Definición
La recomendación de productos es el sistema que sugiere artículos relevantes a cada usuario basándose en su comportamiento de navegación, historial de compras, similitudes con otros clientes o atributos del catálogo. En una tienda DTC, funciona como un vendedor silencioso que aparece en la ficha de producto, el carrito, el checkout o los emails post-compra para aumentar el ticket medio (AOV) y disparar el cross-selling.
No es un simple "también te puede interesar" estático: los motores modernos (Shopify Recommendations, Nosto, Rebuy, Clerk.io, Dynamic Yield) calculan la probabilidad de conversión de cada SKU para cada visitante en tiempo real.
Analogía
Piensa en una tienda física de cosmética natural en Madrid. Entras buscando una crema hidratante y la dependienta, después de escucharte, te dice: *"Si te llevas esta, el sérum de la misma línea te va a potenciar el resultado, y mira, tenemos el formato viaje que combina perfecto"*. Eso es recomendación de productos: contexto + afinidad + momento de compra. En digital, el motor hace ese trabajo a escala para miles de visitantes simultáneos, sin descanso y sin sesgo humano.
Fórmula
El cálculo básico de un motor de recomendación se apoya en el score de afinidad:
Score(u, i) = α · Similitud(u, i) + β · Popularidad(i) + γ · Margen(i) + δ · Stock(i)
Donde:
- u = usuario, i = ítem
- α, β, γ, δ = pesos configurables según el objetivo del negocio
- Similitud = cosine similarity, co-visitas o filtrado colaborativo
- Popularidad = ventas últimos 30 días normalizadas
- Margen = margen bruto unitario
- Stock = disponibilidad (evita recomendar roturas)
Ejemplo numérico real (tienda DTC de suplementos en España):
| Producto | Similitud | Popularidad | Margen | Stock | Score (α=0.5, β=0.2, γ=0.2, δ=0.1) |
|---|---|---|---|---|---|
| Proteína whey 1kg | 0.92 | 0.80 | 0.45 | 1.0 | 0.5·0.92 + 0.2·0.80 + 0.2·0.45 + 0.1·1.0 = **0.85** |
| Creatina monohidrato | 0.88 | 0.75 | 0.60 | 1.0 | 0.5·0.88 + 0.2·0.75 + 0.2·0.60 + 0.1·1.0 = **0.87** |
| Shaker edición limitada | 0.40 | 0.30 | 0.70 | 0.2 | 0.5·0.40 + 0.2·0.30 + 0.2·0.70 + 0.1·0.2 = **0.40** |
Resultado: se recomienda creatina por delante de la proteína, porque aunque la similitud es ligeramente menor, el margen y la popularidad compensan.
Tabla comparativa: tipos de motores
| Tipo | Cómo funciona | Mejor para | Limitación | Ejemplo DTC |
|---|---|---|---|---|
| **Filtrado colaborativo** | "Usuarios como tú compraron X" | Catálogos grandes con tráfico alto | Problema de *cold start* | Amazon, Zara |
| **Basado en contenido** | Similitud de atributos (color, categoría, talla) | Catálogos nicho o nuevos | No descubre gustos nuevos | Tiendas de cerámica artesanal |
| **Basado en reglas** | "Si compra X, ofrece Y" | Bundles y packs definidos | No personaliza | Packs de café + molinillo |
| **Híbrido + IA** | Combina señales en tiempo real | DTC con AOV alto y LTV | Requiere datos y mantenimiento | Glossier, Gymshark |
| **Upsell contextual** | Recomienda versión superior del mismo producto | Aumentar ticket en PDP | Puede percibirse agresivo | Apple, Tesla |
Aplicación en escenarios DTC
1. Ficha de producto (PDP): bloque "Completa tu rutina" con 3-4 ítems complementarios. En tiendas de skincare, esto sube el AOV entre un 18% y un 32% según datos de Nosto 2024.
2. Carrito y checkout: recomendación de add-ons de bajo precio (<15 €) para superar el umbral de envío gratis. Ejemplo: tienda de tés en Barcelona que ofrece un *infusor de silicona* de 9,90 € cuando el cliente está a 6 € del envío gratuito. Tasa de aceptación: ~24%.
3. Email post-compra: "Los clientes que compraron tu [producto] también se llevaron…". Ventana óptima: 48-72 h después de la entrega. CTR medio del 6-9% en DTC español.
4. Home page personalizada: para usuarios recurrentes, mostrar recomendaciones basadas en su última compra en lugar de *bestsellers* genéricos. Incremento de conversión medido: +11% (caso Rebuy, 2023).
5. Recuperación de carrito abandonado: incluir 1-2 recomendaciones relevantes en el email de recuperación reduce la fricción y sube la recuperación entre 3 y 7 puntos porcentuales.
Errores comunes
- Recomendar productos sin stock: mata la confianza y dispara el bounce. Filtra siempre por Stock(i) > 0.
- Ignorar el margen: recomendar el producto más barato destruye la rentabilidad. Introduce γ · Margen(i) en el score.
- Sobre-recomendar: más de 6 sugerencias en PDP saturan. Ideal: 3-4.
- No excluir lo ya comprado: si el cliente acaba de comprar una cafetera, no le ofrezcas otra cafetera. Excluye SKUs del historial reciente (últimos 90 días).
- Recomendaciones estáticas para todos: destruye la relevancia. Si no tienes IA, al menos segmenta por categoría visitada.
- Olvidar el móvil: en España, ~68% del tráfico DTC es mobile. El bloque de recomendaciones debe ser swipeable y cargar en <1s.
- No medir el impacto real: sin test A/B, no sabes si el motor aporta o canibaliza. Mide siempre AOV, CR y margen por sesión.
Términos relacionados
- Cross-selling: vender productos complementarios (ej: funda + móvil).
- Upselling: vender versión superior del mismo producto.
- AOV (Average Order Value): ticket medio por pedido.
- LTV (Lifetime Value): valor total del cliente en el tiempo.
- Filtrado colaborativo: técnica de recomendación basada en comportamiento de usuarios similares.
- Cold start: problema cuando no hay datos suficientes de un usuario o producto nuevo.
- PDP (Product Detail Page): ficha de producto.
- Bundle: pack de productos vendidos juntos con descuento.