Finalización de la compra: cómo Retail Media ayuda a los Shoppers a completar su misión

Un shopper agrega pasta y salsa de tomate a su carrito en línea. Un sistema de finalización de compra eficaz podría sugerirle parmesano, verduras o una bebida. Un sistema deficiente podría mostrarle otro tipo de pasta, un producto que no está disponible o un artículo patrocinado que no va con la comida.

La finalización del carrito es el proceso de decisión que explica esa diferencia. Utiliza un carrito parcial y el contexto actual para identificar qué podría completar mejor la misión de compra. Para Retail Media, genera un espacio publicitario de alta intención cerca de la transacción. También genera un riesgo de confianza si la presión comercial supera la relevancia.

El objetivo no es hacer que cada canasta sea más grande. Es ayudar al Shopper a terminar la tarea, al tiempo que se les brinda a los Retailers y a las marcas una forma medible y claramente identificada de influir en una decisión abierta.

Qué significa la «finalización del carrito»

La finalización del carrito comienza con un carrito que no está vacío durante una visita o sesión activa. El sistema deduce una o más intenciones probables, genera productos que podrían agregarse, elimina los productos no elegibles, clasifica las opciones restantes y presenta un pequeño conjunto en el momento adecuado.

Las investigaciones describen la recomendación dentro de la canasta como la finalización de una canasta que no está vacía durante la sesión de compras.[6] El mismo estudio señala que las canastas reales pueden contener varias intenciones y que los Shoppers pueden alternar entre ellas. Un shopper que adquiere alimentos para el desayuno también podría estar comprando productos de limpieza. Tratar toda la canasta como una sola misión puede generar recomendaciones irrelevantes.

El análisis de la canasta completada explica qué contenían las transacciones. La finalización de la canasta toma una decisión diferente: qué recomendar, si es que hay algo, mientras una canasta no vacía sigue abierta.

Comienza con la misión activa, no con el inventario

Un sistema de finalización debe preguntar qué parte de la canasta sigue sin resolverse.

Las señales pueden incluir:

• productos ya agregados y sus categorías;
• la secuencia y el momento en que se realizaron las adiciones;
• el contexto de búsqueda y navegación;
• tienda, canal y método de entrega;
• reglas conocidas de disponibilidad y sustitución;
• el contexto de la receta, la ocasión o la lista proporcionado por el Shopper;
• patrones de compra recurrentes, cuando estén legítimamente disponibles.

La señal de la misión debe poder modificarse. Un Shopper puede eliminar un artículo, cambiar cantidades o iniciar una segunda tarea. La planificación de la misión de compras proporciona el contexto; la finalización del carrito se encarga de la decisión sobre el siguiente artículo o el siguiente conjunto.

Evita las inferencias delicadas o especulativas. El hecho de que los productos hayan aparecido juntos históricamente no autoriza al sistema a inferir condiciones de salud, familiares u otras circunstancias privadas. Usa el mínimo de datos necesarios para la tarea de compras definida.

Generación de candidatos: encontrar artículos faltantes plausibles

La generación de candidatos crea un conjunto amplio antes de la clasificación. Las fuentes pueden incluir:

• relaciones de productos que se compran juntos con frecuencia;
• reglas curadas de categorías o recetas;
• asignaciones de accesorios compatibles;
• historial de reposición de los Shopper;
• productos vistos en la sesión actual;
• productos patrocinados elegibles para campañas.

Google Cloud describe «Frequently Bought Together» como un modelo de expansión del carrito de compras y lo distingue de los modelos de artículos relacionados y de sustitutos.[4] Esa distinción es importante. Un sustituto puede ser útil cuando un artículo no está disponible, pero no completa el carrito de la misma manera que un complemento.

La compra conjunta es solo una señal de inicio. Las investigaciones que utilizan sesiones de carrito y de navegación muestran que las relaciones de complementariedad pueden aprenderse a partir de más que solo pares de transacciones.[8] Un preimpreso reciente de Allegro sostiene que la compra conjunta sin procesar contiene ruido y que las restricciones de categoría y la revisión humana ayudan a evitar combinaciones inesperadas.[9]

El conjunto de candidatos debe cumplir entonces con estrictas reglas de elegibilidad:

• estar en inventario y disponible para el método de entrega elegido;
• ser compatible con el producto o la tarea seleccionados;
• permitidos en el contexto del mercado y de la cuenta del comprador;
• que no esté ya presente en una forma equivalente;
• que se encuentre dentro de las fechas de la campaña y las reglas de presupuesto;
• no esté bloqueado por controles de frecuencia, categoría o políticas.

Los medios no pueden rescatar una recomendación no elegible.

Un artículo o un conjunto coherente

Algunas misiones se completan con un solo producto. Otras requieren un conjunto. Un Shopper que adquiere ingredientes para una comida puede necesitar varios componentes. La compra de un dispositivo puede requerir una funda compatible y un accesorio de alimentación.

