Si tengo que elegir rápido: uso reglas para salir ya, co-ocurrencia para cross-sell, secuencia si pesa la sesión anónima, e IA / deep learning solo cuando ya tengo mucho dato limpio, baja latencia y equipo para sostenerlo.
En este tema, la pregunta no es “qué modelo suena mejor”, sino qué modelo puedo hacer rendir hoy. En una tienda online, el clickstream - vistas, clics, búsquedas, carrito y compra - sirve para decidir entre 4 caminos según datos disponibles, nivel de personalización, tiempo de respuesta y costo de mantenimiento.
Yo me quedo con esta lectura simple:
También hay una señal que pesa mucho: si más del 40 % de las sesiones son anónimas, los modelos secuenciales suelen rendir mejor que los basados solo en historial. Y para que un sistema se sienta ágil, conviene apuntar a menos de 150–200 ms en recomendaciones dentro del sitio; en enfoques más avanzados, el objetivo suele bajar a menos de 100 ms.
Modelos de Recomendación con Clickstream: Comparativa Completa
| Modelo | Datos que suelo necesitar | Personalización | Tiempo de respuesta |
|---|
| Cuándo lo elegiría |
|---|
| Reglas | Eventos básicos de sesión | Baja | Muy bajo | Tienda chica, campañas, catálogo estable |
| Afinidad / co-ocurrencia | Sesiones, carritos, compras con timestamp | Baja a media | Bajo, con cálculo previo | Cross-sell, carrito, ficha de producto |
| Sesión / secuencia | Cientos de miles o millones de sesiones ordenadas | Media a alta | Bajo, si la infraestructura acompaña | Mucho tráfico anónimo, intención cambiante |
| IA / deep learning | 6 a 12 meses de historial, IDs limpios, stock y precio al día | Alta | Muy bajo, con stack más pesado | Retail grande, muchos SKU y varios canales |
Mi resumen corto: no arranco por el modelo más complejo. Arranco por el más simple que resuelva el caso, lo mido con conversión, ticket promedio e ingreso incremental por sesión, y recién ahí subo de nivel.
Eso ordena la decisión antes de mirar detalles.
Cuando hay que salir rápido y con trazabilidad total, las reglas suelen ser el mejor punto de arranque.
El enfoque más simple usa reglas del tipo “si… entonces…” que define el equipo de negocio. La lógica es directa y visible: se puede entender sin vueltas por qué aparece cada recomendación. Por ejemplo: "si el usuario visita una categoría al menos 3 veces en la sesión, mostrar los más vendidos de esa categoría".
Para que estas reglas funcionen bien, alcanza con un grupo chico de señales de clickstream: vistas de producto y categoría, tiempo en página, eventos de agregar al carrito, checkout, compra y abandono, más datos de sesión como identificador, timestamp, dispositivo y origen del tráfico.
No hace falta un historial largo ni modelos entrenados. Con herramientas de medición estándar, como GA4 o la analítica nativa de la plataforma, sumadas a una capa básica de datos, ya se puede empezar. Eso sí: estas señales sirven para reglas simples, no para leer una intención más profunda.
Las reglas permiten una segmentación bastante gruesa. Por ejemplo:
El límite aparece enseguida. No detectan patrones más finos, como afinidades entre categorías o cambios de preferencia con el paso del tiempo. Por eso no alcanzan para una personalización fina. Funcionan bien en campañas puntuales, pero no para personalización individual a escala.
Un motor de reglas bien armado puede responder en milisegundos. Si el usuario agrega un producto al carrito, la regla se evalúa y el módulo de venta cruzada se actualiza casi al instante.
La velocidad no suele ser el problema. El punto delicado es otro: mantener las reglas al día. En la práctica, estas lógicas muchas veces quedan quietas si nadie las revisa con cierta frecuencia. Por eso conviene ajustarlas cuando cambia la demanda o se mueve el catálogo.
Al principio, operarlo es simple. Después, cuando crecen el catálogo y las campañas, mantener el orden se vuelve bastante más difícil.
