Un retailer de insumos industriales en Guadalajara instaló el widget de “también te puede interesar” de su plataforma de e-commerce, lo activó con la configuración por defecto y esperó resultados. Seis meses después, el widget tenía 4% de CTR y conversión de 0.8%. El problema no era la función — era que recomendaba productos basándose en popularidad global, no en el comportamiento de cada comprador.
Las recomendaciones que convierten no son las más visibles ni las más sofisticadas. Son las que conectan el historial real de ese comprador con el momento exacto en que está navegando. Eso requiere datos limpios, lógica de negocio clara y, en algunos casos, un modelo que aprenda con el tiempo.
Por qué la mayoría de los motores genéricos no rinden
Los motores out-of-the-box de plataformas como Shopify, VTEX o WooCommerce usan popularidad agregada o similitud de categoría como señal principal. Eso funciona para B2C con millones de sesiones, donde los patrones globales son señal suficiente. En B2B con compradores recurrentes y catálogos especializados, la señal útil está en el historial individual, no en el agregado.
El error más frecuente que vemos en proyectos de retail es activar la función de recomendaciones sin revisar qué datos la alimentan. Si el sistema no tiene acceso al historial de pedidos previos — solo a la sesión actual — va a recomendar lo mismo a todos. Y “lo mismo a todos” en un catálogo de 2,000 SKUs industriales es ruido, no recomendación.
El primer paso no es elegir el algoritmo. Es auditar qué datos tienes disponibles y en qué formato.
Cuándo usar reglas de negocio vs. modelos de ML
No todo retailer necesita machine learning para hacer recomendaciones útiles. La decisión depende del volumen de transacciones y la variabilidad del catálogo.
Reglas de negocio funcionan bien cuando:
- Tienes menos de 500 SKUs activos
- Tus compradores tienen patrones muy predecibles (recompra mensual de los mismos insumos)
- El catálogo cambia poco trimestre a trimestre
En esos casos, una tabla de “productos frecuentemente comprados juntos” calculada con una consulta SQL semanal rinde igual o mejor que un modelo de ML, con cero complejidad operativa.
ML vale la pena cuando:
- Tienes más de 1,000 transacciones mensuales con variedad de compradores
- El catálogo tiene alta rotación o estacionalidad marcada
- Quieres personalización a nivel de segmento o comprador individual
El criterio que usamos en Eurema para decidir si vale la pena implementar ML en recomendaciones es simple: si no tienes suficientes datos para que el modelo aprenda algo distinto a la popularidad global, las reglas de negocio van a darte mejor ROI por más tiempo.
Dónde poner las recomendaciones importa más que el algoritmo
Un modelo bien entrenado en el lugar equivocado del funnel convierte mal. La ubicación determina la intención del comprador y, por tanto, qué tipo de recomendación es relevante.
| Ubicación | Intención del comprador | Tipo de recomendación que convierte |
|---|---|---|
| Homepage | Exploración, sin intención clara | Categorías relevantes por segmento |
| Página de producto | Evaluación activa | Alternativas y complementos directos |
| Carrito | Intención de compra confirmada | Productos complementarios al pedido actual |
| Post-compra / email | Recompra futura | Reposición basada en historial |
La página de producto y el carrito son donde el dinero está. En carrito especialmente: una recomendación de producto complementario bien colocada puede aumentar el ticket promedio entre 15% y 25% sin tocar el tráfico. Eso es más impacto que optimizar la tasa de conversión general.
Lo que estamos viendo en Eurema con clientes de retail industrial es que el email post-compra con recomendación de reposición —enviado 20–25 días después del pedido promedio— tiene tasas de apertura de 35–45% y conversión de 8–12%, muy por encima del email de newsletter estándar.
Cómo medir si tus recomendaciones están funcionando
El error de medición más común es mirar el CTR del widget y asumir que es suficiente. CTR mide visibilidad, no valor. Las métricas que importan:
- Conversion rate de clics en recomendación a compra: apunta a 6%+ si el modelo está bien calibrado
- Incremento en ticket promedio de sesiones con recomendación vs. sin: la diferencia te dice si estás añadiendo valor o solo ruido visual
- Revenue atribuido a recomendaciones como % del revenue total: en retailers B2B bien configurados, esto ronda 15–25% del ingreso digital
Para medir correctamente necesitas un A/B test limpio: un grupo que ve recomendaciones y uno que no. Sin eso, cualquier número que reportes tiene sesgo de selección — los compradores que hacen clic en recomendaciones ya tenían mayor intención de compra.
Si tu plataforma no tiene A/B testing nativo, puedes hacer una separación manual por segmento de cliente o por región durante 30–60 días. No es perfecto, pero es suficiente para tomar una decisión de inversión.
El stack mínimo para empezar sin sobreinvertir
Para un retailer B2B con 300–2,000 SKUs y tráfico mensual de 5,000–50,000 sesiones, el stack inicial no necesita ser complejo:
- Fuente de datos: historial de pedidos en tu ERP o CRM, exportado a un data warehouse básico (BigQuery o Redshift funcionan bien a este escala)
- Modelo inicial: filtrado colaborativo basado en ítems — bien documentado, interpretable, fácil de depurar
- Capa de reglas de negocio encima: para excluir productos sin stock, respetar márgenes mínimos, o priorizar categorías estratégicas
- Integración al frontend: via API REST que tu plataforma de e-commerce consume en tiempo real o con caché de 24 horas
El análisis de datos es el paso que más se salta — las empresas quieren ir directo al widget sin revisar si los datos de entrada son usables. Un historial de pedidos con SKUs mal normalizados o sin timestamps confiables va a producir un modelo que recomienda basura, sin importar qué algoritmo uses.
Qué hacer con los compradores nuevos sin historial
El problema del “cold start” — qué mostrar a alguien que llega por primera vez — no tiene solución perfecta, pero sí tiene respuestas prácticas:
- Segmenta por industria o tipo de empresa desde el registro: si sabes que es una constructora, puedes mostrar el top de esa categoría desde el primer clic
- Usa comportamiento de sesión en tiempo real: los productos que navegó en los últimos 10 minutos son señal suficiente para recomendaciones de complementos
- No sobrepienses el cold start: para B2B, la mayoría de los compradores nuevos llegan referidos o con una necesidad específica. Una búsqueda interna bien configurada suele resolver mejor que una recomendación genérica
Si tu e-commerce tiene una página construida con AI SEO que ya está atrayendo tráfico calificado, el cold start es menos problema — los visitantes llegan con intención específica, no a explorar.
El siguiente paso concreto es auditar los datos que hoy alimentan tus recomendaciones: qué señales usa el sistema, qué período de historial considera, y si tiene acceso al historial de pedidos o solo a la sesión actual. Ese diagnóstico de 30 minutos suele revelar por qué el widget no está convirtiendo — y qué cambio tiene más palanca antes de invertir en tecnología nueva.