La investigación sobre la finalización de la canasta de conjunto a conjunto enmarca esto como la recomendación de un conjunto coherente en lugar de predecir un próximo artículo.[7] La implicación práctica es que el sistema debe considerar las interacciones entre los artículos recomendados. Tres productos que individualmente parecen plausibles pueden formar un conjunto repetitivo, costoso o contradictorio.

Utilice restricciones a nivel de conjunto:

• evita recomendar múltiples sustitutos para la misma función;
• limitar el número y el valor total de las adiciones;
• mantener la compatibilidad en todo el conjunto;
• sigue los filtros explícitos, las preferencias declaradas y las restricciones evidenciadas por la canasta actual o una lista proporcionada por los Shoppers;
• diversifica solo cuando la diversidad mejore el objetivo;
• explicar la relación en lenguaje sencillo.

Dónde pueden intervenir los medios Retail Media

Retail Media puede apoyar la finalización de la canasta de varias maneras.

Complemento patrocinado

Un producto pagado puede ingresar al conjunto de candidatos solo después de pasar estrictos filtros de elegibilidad, seguridad, disponibilidad y políticas. La relevancia y la compatibilidad con el Shopper determinan qué productos elegibles merecen ser considerados. Una oferta comercial o una puntuación de patrocinio puede clasificar los productos únicamente dentro de ese conjunto calificado; no debe incluir un artículo irrelevante o incompatible. Etiqueta claramente la ubicación pagada y registra la clasificación orgánica del producto para que los analistas puedan auditar el desplazamiento y la incrementalidad.

Paquete patrocinado

Una marca o un socio puede financiar un conjunto coherente para una ocasión definida. El Retailer aún debe verificar la disponibilidad, la lógica de precios y si cada componente es útil.

Recordatorio contextual

Un mensaje onsite o in-store puede recordarle al shopper que le falta un artículo sin mencionar un producto específico. Esto puede ser útil cuando hay varias marcas elegibles o cuando la elección final debe permanecer abierta.

Preparación offsite

Los medios offsite pueden dar forma a una lista planificada antes de que exista el carrito. Una vez que el carrito está activo, los canales onsite y in-store suelen ofrecer un contexto más sólido.

Compáralo con la IA de recomendaciones, que abarca el sistema de recomendaciones más amplio. La finalización de la canasta es el caso de uso más específico de la canasta parcial.

Un ejemplo práctico

Un shopper agrega hamburguesas y panes. Los datos históricos vinculan esos artículos con queso, salsas, ensalada y bebidas.

Un sistema poco sofisticado clasifica según las compras conjuntas globales y muestra los productos más populares. Un sistema más avanzado separa los componentes de la comida de los artículos de abastecimiento no relacionados, verifica lo que ya está presente y elimina los productos que no están disponibles. Puede seguir una ruta vegetariana solo cuando el Shopper haya seleccionado productos vegetarianos, filtros o sustituciones en la sesión actual; no debe inferir la dieta a partir de un historial no relacionado.

Un queso patrocinado puede ser elegible si encaja en la canasta, está disponible y está etiquetado. El plan de medición debe comparar las sesiones elegibles con y sin el tratamiento patrocinado. Debe dar seguimiento a la incorporación del queso, la finalización total de la comida, la sustitución por otro queso, el valor de la canasta, el abandono y las devoluciones.

Si la incorporación del queso aumenta, pero el abandono también aumenta porque el módulo interrumpe el proceso de pago, la táctica no se considera automáticamente exitosa. La utilidad para el Shopper debe formar parte del conjunto de resultados.

Mide la finalización útil, no solo los clics

Google Cloud recomienda utilizar eventos de compra completada con campos de ingresos y cantidad para las métricas de ingresos y pedidos, y sus tokens de atribución identifican las interacciones generadas por el sistema de recomendaciones.[5] Google Analytics también admite eventos de carrito, pago, compra y reembolso a nivel de artículo.[3]

Declara un resultado principal antes del lanzamiento. Un valor predeterminado útil es la incorporación incremental del producto elegible que cumplía la función ausente por cada sesión elegible, con el conjunto de roles y la regla de elegibilidad establecidos de antemano. Luego, genera un informe sobre:

• cestas elegibles y módulos servidos;
• incorporación de un producto o de un producto que cumpla el rol faltante en la canasta;
• la finalización del conjunto de misiones predefinidas;
• unidades, categorías y valor incrementales;
• la sustitución o canibalización;
• progresión en el proceso de pago, abandono y eliminación;
• fallas de disponibilidad y recomendaciones suprimidas;
• señales de satisfacción repetidas cuando sea apropiado.

Trata el valor del carrito, el abandono, la sustitución, la eliminación y las devoluciones como resultados secundarios o medidas de protección, a menos que se elija explícitamente uno de ellos como estimando principal. No armes un compuesto de «compleción de la misión» después de ver qué componentes mejoraron.

