IA de recomendación: sugerencias personalizadas de productos

Un shopper frente a un estante no necesita una lista de todo lo que los Retailers podrían vender. Necesita un conjunto breve y relevante de opciones que se adapte a la compra que está haciendo en ese momento: un sustituto de un artículo que no está disponible, el ingrediente que le falta para la cena, un repuesto que probablemente vaya a necesitar o un producto complementario que realmente deba ir en la canasta.

Esa es la función práctica de la IA de recomendación en el retail físico. Clasifica los productos según el comprador o el contexto de compra, y luego ofrece esas sugerencias a través de un punto de contacto comercial. En Retail Media, el mismo sistema puede incluir productos patrocinados, pero la influencia comercial debe ser visible y estar sujeta a reglas de gobernanza. Una ubicación pagada no debe hacerse pasar discretamente por una recomendación neutral del Retailer.

La IA de recomendación es más específica que otras dos ideas relacionadas en esta serie. Un asesor de compras personalizado ayuda al Shopper a tomar una decisión, a menudo basándose en necesidades expresadas, limitaciones y explicaciones. Un agente de compras con IA puede perseguir un objetivo más amplio a lo largo de distintos pasos o servicios, como investigar, comparar y completar una compra. Un sistema de recomendación tiene una función más limitada: calificar y clasificar los siguientes mejores productos, ofertas o contenidos para un espacio definido.

Lo que realmente hace un sistema de recomendación para retailers

Un sistema útil combina tres decisiones:

1. Generación de candidatos: encontrar un conjunto manejable de productos que puedan ser relevantes.
2. Clasificación: ordenar esos candidatos según el Shopper, la canasta o el contexto.
3. Presentación: aplicar reglas de negocio, seguridad y disponibilidad antes de mostrar el resultado.

Una arquitectura común, utilizada por ejemplo en el sistema de recomendaciones publicado por YouTube, separa la generación de candidatos de la clasificación, de modo que el modelo de clasificación evalúa un conjunto manejable de candidatos en lugar del catálogo completo.[1] En el retail, la etapa de generación de candidatos podría recuperar artículos comprados por hogares similares, sustitutos dentro de una categoría, productos que se compran con frecuencia junto con la canasta actual o artículos relacionados a través de atributos de producto. La etapa de clasificación considera entonces cuál de esos candidatos se ajusta mejor a la solicitud inmediata.

La capa final de presentación es tan importante como el modelo. Debe eliminar los productos agotados, respetar las restricciones dietéticas o relacionadas con la edad cuando corresponda, aplicar límites de frecuencia, suprimir las sugerencias rechazadas recientemente y reservar o etiquetar las posiciones patrocinadas. También puede agregar una exploración controlada para que los productos más nuevos o recomendados con menos frecuencia tengan una oportunidad justa de acumular evidencia.

Esta arquitectura evita un error común: considerar la puntuación del modelo como la respuesta definitiva. Un producto puede ser estadísticamente relevante y, aun así, no ser adecuado para mostrarlo porque no está disponible en esa tienda, es incompatible con la canasta actual, está sobreexpuesto comercialmente o no es adecuado para el Shopper.

Los datos de entrada que hacen que las recomendaciones sean útiles

El historial de compras, el comportamiento de navegación, las promociones, los productos complementarios y la estacionalidad pueden ser señales útiles cuando se integran en un modelo operativo sujeto a reglas de gobernanza.

Los datos de transacciones y de la canasta muestran qué se compró, en qué cantidad, en qué tienda, a qué precio y junto a qué productos. Esto respalda las recomendaciones de reabastecimiento, sustitutos, afinidad y completamiento de la canasta. La afinidad por categoría es especialmente útil cuando el sistema necesita distinguir una conexión plausible entre el Shopper y el producto de la simple popularidad del producto.

El comportamiento digital puede incluir búsquedas, visitas a páginas de productos, adiciones a listas, cupones guardados, interacciones con la aplicación y recomendaciones rechazadas. Estas son señales de intención, no pruebas de compra. Deben ponderarse de manera diferente a las transacciones completadas.

Los datos de productos y catálogos incluyen categoría, marca, tamaño, sabor, ingredientes, atributos dietéticos, nivel de precio y relaciones entre productos. Una taxonomía bien definida ayuda al sistema a manejar nuevos productos y a explicar por qué se sugiere un artículo.

Los datos operativos incluyen la disponibilidad a nivel de tienda, el precio actual, la elegibilidad para promociones, el surtido, el área de entrega y las restricciones de cumplimiento. Una recomendación de un producto que no está disponible desperdicia la atención del Shopper y puede distorsionar los informes de la campaña.

