperada. Por ejemplo, si el producto A aparece en el 40% de las compras y el producto B aparece en el 25% de las compras, la probabilidad calculada de que ambos sean comprados juntos sería de 0,4 x 0,25 = 0,1 = 10%. Sin embargo, si este conjunto aparece en el 20% de las compras, la frecuencia con que ocurre será dos veces mayor que la esperada, por lo tanto el Lift = 2.

Este último parámetro es el más interesante, ya que genera más insights sobre la relación de las recomendaciones generadas por Inteligencia Artificial en relación a las técnicas de ventas tradicionales.

Los valores de Lift generalmente rondan el 1. Si el Lift es mayor que 1, significa que ese conjunto de productos aparece con más frecuencia que los artículos combinados aleatoriamente. De alguna manera, esos productos se complementan.

Recomendar artículos con Lift > 1 es aplicar la técnica de cross-selling. Por otro lado, si el Lift es menor que 1, significa que ese conjunto aparece con menos frecuencia que productos elegidos aleatoriamente. En lugar de complementarse, un producto del conjunto sirve como alternativa al otro.

Al recomendar artículos con Lift < 1 y aplicar un filtro de precios (precio de B > precio de A), podemos pensar en esto como una aplicación de up-selling.