Los sistemas de recomendación son una parte muy importante de toda la estrategia de personalización de una tienda online. Como veíamos en la infografía “ECommerce goes personal“, dentro de las técnicas de personalización más exitosas, encontramos en 2º lugar las recomendaciones personalizadas en los envíos de newsletters y en tercer lugar las recomendaciones en página de producto. Solo los emails personalizados de recuperación de carritos abandonados superan en cuanto a éxito a las recomendaciones.
Teniendo en cuenta la importancia de las recomendaciones a la hora de personalizar nuestro eCommerce, y que la personalización de nuestra tienda nos permite mejorar nuestra imagen, incrementar las ventas y conversiones y, potencialmente, mejorar la operativa de la tienda, debemos tener muy claro qué tipo de sistema de recomendaciones utilizar en nuestra tienda online. En el mercado existen distintas soluciones, con distintos enfoques que cubren distintos tipos de necesidades. Para poder determinar si una solución existente se adapta a nuestras necesidades, hay que comprender la filosofía que hay detrás de la solución, ya que va a marcar la forma de uso de la misma, y también la operativa que nos va a permitir gestionar e integrar en nuestra tienda.
En el mercado existen varias soluciones que siguen una filosofía que podríamos denominar de “caja negra”. Es decir, sistemas que automáticamente deciden los productos que hay que mostrar en cada caso y que no permiten definir ningún tipo de condicionante o adaptación a cada tienda online. En el caso de BrainSINS, se ha seguido un enfoque distinto según el cual, si no interactuamos con el mismo, automáticamente determina que productos recomendar en cada caso, pero la potencia que realmente se aporta es a partir del momento en el que se interactúa con el sistema, ya bien sea definiendo el comportamiento que queremos que siga cada recomendador, o bien a través de las reglas de negocio que nos permiten ajustar otros criterios. En este post vamos a profundizar en la filosofía que hay detrás del motor de recomendaciones de BrainSINS, y el valor añadido que aporta este enfoque frente a otras soluciones, aunque partimos de las siguientes ventajas que, según nuestra perspectiva, aporta nuestra solución:
Enfoque adaptado a tiendas de cualquier tamaño. Para que un sistema púramente automático funcione adecuadamente, ha de manejar grandes cantidades de datos, por lo que este tipo de enfoques son adecuados para tiendas de gran tamaño (varios millones de páginas vistas al mes). Sin embargo, la mayoría de las tiendas tienen un tamaño pequeño o medio, y manejan un volumen de datos insuficiente para utilizar enfoques totalmente automáticos, por lo que se deben combinar con el conocimiento que el propietario de la tienda ha adquirido con su experiencia.Nos permite optimizar los KPI que nos interese en cada momento. El sistema de recomendación es un sistema que trata de optimizar el proceso de venta de nuestra tienda y, por ello, generalmente está enfocado a maximizar ventas y conversiones. Si bien este es un criterio que encaja para todas las tiendas online, en ocasiones podemos encontrarnos situaciones donde nos interese (por encima de las ventas), tener una mayor rotación de stock, vender productos que nos generen un mayor margen, etc. Si no podemos interactuar con el sistema para “decirle” cuales son nuestros intereses en cada momento, nos resultará imposible cambiar estos criterios.Se adapta a nuestra estrategia de marketing y a cómo queremos que nuestros usuarios nos perciban. Dedicamos muchos recursos a definir todos los aspectos de la web de nuestra tienda online, desde los productos que aparecen en la home, diseños, etc. Teniendo en cuenta los grandes esfuerzos que dedicamos a todo esto, dejar en manos de una tercera parte la decisión de qué tipo de productos mostrar en cada zona de nuestra web suena, a priori, un tanto peligroso.Los que hemos trabajado desarrollado sistemas de Minería de Datos y otro tipo de sistemas que manejan grandes cantidades de datos, tendemos a preferir definir enfoques plenamente automáticos para problemas como el de las recomendaciones de productos. Ahora bien, hay que tener en cuenta que, salvo los gigantes del eCommerce, la mayoría de las tiendas online, manejan un volumen de datos pequeño o medio (miles de productos y, con suerte, unos pocos millones de páginas vistas al mes). Cuando se manejan grandes volúmenes de datos y, especialmente, grandes volúmenes de tráfico, se pueden aplicar enfoques que automatizan una gran cantidad de pruebas entre distintos subenfoques. Este tipo de técnicas son equivalentes a estar continuamente haciendo tests A/B o multivariantes entre distintos comportamientos de los recomendadores, y cogiendo aquellos enfoques que funcionan mejor.
Ahora bien, cuando manejamos un volumen de tráfico menor (pongamos unos pocos millones de páginas vistas al mes, o menos), los resultados de este tipo de enfoques no son fiables, porque no tenemos un volumen de datos suficientes como para conseguir una validez estadística de las pruebas realizadas.