Los datos contextuales pueden incluir la hora, el dispositivo, el canal, la tienda, la canasta actual y otras condiciones de la sesión relevantes para la solicitud. Las investigaciones han evaluado las características contextuales en los modelos de recomendación, mientras que la documentación de producción muestra cómo se pueden proporcionar metadatos contextuales con las solicitudes de recomendación cuando se representan de manera consistente en las interacciones históricas y en el momento de la inferencia.[2][10]

Las reglas comerciales definen el inventario patrocinado, las exclusiones de marcas, las fechas de las campañas, el ritmo de publicación y los compromisos por categoría. Estas reglas deben ubicarse en una capa de políticas separada para que los equipos puedan auditar cuándo la lógica comercial modificó el orden orgánico.

Los Retailers no necesitan todas las señales posibles. Necesitan el conjunto más pequeño que mejore el caso de uso. Las directrices de la FTC aconsejan a las empresas recopilar y conservar solo los datos necesarios para un propósito legítimo, mientras que el NIST enmarca la privacidad, la equidad, la transparencia, la confiabilidad y la rendición de cuentas como partes interrelacionadas de la gestión de riesgos de la IA.[7][8]

Dónde aparece la IA de recomendación en el retail físico

La IA de recomendación no se limita a un carrusel de comercio electrónico. El retail físico crea varias superficies en las que el Shopper aún puede actuar:

• La aplicación del Retailer antes de la visita: recordatorios de reposición, creación de listas, ofertas relevantes y disponibilidad específica de la tienda.
• La aplicación del Retailer en la tienda: sugerencias basadas en el pasillo, productos sustitutos, finalización del carrito y ofertas de fidelidad.
• Pantallas en los estantes digitales o en los extremos de los pasillos: recomendaciones contextuales basadas en la ubicación, la hora, el surtido de la tienda o una sesión de la aplicación a la que el usuario se haya suscrito.
• Quioscos y pantallas de venta asistida: alternativas guiadas para categorías complejas o productos que requieren explicación.
• Flujos de “escanear y pagar”: productos adicionales que encajan en la canasta actual antes de pasar por caja.
• Superficies de pago y recibos: los productos adicionales inmediatos deben usarse con moderación; el recibo suele ser más adecuado para una recomendación para una compra futura que para una venta adicional apresurada en la compra actual.
• Herramientas para el personal: sugerencias clasificadas que ayudan al personal a responder las solicitudes de los Shoppers sin pretender que el modelo reemplace el conocimiento del producto.

La identidad cambia lo que es posible. Un miembro autenticado del programa de fidelidad puede recibir recomendaciones personalizadas basadas en su historial autorizado. Un Shopper anónimo aún puede recibir recomendaciones contextuales útiles basadas en la tienda, la hora, el producto que está viendo o la sesión actual. El retail físico no debe hacer de la identificación invasiva un requisito previo para la relevancia.

Cómo se conecta la IA de recomendaciones con Retail Media

Un espacio de recomendaciones puede contener resultados orgánicos, resultados patrocinados o una combinación controlada. El Retailer debe definir esa combinación antes de vender el espacio publicitario.

La clasificación orgánica debe optimizar el valor para el comprador dentro de las restricciones establecidas. La clasificación patrocinada introduce otro objetivo: la visibilidad pagada o la difusión de la campaña. Si el objetivo de pago prevalece sobre la relevancia, la superficie se convierte en un espacio publicitario disfrazado de motor de recomendaciones.

Un diseño de Retail Media bien fundamentado cuenta con cuatro controles:

1. Los productos patrocinados deben pasar las mismas verificaciones básicas de elegibilidad que los productos orgánicos, incluyendo la disponibilidad y la adecuación a la categoría.
2. La interfaz debe identificar claramente la publicidad y situarla cerca de la recomendación. Las directrices de la FTC para la publicidad nativa indican que el contenido comercial no debe presentarse como independiente o imparcial, y los widgets de recomendaciones agrupados pueden requerir etiquetas individuales o una separación visual clara.[9]
3. Los informes deben separar el desempeño de las recomendaciones orgánicas del desempeño de las ubicaciones patrocinadas.
4. El Retailer debe limitar la repetición y vigilar si un grupo reducido de anunciantes está desplazando el descubrimiento del catálogo.

La oportunidad mediática es mayor cuando la recomendación resuelve un problema del Shopper. Una salsa para pasta patrocinada que se muestra porque ya hay pasta en el carrito tiene un contexto justificable. Un producto pagado que se inserta solo porque una campaña va atrasada, no lo tiene.

Cómo evaluar un sistema de recomendaciones

La evaluación de las recomendaciones requiere tres niveles: calidad del modelo, comportamiento del comprador y incrementalidad comercial.

