Ejemplos de recomendación de productos: qué hacen y cuándo usarlos

Imagina que un cliente está mirando un sofá. Debajo del producto, hay un widget “También te puede gustar” que muestra cojines, velas y un par de jeans aleatorio.

Nada de eso es útil. Es solo relleno aleatorio con una etiqueta de recomendador.

Añadir widgets en todo tu sitio no es suficiente. Tienes que hacer coincidir la lógica de cada modelo con el momento en el viaje del cliente. La recomendación correcta en el momento correcto se siente como un buen servicio y te hace ganar dinero.

Este artículo te guía a través de los principales tipos de recomendador, qué están haciendo realmente y cuándo funcionan.

Recomendaciones basadas en productos: “Porque estás mirando este producto…”

Cuando un cliente llega a una página de detalles de producto, ya está en modo de decisión. Se pregunta, “¿Es este el indicado, o hay algo mejor?”

Los recomendadores basados en productos responden esa pregunta. Toman el producto actual como punto de partida y muestran alternativas, mejoras o artículos complementarios según lo que el cliente necesita.

Productos similares (lógica de aumento de venta)

Los aumentos de venta son alternativas a lo que el cliente está viendo actualmente, con preferencia por opciones con un precio ligeramente superior. Si alguien está buscando unos auriculares, mostrarles un modelo con mejor cancelación de ruido a un precio ligeramente superior a menudo se vende por sí solo.

Productos visualmente similares (descubrimiento a través de la apariencia)

Algunas categorías viven y mueren por cómo se ven las cosas. Moda, muebles, decoración del hogar, joyas. Un cliente que navega por una camisa de lino verde no está buscando por especificaciones. Quiere ver qué más se parece a ella.

Los recomendadores visuales utilizan similitud de imágenes para encontrar alternativas que se vean bien. Para categorías donde la estética impulsa la decisión, esto es a menudo más útil que la similitud basada en atributos.

Productos complementarios (lógica de venta cruzada)

La venta cruzada sugiere artículos complementarios. Piensa en zapatos para correr e plantillas o una cámara y una tarjeta de memoria.

Nuestros datos muestran que las ventas cruzadas en el popup del carrito se convierten 77.9% más que las mismas recomendaciones colocadas en la página del carrito. La razón es el momento: justo después de que un cliente hace clic en “añadir al carrito”, está abierto a añadir más.

Recomendaciones basadas en comportamiento: “Porque hiciste esto…”

Los modelos basados en productos funcionan desde lo que está en pantalla. Los modelos basados en comportamiento funcionan desde lo que el cliente ha hecho realmente: qué ha hecho clic, comprado y navegado. Aquí es donde la personalización realmente se justifica.

Basado en clics (visto recientemente)

El modelo basado en clics rastrea qué vio un cliente pero no compró. Si alguien hizo clic en 12 zapatos para correr en la última sesión, claramente está interesado en zapatos para correr, aunque no haya comprado aún.

Las recomendaciones muestran productos similares a lo que el cliente exploró recientemente. Para visitantes nuevos o que regresan que aún no han convertido, mantiene el viaje en la dirección correcta en lugar de empezar desde cero.

Basado en conversión (historial de compras)

El modelo basado en clics utiliza datos de navegación, específicamente historial de compras. Recomienda productos relacionados con lo que el cliente ha comprado antes. Para visitantes por primera vez sin historial, sugiere productos que son tendencia en toda la tienda.

El modelo basado en conversión esencialmente responde, “Según lo que realmente has comprado, ¿qué es probable que te interese después?”

Favoritos (productos comprados repetidamente)

El modelo de favoritos está diseñado para consumibles: comestibles, cosméticos, comida para mascotas, cualquier cosa que la gente compra en un horario predecible.

El modelo de favoritos no intenta introducir algo nuevo. Muestra lo que el cliente es más probable que compre de nuevo. El objetivo es conveniencia, no descubrimiento.

Para tiendas que venden productos de compra repetida, este modelo también funciona bien en correos electrónicos posteriores a la compra. Teta, una cadena de farmacias, envía recomendaciones personalizadas a más de 130,000 clientes basadas en el historial de compras de cada persona, tanto en línea como en la tienda. Su tasa de conversión de recomendación por correo electrónico es del 15%. Este tipo de resultado proviene de mostrar a la gente exactamente lo que ya es probable que compren.

Visitado recientemente (continuando desde donde lo dejaron)

El modelo visitado recientemente muestra productos que el cliente vio en sesiones recientes, omitiendo cualquier cosa que ya haya comprado. Incluso si un cliente no convierte en la primera visita, este modelo mantiene vivas las consideraciones hasta que estén listos.

