Si querés recomendar mejor, no alcanza con mirar clics y compras pasadas. Yo me quedo con esta idea: el comportamiento muestra lo que pasó; el chat muestra lo que la persona quiere ahora.
En ecommerce, una vista de producto o un carrito abandonado pueden significar muchas cosas. En cambio, cuando alguien escribe por WhatsApp o Instagram, suele dejar datos que cambian la venta en ese momento: uso, talle, presupuesto, urgencia, compatibilidad o reposición. Eso pega directo en la recomendación.
Puesto simple, yo usaría esta regla:
Hay 4 casos donde el chat pesa más que el historial:
Yo resumiría el flujo así:
También hay un límite claro: no todo chat indica compra. Un mensaje puede ser soporte, envío o reclamo. Por eso conviene clasificar bien la conversación antes de usarla como señal comercial.
Y si querés saber si esto funciona, yo no miraría solo conversión. También seguiría de cerca:
En pocas palabras: el chat no reemplaza los datos de navegación ni de compra; los corrige cuando el contexto cambió. Si lo cruzás con datos vivos de la tienda y medís el impacto con prueba A/B, la recomendación queda mucho más cerca de la decisión real.
Un clic te dice que algo llamó la atención. Una compra pasada muestra que, en algún momento, hubo una decisión. Pero ninguna de esas dos señales explica qué necesita esa persona hoy, por qué lo necesita, para cuándo lo quiere ni bajo qué condiciones el producto le tiene que servir.
En WhatsApp o Instagram, en cambio, el cliente puede decirlo de forma directa: cuál es su objetivo, qué urgencia tiene, cuánto piensa gastar, qué límites tiene y qué resultado espera. Por ejemplo, puede contar que busca una crema para piel sensible con manchas, que necesita un talle especial para un regalo o que quiere reponer un suplemento antes de quedarse sin stock. También aparecen objeciones y descartes: qué productos rechazó, por qué los descartó y qué dudas tiene sobre cambios, devoluciones o cuotas. Con esa información, la recomendación deja de basarse solo en señales indirectas y pasa a ajustarse al momento de compra real. Esto es fundamental para implementar una automatización en WhatsApp para ecommerce que sea realmente efectiva.
La diferencia entre estas fuentes no pasa por decidir cuál “gana”. Cada una responde una pregunta distinta. Y eso cambia cómo conviene usarla en una optimización de ventas con WhatsApp.
| Fuente de datos | ¿Qué pregunta responde? | Limitación principal | ¿Qué cambia en la recomendación? |
|---|---|---|---|
| Clics y vistas | ¿Qué producto o categoría captó la atención? | No distingue curiosidad, comparación e intención de compra | Sirve para orientar la exploración, no como prueba de una necesidad concreta |
| Historial de compras | ¿Qué compró antes, con qué frecuencia y qué categorías repite? | Describe el pasado; puede quedar viejo si cambió el contexto, el presupuesto o las preferencias | Permite sugerir reposición o complementos, siempre que el chat no diga otra cosa |
| Conversaciones | ¿Qué quiere lograr ahora, para cuándo, con qué presupuesto y bajo qué restricciones? | Puede tener ambigüedad o datos incompletos; requiere privacidad y control de calidad | Si el chat suma una restricción actual - de talle, rutina, compatibilidad o reposición - , esa señal debería pesar más que el historial |
La intención no queda definida en el primer mensaje. Una persona puede arrancar diciendo que está mirando cremas y, después de una sola pregunta para aclarar, contar que busca algo para manchas, que tiene piel sensible y que necesita una rutina simple. Ahí cambia todo. La recomendación ya no debería seguir mostrando cremas populares, sino opciones pensadas para piel sensible, enfocadas en manchas y que encajen con una rutina de pocos pasos.
Cada mensaje nuevo puede confirmar, limitar o cambiar la recomendación en tiempo real. El chat va ajustando la hipótesis de intención turno a turno. Lo que el comportamiento pasado no llega a mostrar, la conversación lo pone sobre la mesa justo cuando importa. Ese ajuste se ve con más fuerza cuando en el intercambio se define el talle, la rutina, la compatibilidad o la reposición.
El chat no pesa lo mismo en todas las categorías. Sirve más cuando suma un dato actual que el historial no muestra. Esto aparece con claridad en tres casos: talle, rutina y reposición.