Evaluación del modelo fuera de línea

Antes del lanzamiento, compara los modelos en la misma ventana de datos y con puntos de referencia sencillos, como la popularidad, los productos más vendidos de la categoría o las reglas de negocio existentes. Entre las métricas útiles se incluyen la precisión en K, el recall en K, la ganancia acumulada descontada normalizada, el rango recíproco medio y la cobertura del catálogo. La documentación de AWS también advierte que no se deben comparar modelos entrenados con datos diferentes como si la diferencia en las métricas se debiera únicamente al algoritmo.[5]

La precisión fuera de línea no es suficiente. Agrega diagnósticos para:

• la cobertura en todo el catálogo y las categorías;
• el desempeño con nuevos Shoppers y nuevos productos;
• violaciones de disponibilidad;
• la repetición y la concentración;
• latencia en las recomendaciones;
• desempeño por tienda, superficie y cohorte de Shoppers;
• participación patrocinada y desplazamiento orgánico.

Comportamiento en línea

Realice pruebas controladas en el espacio real. Dependiendo de la ubicación, mida la tasa de visualización de recomendaciones, la tasa de interacción, la tasa de agregar a la canasta, la conversión de compra, los ingresos o el margen por sesión, la incorporación a la canasta, la compra repetida y los rechazos explícitos. Los controles de seguridad deben incluir el abandono de la aplicación o del quiosco, la latencia, la tasa de quejas y los clics por falta de existencias.

Los sistemas en tiempo real deben registrar el ID de la recomendación, el rango mostrado, el conjunto de candidatos elegibles, las reglas de política aplicadas y la interacción final. Sin este registro de exposición, los equipos no pueden determinar si un producto fue recomendado, simplemente elegible o comprado sin haber sido mostrado. Por esta razón, las plataformas de personalización en producción admiten la atribución de eventos.[3][4]

Impacto comercial incremental

Los compradores de Retail Media necesitan saber qué provocaron las recomendaciones, no solo qué sucedió después de la exposición. Utilice grupos de control aleatorios cuando sea factible, o un método contrafactual documentado cuando la aleatorización no sea práctica. Las directrices de la IAB/MRC definen la incrementalidad como el valor por encima de una línea de base y hacen hincapié en la integridad de los datos, la metodología transparente y los grupos de prueba y control comparables.[6]

Mide el resultado que corresponda a la tarea. Un modelo de sustitución puede evaluarse por las conversiones preservadas y la reducción del abandono. Un modelo de finalización de carrito puede evaluarse por la incrementalidad en la incorporación y el valor del carrito. Un modelo de reabastecimiento puede evaluarse por el momento de la compra repetida. Una recomendación patrocinada también debe informar sobre las ventas o ganancias incrementales, no solo sobre los clics y los ingresos atribuidos.

Riesgos que merecen atención en el diseño

Ciclos de retroalimentación y sesgo de popularidad: los productos que se muestran con mayor frecuencia acumulan más interacciones, lo que puede hacer que el modelo confíe aún más en ellos. Realice un seguimiento tanto de la exposición como de la compra, mantenga la exploración y revise la concentración del catálogo.

Inicio en frío: un Shopper o producto nuevo tiene poco historial de interacción. Los atributos del producto, el contexto de la tienda, el comportamiento durante la sesión y las líneas de base de popularidad bien definidas pueden proporcionar un punto de partida hasta que aparezcan pruebas más sólidas.

Datos erróneos y errores de identidad: las cuentas de fidelidad duplicadas, las tarjetas compartidas por el hogar, las devoluciones, las sustituciones y las asignaciones incorrectas de SKU pueden generar preferencias falsas. Las verificaciones de calidad de los datos deben realizarse antes del entrenamiento del modelo.

Personalización excesiva: la compra de ayer no siempre describe la intención de compra de hoy. Es posible que un Shopper que adquiere productos para bebés, regalos o medicamentos no quiera que esas categorías se traten como parte de su identidad permanente. Utilice la recencia, el contexto y controles que permitan a las personas descartar o restablecer las recomendaciones.

Inferencias delicadas: no infieras ni reveles condiciones delicadas simplemente porque los patrones de la canasta hagan posible una asociación. Minimiza el uso de datos, documenta los usos permitidos e incorpora una revisión humana para las categorías de alto riesgo.[7][8]

Opacidad patrocinada: los Shoppers deben poder distinguir una posición pagada de un resultado orgánico. Las etiquetas claras protegen la confianza y hacen que la medición de las campañas sea más honesta.[9]

Éxito indirecto: una tasa de clics más alta puede coexistir con peores resultados para los Shoppers, un margen más bajo o la ausencia de ventas incrementales. Las métricas de los modelos son herramientas de diagnóstico, no el veredicto comercial.

