Recomendación y personalización
Qué ofrecerle a cada cliente, dentro de tu propia tienda o app.
+Qué es
Cada cliente ve lo que tiene sentido para él y no el mismo escaparate: sube el ticket promedio sin gastar un peso más en tráfico.
- Responde dentro de tu tienda
- Aprende de tu propio catálogo
- Sabe qué mostrarle al cliente nuevo
- Sugiere qué ofrecer y cuándo
- Mide cuánto vendiste de más
- Respeta tu margen y tu inventario
- Python
- PyTorch
- scikit-learn
- Qdrant
- pgvector
- Redis
- FastAPI
- Shopify
- WooCommerce
- Odoo
- Tu app
- APIs REST
- PostgreSQL
Cómo se entrega
5–10 semanas de punta a punta
Levantamiento
3–5 días
Dónde va a vivir la recomendación y contra qué métrica se juzga.
Catálogo e historia
1–2 semanas
Ordenar productos y eventos de compra: casi siempre es la parte pesada.
Modelo y servicio
3–5 semanas
Entrenamiento, reglas de negocio y la API andando en ambiente de prueba.
Salida medida
1–2 semanas
Se libera con grupo de control y se lee el resultado a las dos semanas.
Cuándo te sirve
- 01Tu catálogo es grande y el cliente sólo ve lo que está en portada
- 02Mandas la misma oferta a toda tu base
- 03Quieres subir el ticket promedio sin descontar
- 04Necesitas decidir el siguiente contacto con cada cliente
Qué necesitas
- Sin eventos de compra o de vista no hay de qué aprender: si hoy no se registran, esa instrumentación es el primer trabajo y se estima aparte.¿No lo tienes? Plataforma de datos
- Con catálogo chico (menos de unos cientos de productos) una buena regla de negocio suele ganarle al modelo. Lo decimos antes, no después.
FAQ
¿Qué pasa si nuestros productos son pocos (< 100 items)?
Con catálogos pequeños, el filtrado colaborativo no tiene suficientes combinaciones. Usamos content-based con features ricas del producto y modelos de propensión simple. A partir de ~1,000 items es donde los sistemas de recomendación dan su mayor valor.
¿Cómo maneja el problema de cold start (usuario o item nuevo)?
Para usuarios nuevos: recomendaciones basadas en popularidad global o en el contexto de la sesión actual. Para items nuevos: recomendaciones basadas en atributos del item (content-based). Los modelos híbridos manejan esto mejor que los puramente colaborativos.
¿Cómo medimos que el sistema realmente ayuda al negocio?
Siempre validamos con A/B test. Métricas de negocio: Click-Through Rate (CTR), Conversion Rate, Revenue per session, Average Order Value. Las métricas offline (NDCG, Precision@K) son proxy — el A/B test es la verdad.
¿Cuánto historial de interacciones se necesita?
Para matrix factorization, al menos 5–10 interacciones por usuario y por item. Con menos datos, empezamos con popularity-based y migramos a colaborativo conforme se acumula historial.
También en Modelos y predicción