Un recomendador de productos con IA puede ayudar al visitante a elegir cuando sabe qué necesita resolver, pero no conoce el nombre del producto o las diferencias del catálogo. Su utilidad depende de que las preguntas conduzcan a opciones adecuadas y de que cada explicación se apoye en datos comprobables.
Conviene empezar por una categoría donde el equipo ya dedique tiempo a orientar compras. Anota las preguntas que permiten descartar opciones y los atributos que determinan la elección. Ese conocimiento comercial debe formar parte del proyecto.
Convierte las dudas de compra en atributos
Revisa qué datos permiten responder sobre uso, medidas, material, compatibilidad o condiciones de instalación. Un texto atractivo puede explicar el producto sin recoger todos los requisitos necesarios para recomendarlo.
Ejemplo ficticio: una tienda vende mesas plegables. Una persona busca una para un balcón estrecho y quiere guardarla después de usarla. Para orientar la elección hacen falta medidas abierta y plegada, además de información confirmada sobre uso exterior. La etiqueta «versátil» no resuelve esas preguntas.
Normaliza unidades y nombres de atributos. Si unos artículos expresan el ancho en centímetros y otros solo lo mencionan dentro de una descripción, la comparación necesita una preparación adicional.
Pregunta solo lo que cambie la selección
Diseña una conversación breve que empiece por la necesidad y aclare restricciones determinantes. Permite corregir una respuesta y ver las opciones sin completar un interrogatorio innecesario.
Como ejemplo de implementación, Google Cloud documenta un sistema de filtrado conversacional que utiliza atributos del catálogo para generar preguntas y permite revisarlas o sustituirlas. La lección práctica para el proyecto es vincular cada pregunta con información que realmente ayude a seleccionar.
Si dos preguntas conducen a las mismas opciones, revisa si ambas son necesarias. Cuando falte un requisito esencial, acláralo antes de mostrar una recomendación como adecuada.
Separa los requisitos de las preferencias
Una medida máxima o una compatibilidad confirmada pueden funcionar como condiciones obligatorias. El color preferido o un acabado concreto pueden admitir alternativas si el usuario lo acepta.
Define estas diferencias de forma explícita. El sistema no debería recomendar una opción incompatible porque sea popular o tenga un precio conveniente. Tampoco convertir una preferencia en una restricción sin explicarlo.
Si ninguna opción cumple, muestra qué condición impide encontrar coincidencias y pregunta si tiene sentido modificarla. Un resultado vacío explicado es más útil que una propuesta que ignora lo solicitado.
Justifica cada propuesta con datos del producto
Muestra pocas alternativas y explica por qué encaja cada una. Incluye el enlace a su ficha y las diferencias relevantes para la decisión. Evita adjetivos como «perfecto» si no puedes demostrar que se cumplen todos los requisitos.
Los precios y la disponibilidad deben proceder de la fuente prevista para esos datos. No confíes en una descripción antigua para afirmar que hay existencias. Cuando una compatibilidad no esté documentada, ofrece consultar al equipo en lugar de deducirla por semejanza.
Prueba si ayuda a elegir mejor
Utiliza situaciones de compra reales anonimizadas y compara las propuestas con el criterio del equipo. Revisa requisitos incumplidos, preguntas innecesarias, clics hacia fichas y consultas que siguen necesitando atención.
Las ventas pueden formar parte del seguimiento, pero interpreta cualquier cambio junto con tráfico, promociones y disponibilidad. Una mejora coincidente con el lanzamiento no demuestra por sí sola que la cause el recomendador.
En FEBEN conectamos IA aplicada y ecommerce para diseñar ayudas de compra con un alcance concreto. El primer entregable debe ser una selección que tu negocio pueda explicar y respaldar.