Por otro lado, incluso los gigantes que utilizan enfoques automáticos o semi-automáticos, definen unos criterios básicos de comportamiento para cada zona de recomendaciones. Estos criterios están basados en su propia experiencia de negocio. Pongamos el ejemplo de Amazon, un gigante del comercio online que basa gran parte de su estrategia en las recomendaciones y la personalización. Amazon tiene muy claro que tipo de recomendaciones utilizar en cada tipo de producto, y en que zona de la página tienen que ir. Si estamos viendo un libro, justo debajo de los datos básicos del libro, nos aparecen otros libros similares, que pueden completar nuestra compra. Y si estamos viendo un producto de electrónica, nos ofrece por un lado productos complementarios (accesorios) y también recomendaciones del tipo “usuarios que vieron este producto al final compraron”, que ofrece una importante ayuda a los usuarios a la hora de decidir qué producto comprar. Como Amazon tiene claro qué tipo de recomendaciones ayudan más a los usuarios en cada momento, determina el comportamiento de cada tipo de recomendador y los situa adecuadamente en la página. Y su estrategia parece funcionar, ya que hablamos de más de 30% de ventas que provienen de las recomendaciones.
Los sistemas de recomendación plenamente automáticos, buscan aumentar conversiones y ventas, que son los indicadores sobre los que tienen datos. Y es evidente que aumentar conversiones y ventas nos interesa a todos, pero… ¿qué es mejor aumentar un 20% las ventas de productos con un 5% de margen o un 10% las ventas de productos con un 25% de margen? ¿qué es mejor, aumentar un 15% las ventas de productos perecederos o aumentar un 10% las ventas de estos productos pero con una mayor rotación de stock de forma que no se nos estropeen? ¿qué es mejor, aumentar un 25% las ventas en general o aumentar un 15% las ventas de productos de un proveedor que nos ofrece un mayor descuento por volumen?
Vender por internet no es tarea simple, y a nivel de negocio se manejan multitud de variables e indicadores que en muchos momentos son críticos para distintos estadios de la empresa. Si bien al principio casi todas las empresas se focalizan en crecer, llega un punto en el puede ser preferible un crecimiento más moderado pero hacer los procesos internos mucho más eficientes. Un sistema de recomendación que no sea capaz de aceptar “inputs” por parte del negocio, no es capaz de adaptarse a las distintas necesidades y etapas de la empresa, y busca el crecimiento en ventas de una forma casi ciega.
En el caso de BrainSINS, la comunicación de estos “inputs” de negocio resulta muy simple, gracias al sistema de reglas de negocio, que permite que se creen reglas que potencien las recomendaciones de productos con mucho stock, productos que puedan ser perecederos o con “fecha límite”, productos que vengan de un proveedor determinado, campañas, etc. Con estas reglas podemos modelar las necesidades puntuales del negocio, e irlas adaptando a cada momento y etapa de evolución de nuestra tienda online. Por otro lado, el sistema de creación de recomendadores, permite determinar el comportamiento de las recomendaciones en cada tipo de página de nuestra tienda online. De esta forma, podemos definir, al igual que hacen los grandes como Amazon, nuestra propia estrategia de personalización.
Hay un tercer factor de gran importancia que apoya la filosofía detrás de BrainSINS, que es el adaptarse a la estrategia de marketing de cada tienda online. No todas las tiendas online son iguales, y cada uno tenemos nuestra propia visión de cómo deben ser las cosas, y sobre todo, de cómo queremos que nuestros usuarios y clientes nos perciban como tienda, así como los valores que tratamos de promover. Por ejemplo, si somos una tienda online de ropa, podemos querer utilizar las recomendaciones para complementar los “looks”, de forma similar a la manera en la que se utilizan los maniquies en las tiendas físicas, complementando para una camisa con unos pantalones y unos zapatos. Este tipo de estrategias son muy habituales en determinados dominios, y tienen un gran sentido, de forma que si utilizamos un sistema que no permite cierta interacción, no podremos aplicar este tipo de restricciones, y por tanto, no podremos transmitir la imagen que hemos definido para nuestra tienda.
Otra de las diferenciaciones importantes de BrainSINS con respecto a otras soluciones es la utilización de un catálogo donde se incluye la información de los productos, y que se utiliza para que el sistema conozca todos nuestros productos y los datos asociados a los mismos. Otras soluciones mandan la información de los productos vía JavaScript, cada vez que un usuario visita la página de los productos, lo cual hace que no actualicemos la información de aquellos productos que no han recibido visitas recientemente. Esto genera situaciones realmente incómodas para el vendedor, ya que si tenemos productos en stock desde hace mucho tiempo, les aplicamos una oferta para hacerlos más atractivos, pero el sistema de recomendación no actualiza la información de los productos, seguirá mostrando el precio antiguo cada vez que salga recomendado, y por tanto, nuestros usuarios no estarán recibiendo el mensaje que les queremos transmitir con la rebaja en el precio.
Otro tipo de situaciones se originan debido al stock. Si uno de nuestros productos se queda fuera de stock (porque lo hemos vendido desde nuestra tienda física, o a través de otro canal), y no recibe visitas, seguiremos mostrándolo en las recomendaciones, haciendo que los usuarios a los que les pueda interesar lleguen a una página con el producto fuera de stock o, incluso dependiendo de cómo configuremos nuestra tienda, a una página que ya no existe.
Con la existencia de un catálogo de productos que se intercambia entre la tienda y el sistema de recomendación, evitamos toda esta problemática, y aseguramos que el sistema de recomendación utilice siempre la información más actualizada posible.
Ver el Artículo original sobre Programas para email marketing