Una compra previa solo indica qué talle eligió esa persona para ese modelo. No confirma cómo le quedó, si después hubo un cambio ni si ese talle equivale en otro corte. Una remera talle M de algodón elastizado no juega igual que una campera rígida en ese mismo talle.
El punto de partida más útil aparece cuando la persona pregunta "¿qué talle me conviene?" o comenta que ya tuvo que cambiar una prenda. Ahí el chat suma contexto de verdad: define si prefiere un ajuste al cuerpo, regular o suelto, y lo cruza con las medidas del SKU puntual.
Si hay duda entre dos talles, conviene mostrar:
La misma lógica corre cuando la decisión depende de ingredientes, compatibilidad o consumo.
En belleza, el historial puede mostrar que alguien compró una crema hidratante, pero no dice si tiene piel sensible, si ya usa un ácido en su rutina o si cambió su objetivo. La conversación permite ordenar esa decisión con una secuencia simple: objetivo → tipo de piel → sensibilidad o ingredientes que evita → productos que ya usa → rutina propuesta. Sin ese recorrido, la recomendación queda genérica.
En electrónica, todo depende del modelo exacto. Una persona que busca un cargador para su notebook Lenovo puede necesitar otra potencia según el equipo. Un dock USB-C puede funcionar o no según los puertos que tenga y el sistema operativo. Por eso, preguntar marca y modelo antes de recomendar evita sugerir un accesorio que no le va a servir. La clave está en la compatibilidad del modelo puntual.
En consumo masivo y hogar, la reposición basada solo en la fecha del último pedido puede llegar antes de tiempo o cuando ya es tarde. Una bolsa de café de 1 kg puede durar mucho más o mucho menos según cuántas personas la consuman. Una pregunta tan simple como "¿todavía te queda producto?" convierte una automatización en WhatsApp en una sugerencia ajustada al momento de consumo.
Con esa señal, la recomendación deja de apoyarse en supuestos y pasa a responder al contexto de compra de ese momento.
Flujo de Recomendación desde el Chat: 6 Pasos Clave
Cuando la intención ya está detectada, toca pasar de la charla a una sugerencia puntual. El chat marca la necesidad; el catálogo, el stock y las políticas marcan qué se puede ofrecer de verdad.
La recomendación tiene que ajustarse con cada respuesta del cliente. No debería arrancar de cero en cada turno.
| Paso | Qué hace el sistema | Ejemplo |
|---|---|---|
| 1. Detectar intención | Clasifica el objetivo principal del mensaje | "Busco zapatillas para correr" → recomendación por uso |
| 2. Extraer entidades | Identifica producto, talle, modelo, presupuesto, uso y urgencia | "Talle 39, hasta $120.000, para asfalto" |
| 3. Aclarar | Hace la pregunta mínima que cambia la decisión | "¿Priorizás amortiguación o menor peso?" |
| 4. Validar | Consulta catálogo, stock, precios, descuentos, plazos de entrega y políticas vigentes | Descarta el talle agotado; aplica la promoción activa |
| 5. Recomendar | Muestra una opción principal, una alternativa y el motivo concreto | Este modelo tiene stock en talle 39 y entra en tu presupuesto. |
| 6. Cerrar y registrar | Recalcula tras cada nueva respuesta; guarda la evidencia y deriva los casos complejos con el historial completo | Cambia la sugerencia si el cliente informa que ese talle no le queda; un asesor humano recibe el contexto y el motivo de la derivación |
La parte más delicada está en el paso 3: una sola pregunta clave por turno. Ahí suele jugarse todo. Si faltan dos datos que cambian la decisión, se pueden pedir juntos en un mensaje corto y con opciones rápidas. En WhatsApp, por ejemplo, algo como: "Uso diario / entrenamiento / evento" o "Hasta $50.000 / $50.000–$100.000 / más de $100.000". La idea es simple: orientar, no convertir el chat en un formulario eterno.
Antes de confirmar cualquier recomendación, el sistema tiene que mirar datos vivos: stock por variante, precio vigente, descuento aplicable, plazo de entrega y política de cambios y devoluciones. Si sugiere un producto sin chequear eso, aparece el clásico problema: la recomendación suena bien, pero no se puede cumplir. Y cuando hay un talle agotado, una promo vencida o una entrega que ya no aplica, la confianza del cliente se resiente aunque el producto haya sido el correcto.
