Las recomendaciones efectivas generan ventas.

Desafortunadamente, muchas tiendas de eCommerce ofrecen recomendaciones básicas con productos de la misma categoría o de los más vendidos de su sitio y nunca más se preocupan de ello.

Sin embargo, podemos hacerlo mejor.

Hoy en día, los motores de recomendación de productos son capaces de conocer a un cliente en tiempo real. Las tiendas que utilizan recomendaciones de productos tienen la oportunidad de personalizar todas y cada una de sus páginas, presentando ofertas que llamen la atención al cliente desde la página de inicio hasta la de pago.

En este artículo os contamos cómo funcionan los motores de recomendación de productos; así como las mejores prácticas de comercialización y los resultados que pueden obtenerse a través de la mejora de las recomendaciones de productos en vuestra tienda o negocio online.

A continuación se presentan algunas de nuestras tácticas favoritas para impulsar las conversiones y multiplicar los ingresos.

Otro ejemplo es Fashion Nova.

Aquí, ellos crean paquetes dinámicos basados en el producto que se están visitando, presentándolos en un simple widget de recomendación.

Cuando un cliente añade un artículo a un carrito, es una señal muy fuerte de la afinidad con el producto.

Puedes aprovechar este momento de varias maneras. Una táctica es presentar un pop-up con la opción de terminar la compra o seguir comprando.

En este pop-up, también puedes ofrecer productos complementarios. Target hace esto de manera excelente con su secuencia de acción de "añadir al carrito". Aquí se presentan los artículos que frecuentemente se compran juntos.

Arriba, Target presenta un pop-up personalizado basado en el artículo que añadí al carrito. En este caso, el traje de Halloween de una chica. 

Las tendencias de compra ofrecen una excelente oportunidad para presentar ofertas más relevantes incluso sin saber nada del visitante.

Amazon nos ofrece un gran ejemplo.

Al momento de escribir este artículo, estábamos a dos semanas del Día de la Madre. Haciendo una simulación de un visitante por primera vez, Amazon ofrece numerosas ofertas para el Día de la Madre.

Por encima del pliegue muestran un acceso a su "Tienda de Regalos del Día de la Madre", con una llamada a la acción separada, situada en la esquina superior derecha para "Comprar joyas para el Día de la Madre".

Al desplazarse hacia abajo, el siguiente widget de recomendaciones destaca una serie de categorías de mayor venta en la tienda de regalos del Día de la Madre.

Aunque Amazon no sabe para qué viene este visitante por primera vez a su sitio, reconoce que hay una alta probabilidad de que quiera comprar un regalo para el Día de la Madre.

La personalización es la táctica más efectiva de esta lista.

Lo primero que hay que pensar es que nuestros clientes son muy diferentes

A muchos les interesa el precio; otros, sin embargo, se preocupan por la marca. Tendremos usuarios que visiten la web por primera vez y otros que regresarán. Comprender que cada uno de nuestros clientes son únicos es el primer paso para poder realizar recomendaciones efectivas de productos. 

A continuación, os mostramos y ponemos como ejemplo la experiencia de una tienda que implementó la personalización en las recomendaciones de productos.

Como se puede observar, la personalización a menudo duplica la eficacia de las recomendaciones.

Nordstrom presenta otra táctica avanzada de recomendación de productos.

En lugar de utilizar un widget de recomendación "Trending Products" o productos más comprados que es bastante más genérico, utilizan un "Trending Near You" (Las tendencias cercanas a ti)

Esto aprovecha las diferencias geográficas, como las estacionales y de estilo. Una vez más, el objetivo es crear ofertas relevantes sin tener acceso a comportamientos anteriores.

La incorporación de datos demográficos ayuda a eliminar las ofertas no relevantes. Por ejemplo, es dudoso que sus clientes de San Diego compren abrigos de invierno, incluso en diciembre.

La conversión en parte dependen de la confianza.

Aunque el concepto de prueba social no es nuevo ni "avanzado", nos sorprende que pocas empresas utilicen elementos de prueba social en sus productos recomendados.

Amazon integra elementos de prueba social a través de sus widgets de recomendación.

El propósito de las recomendaciones de productos es doble: en primer lugar, mejorar la experiencia de quien compra y, en segundo lugar, aumentar los ingresos.

Para ello, los sistemas de recomendación de productos presentan las ofertas que los usuarios probablemente estén buscando.

Los motores examinan las decenas, cientos o miles de artículos que tiene una tienda y deciden cuál es el que mejor se adapta a este usuario en particular.

En términos generales, hay tres técnicas generales que los motores utilizan para filtrar a través de los SKUs.

Crédito de la imagen

El filtrado colaborativo utiliza las acciones de otros usuarios para predecir lo que le gustará a otro usuario.

Por ejemplo, si un usuario se vistiera, pero finalmente comprara un bolso, el software comenzaría a establecer una correlación entre estas dos categorías. A medida que más y más usuarios confirmasen esta asociación, comenzaría a influir en los productos que se recomiendan.

El filtrado basado en el contenido se centra en un cliente específico. El software de recomendación de productos realiza un seguimiento de las acciones de los usuarios, como las páginas más visitadas, los productos en los que ha hecho clic, el tiempo invertido en varias categorías y los artículos añadidos a la cesta.

A partir de esta información, se crea un perfil de cliente. Este perfil se compara con el catálogo de productos para identificar qué artículos mostrar.

Crédito de la imagen

El mejor software de recomendación combina ambas técnicas para ofrecer la predicción más precisa. Así es como funciona Barilliance.

Al combinar ambas técnicas, los motores de recomendación de productos son capaces de aplicar la "sabiduría de la multitud" a los clientes potenciales antes de recopilar muchos datos. A medida que se aprende más información sobre ese usuario en particular, las recomendaciones se vuelven más y más personalizadas en función de su sesión y su historial de compra.

En los ecommerce con tiendas físicas, las tiendas se ven obligadas a elegir una única estrategia de comercialización.

Sin embargo, las tiendas de comercio electrónico no tienen esta limitación.

Los minoristas pueden utilizar la tecnología de personalización para crear estrategias de comercialización específicas para cualquier segmento de clientes. Una de las principales herramientas que podemos utilizar para lograr esto son las recomendaciones de productos.

Los comerciantes por tanto pueden definir qué reglas existen y cuándo se activan.

Una vez más, utilizando Barilliance como ejemplo, se puede determinar los segmentos de clientes que son importantes para nuestro negocio. A continuación, puedes utilizar selectivamente reglas de comercialización en estos segmentos. 

Como puede ver, los minoristas tienen la capacidad de definir exactamente para qué público quieren mostrar determinados widgets de recomendación de productos.

Una de las formas más rentables de segmentar tu audiencia es a través de un sólido análisis de RFM. Hay seis segmentos clave para los que puedes (y debes) crear reglas de comercialización, incluyendo:

Al combinar las reglas de comercialización y las recomendaciones de productos, puede crear ofertas muy específicas.

Puede promocionar los artículos más vendidos a los nuevos visitantes del sitio, los artículos vistos recientemente a los visitantes que regresan y los productos relacionados basados en compras anteriores a los clientes que vuelven a la web. 

Realizamos un estudio en profundidad de los clientes de Barilliance que implementaron nuestra solución de recomendación de productos.

Los resultados fueron increíbles.

Mejorar las recomendaciones de sus productos es el "fruto milagroso" de la personalización del comercio electrónico.

Hacemos demostraciones gratuitas de nuestra solución de recomendación de productos. Si desea descubrir si podemos mejorar sus recomendaciones actuales con un enfoque híbrido de aprendizaje automático, haga clic aquí.