Una secuencia práctica de implementación

Comience con una superficie y una tarea. «Recomendar algo relevante» no es un briefing suficiente. «Sugerir un complemento en existencia para la canasta actual en el sistema de escaneo y pago» sí es algo que se puede probar.

Define el catálogo elegible, los datos de entrada, las reglas de respaldo y las restricciones comerciales. Crea una línea de base sencilla antes de un modelo complejo. Mide la exposición y los resultados antes del lanzamiento. Luego realiza pruebas fuera de línea, ejecuta una prueba holdout en línea con un grupo de control, examina los resultados por cohorte y por tienda, y decide de antemano qué evidencia justificaría la expansión.

Mantén el servicio de recomendaciones separado de la interfaz y de la capa de políticas de Retail Media. Esto facilita la reutilización del modelo en la aplicación, los quioscos y las herramientas para empleados, al tiempo que preserva las diferentes reglas para cada ubicación. También hace visibles las modificaciones patrocinadas, en lugar de ocultarlas dentro del código del modelo.

Preguntas frecuentes

¿La IA de recomendaciones es lo mismo que un asesor de compras personalizado?

No. La IA de recomendaciones clasifica un conjunto limitado de productos u ofertas para una superficie definida. Un asesor de compras ayuda al Shopper a razonar su elección y puede hacer preguntas, comparar ventajas y desventajas o explicar el resultado.

¿Es lo mismo que un agente de compras con IA?

No. Un agente de compras puede planificar y ejecutar varios pasos para alcanzar un objetivo. Un sistema de recomendación proporciona opciones clasificadas dentro de uno de esos pasos. El agente puede recurrir a un servicio de recomendación, pero los dos sistemas tienen un alcance y una responsabilidad diferentes.

¿Puede funcionar la IA de recomendación sin identificar al Shopper?

Sí. La tienda, la hora, el inventario, la canasta actual, el contexto del producto y el comportamiento durante la sesión pueden respaldar recomendaciones anónimas. El historial de compras individual puede mejorar algunos casos de uso, pero no es necesario para cada presentación.

¿Deberían mezclarse los productos patrocinados con las recomendaciones orgánicas?

Sí, siempre y cuando los artículos patrocinados sigan siendo relevantes y elegibles, la publicidad esté claramente identificada, la combinación esté controlada y los informes separen el rendimiento pagado del rendimiento orgánico.

¿Cuál es la métrica de éxito más importante?

No existe una métrica universal. Elige la medida que se ajuste al objetivo de la recomendación y luego evalúa el impacto incremental. Los clics pueden ayudar a evaluar la superficie de exposición, pero no demuestran un aumento en las ventas ni el valor para los Shoppers.

¿Qué debe desarrollar primero un Retailer?

Elige un problema frecuente y observable con datos confiables y un lugar donde realizar una prueba controlada. La finalización de la canasta in-store, los productos sustitutos para los que no están disponibles y la reposición a través de la aplicación son puntos de partida más claros que una promesa indefinida de personalizar todo.

Fuentes

1. Google Research, «Redes neuronales profundas para las recomendaciones de YouTube»: https://research.google/pubs/deep-neural-networks-for-youtube-recommendations/
2. Google Research, «Latent Cross: Aprovechamiento del contexto en sistemas de recomendación recurrentes»: https://research.google/pubs/latent-cross-making-use-of-context-in-recurrent-recommender-systems/
3. Amazon Web Services, «Registro de eventos en tiempo real para influir en las recomendaciones»: https://docs.aws.amazon.com/personalize/latest/dg/recording-events.html
4. Amazon Web Services, «Métricas de eventos y informes de atribucion»: https://docs.aws.amazon.com/personalize/latest/dg/event-metrics.html
5. Amazon Web Services, «Evaluación de una versión de la solución Amazon Personalize con métricas»: https://docs.aws.amazon.com/personalize/latest/dg/working-with-training-metrics.html
6. IAB/MRC, «Pautas de medición de Retail Media»: https://www.iab.com/wp-content/uploads/2024/01/IAB_Retail_Media_Measurement_Guidelines_January2024.pdf
7. NIST, «Marco de gestión de riesgos de la IA»: https://www.nist.gov/itl/ai-risk-management-framework
8. Comisión Federal de Comercio, «Protección de la información personal: una guía para las empresas»: https://www.ftc.gov/business-guidance/resources/protecting-personal-information-guide-business
9. Comisión Federal de Comercio, «Publicidad nativa: una guía para empresas»: https://www.ftc.gov/business-guidance/resources/native-advertising-guide-businesses
10. Amazon Web Services, «Aumentar la relevancia de las recomendaciones con metadatos contextuales»: https://docs.aws.amazon.com/personalize/latest/dg/contextual-metadata.html

¿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.