No es casualidad que Netflix acierte con tus películas y series favoritas o que Amazon te recomiende productos que justo encajen con lo que estabas buscando. El mecanismo que está detrás de este sistema de inteligencia se llama motor de recomendación. 

Pero, ¿de qué trata esta tecnología? Un motor de recomendación es lo que técnicamente se le conoce como filtrado colaborativo. Este tipo de filtrado utiliza diferentes algoritmos para encontrar coincidencias entre tus búsquedas anteriores y otros productos o servicios disponibles en la web. 

Este análisis de búsqueda permite a los eCommerce sugerir artículos de similar interés para los consumidores hasta que éstos encuentran lo que realmente se ajusta a sus necesidades. Con esta técnica se consigue generar un perfecto match entre eCommerce-cliente.

Como partner especialista en Machine Learning de Google Cloud, acompañamos a una empresa eCommerce de salud en su apuesta por su transformación digital. Desde esta empresa, necesitaban ir un paso más allá y contaron con nuestro equipo para aplicar tecnologías de aprendizaje automático en su sitio web. 

Cómo aplicar Machine Learning en eCommerce

Para empezar, iniciamos marcando una estrategia de análisis de información sobre el comportamiento de los usuarios en la web. Este primer paso es clave para que la aplicación de esta tecnología se aplique con lógica y dé así buenos resultados. 

El siguiente paso fue la aplicación de un sistema de recogida de datos, con el objetivo de establecer una puntuación de interés para cada uno de sus productos. Una vez que recabamos toda esta información, conseguimos saber cuáles eran los ítems que habían llamado la atención de los usuarios.

Y ahora, ¿cómo utilizamos este análisis en la práctica? Básicamente aplicando técnicas de clustering de Machine Learning -agrupación de productos en base a unos criterios de forma automática- sobre los productos BPC (Buena Práctica Clínica) para, posteriormente, implementar en la web un sistema de recomendación basado en filtros colaborativos.

En resumen, lo que conseguimos aplicando este mecanismo es sugerir a los consumidores artículos similares a los que ya les haya sido de interés con anterioridad. Con esto, logramos recomendar aquellos productos que tienen más probabilidades de ser relevantes para el usuario.

Motor de recomendación para mejorar la conversión

La implementación del motor de recomendación en la web de nuestro cliente se llevó a cabo tanto en la home como en las páginas de productos. Los KPIs mejoraron notablemente: la tasa de clics proporcionada por el motor superaba en un 25% a las que conseguían los widgets de recomendación instalados previamente en la web.

Por otro lado, la profundidad de navegación aumentó en un 12%. Es decir, se incrementó el número de clics entre páginas, mejorando así la relación del eCommerce con los intereses del usuario. 

De igual forma, se registró una disminución de un 10% en la tasa de rebote en las landing pages de productos. Así, tras la implementación del motor de recomendación se comprobó que aumentaba el tiempo de navegación: eran los usuarios los que ahora decidían quedarse. Y, por último pero no menos importante, la tasa de conversión global del sitio web mejoró en un 0,5%. 

En definitiva, como demuestran estos resultados, conseguimos mejorar la experiencia del cliente y alcanzar el objetivo de incrementar el número de conversiones.

Ventajas de los motores de recomendación en eCommerce

El principal potencial de los sistemas de recomendación es que elimina los pain points de ambas partes de la cadena. Por un lado, los eCommerce consiguen acercarse más a las necesidades de los usuarios a la vez que éstos acaban encontrando en un menor tiempo aquello que tienen en mente. 

Esta es su principal ventaja, pero aplicar motores de recomendación en eCommerce ofrece otros dos grandes beneficios relacionados con la venta.

Reducción de la tasa de rebote

Son muchos los eCommerce que cuentan con una cartera de cientos y miles de productos. A priori, esto debe beneficiar al consumidor ya que tendrá más opciones entre las que elegir. 

Sin embargo, un gran volumen de ítems puede ser en ocasiones un impedimento para que el usuario encuentre lo que realmente desea. Dicho de otro modo, podría llegar a convertirse en  un obstáculo para la compra. 

El Machine Learning y los motores de recomendación son la pieza clave para sugerir al consumidor productos basados en sus compras y búsquedas anteriores. Con esto:

• Disminuye el tiempo de búsqueda invertido por el usuario
• Se minimiza en lo posible la frustración ante una búsqueda fallida
• Se muestra una selección de productos realmente útil para el cliente

Con esta mejora sustancial en la experiencia de usuario se sientan las bases de la fidelización del cliente y su futura prescripción. 

Upselling de productos

Los motores de recomendación cumplen una función similar a la del personal que te asesora en tienda. En función de tus gustos, tus compras anteriores y el contenido de tu carrito, te aconseja otros artículos que puedes necesitar.

Este servicio de asesoramiento en tienda es una de las funciones con las que, hasta la fecha, no contaban los eCommerce. Ahora, esta técnica de Machine Learning añade a los negocios online ese toque de personalización y orientación a la venta.

Estos sistemas de recomendación facilitan el upselling a través de diferentes acciones en la web -sugiriendo productos que complementan al artículo que tienes en la cesta o jugando con un ahorro de precio al sumar ese producto extra a tu compra final-.

Los motores de recomendación son una buena opción para introducir el Machine Learning en un comercio online. A partir de ahí se pueden implementar otras soluciones de Inteligencia Artificial como o un asistente virtual.