Este flujo solo funciona si la consulta a la tienda pasa en tiempo real antes de recomendar. Burbuxa es una plataforma de IA para marcas de e-commerce conectada en tiempo real a productos, pedidos, inventario, descuentos y políticas de la tienda. Esto permite automatizar la atención en Shopify y otras plataformas de forma integral. Cuando la conversación muestra una señal concreta - como un carrito abandonado o un consumible que está por terminarse - activa la automatización de ventas en WhatsApp que corresponde y deriva los casos complejos a un asesor humano con todo el historial ya registrado.
Con el flujo ya definido, quedan dos preguntas de fondo: cuándo confiar en el chat y cómo saber si de verdad mejora la recomendación.
No todo mensaje marca intención de compra. Una persona puede escribir para consultar el estado de un envío, reclamar por un pedido anterior o responder una campaña de marketing en WhatsApp sin estar pensando en comprar. En cambio, preguntar si hay stock en talle 38 suele mostrar una intención bastante más directa. Preguntar cuánto tarda el envío puede entrar en preventa, soporte o compra. Por eso, antes de tomar una conversación como señal comercial, conviene clasificar bien el motivo del contacto.
La recomendación solo funciona cuando se alinean varias piezas: contexto del cliente, catálogo al día, reglas de negocio claras y un piso mínimo de confianza en la respuesta. Si faltan datos o aparecen respuestas cruzadas, el sistema tiene que preguntar más o derivar el caso. No conviene adivinar.
La forma más confiable es hacer una prueba A/B entre un grupo con contexto de chat y otro estándar, ya sea por zonas o por tiempo. El lift real se calcula como (conversión del grupo de prueba − conversión del grupo de control) / conversión del grupo de control. También conviene segmentar por caso de uso - talle, rutina, compatibilidad o reposición - porque un promedio general puede tapar diferencias importantes entre categorías.
Con esos filtros, la medición deja de apoyarse en intuición y pasa a basarse en comparación.
| Métrica | Sin chat | Con chat | Qué indica |
|---|---|---|---|
| Conversión tras la interacción | Tasa del flujo equivalente sin chat | Tasa tras recomendación basada en chat | Si la conversación influyó en la compra |
| Aceptación de la recomendación | Clic o aceptación de sugerencia genérica | Clic o compra tras sugerencia contextual | Relevancia percibida |
| Devoluciones por talle | Tasa histórica o del grupo de control | Tasa entre clientes con orientación conversacional | Calidad de la guía de calce |
| Recompra | Recompra según historial general | Recompra tras recomendación de rutina o reposición | Valor a mediano plazo |
| Derivación a una persona | Tasa de handoff del flujo tradicional | Tasa de handoff del sistema conversacional, por causa | Nivel de automatización y casos no resueltos |
Una tasa de conversión más alta, por sí sola, no alcanza si viene junto con más devoluciones o clientes frustrados. Y derivar a un agente humano tampoco implica que el sistema haya fallado. Si se mide bien por causa y por resolución, esa derivación muestra dónde hace falta ajustar.
Si el sistema clasifica bien el contexto y mide bien el impacto, el chat deja de ser un canal más y pasa a funcionar como una señal de intención.
Los datos de comportamiento muestran lo que pasó; el chat muestra lo que el cliente necesita ahora. Usalo para talle, rutina, compatibilidad y reposición, con catálogo actualizado y revisión humana en los casos ambiguos.
Se detecta mirando señales cerca de la decisión, no solo métricas de visibilidad.
En WhatsApp, sirven las aperturas y lecturas. Pero pesan más las respuestas, las preguntas y el avance hacia carrito o checkout, por ejemplo un clic en el link de pago.
En Instagram, importan los guardados, las respuestas a historias y los DMs iniciados. Sobre todo cuando la persona pregunta por precio, talle, stock, envío o cuotas.
La confirmación aparece cuando unís comportamiento, contexto del chat y eventos de compra.
Conviene guardar las consultas que muestran intención de compra: preguntas sobre talles, stock, precios, medios de pago o envíos. También sirve registrar las preferencias que el cliente deja en la charla, como respuestas a cuestionarios o equivalencias de uso.
Cuando esos datos se juntan con compras e interacciones previas, las recomendaciones pueden ser más precisas y relevantes en tiempo real.
La clave está en centralizar la información del cliente en un solo perfil. Si el sistema junta compras anteriores, interacciones pasadas y navegación en tiempo real, la persona no tiene que repetir sus datos a cada paso.
Con eso, el agente de IA puede usar el contexto de la conversación y el historial del cliente para responder con precisión, revisar stock, precios y políticas, y evitar preguntas de más.