Pedido recientemente (compras repetidas)

El modelo pedido recientemente es puramente sobre historial de compras. Funciona con lo que el cliente realmente compró.

Para clientes que regresan, les devuelve lo que quieren sin tener que buscarlo de nuevo.

Recomendaciones basadas en popularidad y tendencias: “Porque todos los demás están comprando esto…”

No todos los clientes llegan con un historial. Y a veces quieres mostrar lo que está funcionando en toda la tienda. Los modelos basados en popularidad y tendencias manejan ambos.

Tendencias (los más populares en todo el catálogo)

Este modelo muestra los productos más populares en todo el catálogo. Para visitantes por primera vez sin historial de navegación, es la cosa más útil y simple que puedes mostrar: qué se está vendiendo bien ahora.

Categoría superior y marca superior (tendencias dentro de un contexto)

Estos modelos funcionan a un nivel más específico, extrayendo productos con mejor desempeño dentro de una categoría o marca.

En páginas de categoría y marca, el trabajo principal de un recomendador es reducir opciones y mostrar rango. Una página de marca para Nike no debería recomendar ocho colores del mismo zapato deportivo. Debería mostrar una sección representativa cruzada de los productos de la marca en todas las categorías.

Categorías de usuario superior (navegación, no solo productos)

Este modelo recomienda categorías, no productos individuales.

Para clientes que regresan, muestra las categorías hacia las que consistentemente gravitan. Para visitantes nuevos sin historial, vuelve a lo que es más popular en toda la tienda.

Un cliente que regresa que consistentemente navega por correr, yoga y ciclismo probablemente quiera ver esas categorías destacadas. Y un visitante por primera vez obtiene un punto de partida sensato.

Recomendaciones basadas en novedad y promoción: “Lo nuevo y lo que está en oferta…”

A veces lo que impulsa una venta es el momento. Algo acaba de llegar, o el precio acaba de bajar. Estos modelos están diseñados para exactamente ese momento.

Nuevas llegadas (recencia como señal)

Las recomendaciones de nuevas llegadas muestran productos recientemente añadidos al catálogo, basados en cuándo fueron introducidos.

En categorías como moda, libros, música y cuidado de la piel, esta es una excelente manera de captar interés. Un cliente que regresa no necesita ver los mismos éxitos de ventas que vio en la última visita. Lo que es fresco les da una razón para explorar.

Productos con descuento (caída de precio como señal)

El modelo de descuentos muestra productos donde el precio actual es menor que el original. Para clientes sensibles al precio, una caída de precio visible a menudo cierra la decisión.

Una cosa que vale la pena vigilar: las recomendaciones basadas en descuentos pueden entrenar a los clientes a esperar rebajas si se usan demasiado agresivamente. Utilizadas ocasionalmente como herramienta de descubrimiento, funcionan mejor a largo plazo y se sienten útiles.

Recomendaciones basadas en contenido: “Porque estás leyendo esto…”

Estas funcionan desde un tipo diferente de contexto: contenido editorial en lugar de navegación de productos.

Productos relacionados con artículos (convertir contenido en comercio)

Coincide con productos de tu catálogo con el artículo que un cliente está leyendo actualmente.

Por ejemplo, una reseña de equipo de senderismo se vincula a los artículos específicos, o una guía de estilo muestra la ropa en todo el artículo.

Artículo relacionado con artículo (manteniendo a los lectores en el flujo editorial)

Este modelo recomienda otros artículos que el lector probablemente encontrará relevantes.

Mantiene a los lectores en el contenido más tiempo antes de que estén listos para comprar. Un comprador que lee tres artículos sobre trail running tiene más probabilidades de convertirse en comprador de equipo de running que uno que se va después del primero.

Conclusión

La mayoría de las tiendas no tienen un problema de recomendación. Tienen un problema de ubicación y coincidencia de modelos. Ponen el modelo incorrecto en el momento incorrecto, o muestran los mismos productos en tres widgets diferentes en la misma página.

No recomiendes lo que ya está en el carrito, y no repitas lo que es visible en la cuadrícula de productos. Si el comprador acaba de ver algo, servirlo inmediatamente bajo “recomendado para ti” va en contra del propósito.

Cada modelo tiene una función. Las alternativas ayudan a los compradores a decidir. Los complementos aumentan el valor del carrito en el momento adecuado. Los favoritos traen de vuelta a los compradores habituales. Los modelos de tendencias y novedades llenan vacíos cuando aún no tienes datos de personalización. Los modelos de contenido conectan tu editorial con tu catálogo.

Las tiendas que funcionan bien con recomendaciones tratan cada widget como una opción deliberada. Se preguntan qué está intentando hacer el comprador en este momento, y eligen el modelo que realmente ayuda.

Preguntas frecuentes