Sistema de Recomendación de Productos Basado en Perfiles Similares
El Director de E-Commerce quiere incrementar el ticket medio recomendando artículos relevantes a compradores basándose en los gustos de usuarios con comportamientos idénticos.
De dónde sale el dinero
Qué hacer ahora
- 1Calcular el margen de contribución por producto (precio - coste - envío - devoluciones).
- 2Lanzar el recomendador con A/B test en ficha de producto y carrito.
- 3Medir margen por sesión, no solo ticket medio.
Para llevar al comité
Una página con la decisión, el impacto, los riesgos, los pasos y el KPI de seguimiento.
Se abre la ventana de impresión: elige "Guardar como PDF".
Ojo: más volumen no siempre es más beneficio
Recomendar lo que más se vende puede empujar productos de margen mínimo, voluminosos o con muchas devoluciones: sube el ticket y baja el beneficio. Ordena las recomendaciones por margen de contribución neto de logística y devoluciones.
KPI para el comité
Margen de contribución por sesión.
Detalle para tu equipo de datos
Técnica propuesta: K-Nearest Neighbours (KNN)
Por qué: KNN clasifica y recomienda por pura similitud directa ('dime qué compran tus vecinos más cercanos'). Es sumamente intuitivo para equipos de producto y marketing.
Coste de equivocarse: Recomendar una prenda poco afín reduce ligeramente el clic, con un impacto financiero bajo.
Datos necesarios: Analítica Web: Historial de páginas vistas, tiempo en producto y categorías exploradas.; Transacciones: Cesta de la compra histórica, tallas, marcas favoritas y rango de precios.; Datos Demográficos: Ubicación geográfica y estacionalidad de compra.