Las directrices de la IAB/MRC exigen definiciones transparentes de los resultados y métodos de atribucion.[1] Separa claramente las recomendaciones orgánicas, las recomendaciones patrocinadas y otras exposiciones de la campaña.

La atribución aún no prueba el impacto. La IAB y la IAB Europe exigen un contrafactual creíble al estimar la incrementalidad.[2] Aleatorice la elegibilidad de las recomendaciones o el tratamiento de clasificación cuando sea factible. Evite comparar a las personas que hicieron clic en una recomendación con aquellas que la ignoraron, ya que los grupos difieren en su intención.

Modos de falla y medidas de protección

Colapso de la misión. El sistema trata cada artículo del carrito como una sola tarea. Utilice grupos, secuencias y el contexto proporcionado por el Shopper.

El sustituto se muestra como complemento. Mantén los tipos de relación y las reglas de compatibilidad.

Sesgo de popularidad. Los productos más vendidos a nivel global desplazan a productos más relevantes o locales. Normalice la demanda base e incluya restricciones de surtido.

Anulación comercial. El patrocinio impulsa un artículo que no cumple con los requisitos del Shopper. La relevancia y la elegibilidad deben ser requisitos imprescindibles.

Recomendación de artículos agotados. Utilice datos actualizados de disponibilidad y cumplimiento.

Repetición. La misma sugerencia sigue al Shopper a lo largo del carrito y el proceso de pago. Aplica controles de frecuencia que tengan en cuenta la etapa del proceso.

La inflación del carrito como único objetivo. Realiza un seguimiento de los abandonos, las devoluciones, las eliminaciones y el valor del Shopper, además de los ingresos.

Exageración causal. Utilice muestras de control e informe el denominador elegible.

Lista de verificación del comprador

Antes de aprobar la implementación de una campaña, pregúntese:

• ¿Qué estado de canasta parcial activa el sistema?
• ¿Cómo se separan las misiones múltiples?
• ¿Qué tipos de relación generan candidatos?
• ¿Qué reglas de elegibilidad no pueden ser anuladas por el patrocinio?
• ¿Qué tan recientes son los datos de inventario y precios?
• ¿La recomendación es un solo artículo o un conjunto coherente?
• ¿Cómo se divulga la influencia pagada?
• ¿Cuál es el principal resultado de finalización?
• ¿Qué métricas de fricción del comprador y de sustitución se monitorean?
• ¿Qué escenario contrafactual respalda la afirmación sobre la incrementalidad?

Preguntas frecuentes

¿La finalización del carrito es lo mismo que los productos que se compran juntos con frecuencia?

No. Los productos que se compran juntos con frecuencia son una fuente potencial. La finalización del carrito también requiere inferencia de la misión del comprador, elegibilidad, compatibilidad, clasificación, ubicación y medición.

¿Debería cada canasta recibir una recomendación?

No. Algunas canastas están completas, algunas intenciones no están claras y algunos contextos hacen que otra sugerencia resulte intrusiva.

¿Pueden aparecer productos patrocinados?

Sí, si la influencia pagada está claramente identificada y el producto cumple con los mismos criterios de relevancia para los Shoppers, compatibilidad y disponibilidad.

¿Cuál es la mejor métrica?

Utiliza el resultado vinculado a la tarea, como la incorporación incremental de un rol que faltaba, además de medidas como el valor de la canasta, la sustitución y la fricción. El clic por sí solo es una evidencia débil.

Conclusión

La finalización del carrito es un sistema de toma de decisiones, no una lista de combinaciones populares. Deduce la misión activa, genera candidatos plausibles, aplica los requisitos de elegibilidad, distingue los complementos de los sustitutos y mide la incrementalidad de las adiciones. La mejor ubicación para la finalización del carrito ayuda primero al Shopper y monetiza esa ayuda de manera transparente.

Fuentes

[1] Interactive Advertising Bureau y Media Rating Council, Pautas de medición de Retail Media de IAB/MRC, 2024.

[2] IAB e IAB Europe, Guidelines for Incremental Measurement in Commerce Media, 2025.

[3] Google Analytics, Medir el comercio electrónico.

[4] Google Cloud, *Acerca de los modelos de recomendación*.

[5] Google Cloud, Ver análisis.

[6] arXiv, Recomendación dentro de la canasta mediante un asociador de patrones neuronales, 2024.

[7] arXiv, S2SRec2: Recomendación de conjunto a conjunto para completar la canasta con recetas, 2025.

[8] arXiv, Inferencia de productos complementarios a partir de carritos y sesiones de navegación, 2018.

[9] Autores de la investigación de Allegro, *Más allá de la relación de compra conjunta: Evolución de las recomendaciones complementarias en Allegro*, preimpresión de septiembre de 2026.

¿Listo para ver cómo funciona en la práctica?

Footprints AI ayuda a marcas y Retailers a medir lo que importa. Consulta nuestros casos de éxito de clientes o ponte en contacto para hablar sobre tu estrategia de Retail Media.