Una recomendación útil es revisar el set de reglas con una frecuencia fija - mensual, como mínimo - y dejar clara una jerarquía de decisión: primero productos en stock, después mayor margen y, por último, los más populares. Esa prioridad evita choques entre reglas y le da algo de orden al sistema.
A medida que sumás categorías y campañas, empieza a rendir más pasar de reglas fijas a señales aprendidas. Cuando el catálogo crece, las reglas pierden precisión y ya no alcanzan para detectar relaciones entre productos.
Cuando eso pasa, el paso siguiente es la afinidad por co-ocurrencia.
Cuando las reglas fijas se quedan cortas para mostrar relaciones reales entre productos, el paso siguiente suelen ser los modelos de co-ocurrencia. En vez de depender de reglas armadas a mano, acá el sistema aprende vínculos a partir del comportamiento: si dos productos aparecen juntos en sesiones, carritos o compras, infiere afinidad y recomienda complementarios o sustitutos. Esa es la lógica del clásico recomendador de "quienes compraron este producto también compraron", que ganó lugar por su escala mediante filtrado colaborativo ítem a ítem.
Para que esto funcione bien, hacen falta eventos de sesión con timestamps consistentes. La idea es simple: detectar qué productos suelen aparecer juntos. Y acá hay un punto que pesa mucho: la calidad de los datos vale más que el volumen. Si hay SKUs duplicados o categorías mal armadas, las asociaciones se deforman y el modelo mete ruido.
Un arranque práctico suele incluir:
Con esas asociaciones, el motor deja de recomendar por simple cercanía y pasa a recomendar según el contexto de compra.
La personalización que dan estos modelos es baja a media. No arman un perfil profundo de cada persona, pero sí detectan relaciones de compra muy útiles. Si alguien mira una notebook, por ejemplo, el sistema puede sugerir accesorios compatibles o productos que suelen comprarse juntos.
Suelen rendir muy bien en categorías donde hay complementariedad o sustitución clara, como electrónica, moda, hogar, supermercado y belleza, donde también se puede optimizar ventas con WhatsApp. Por eso encajan tan bien en la página de producto, en cross-sells dentro del carrito y en sugerencias durante el checkout.
En la mayoría de los casos, las asociaciones entre productos se precalculan de forma periódica - cada hora o una vez por día - y, ya en tiempo real, se aplican filtros dinámicos. Por ejemplo, sacar productos sin stock o ajustar la lista según la categoría activa.
Cuando una categoría se mueve mucho o hay promociones, conviene achicar la ventana de co-ocurrencia. En vez de mirar toda la historia, se pueden usar interacciones de la última hora para detectar cambios recientes sin volver a calcular todo desde cero.
Una de sus mayores ventajas es que son fáciles de explicar al negocio. No hace falta una caja negra imposible de entender: se pueden montar con SQL, pipelines de eventos y jobs programados.
El problema más común aparece cuando el modelo arrastra sesgos del pasado. Si ciertos productos se vendieron juntos por una promo puntual, esa relación puede quedar instalada aunque no muestre una afinidad de verdad. Por eso muchos equipos mezclan co-ocurrencia con reglas de negocio, como filtros de stock, prioridad por margen y campañas, para no perder control comercial mientras aprovechan la inteligencia del modelo.
Cuando la secuencia de navegación importa más que la simple coexistencia entre productos, el paso siguiente son los modelos de sesión y secuencia.
Cuando la co-ocurrencia se queda corta para entender la intención del momento, entran en juego los modelos de sesión y secuencia. La diferencia está en el orden: estos modelos intentan anticipar qué suele venir después dentro de una cadena de clics. Ya no alcanza con saber qué productos aparecen juntos; importa cómo se mueve la persona dentro del sitio. Si alguien mira una notebook básica, después filtra por 8 GB de RAM y revisa tres modelos con promociones bancarias, el sistema puede leer que está comparando opciones y ajustar lo que muestra.
La base mínima es un log de eventos ordenado por timestamp y agrupado en sesiones bien definidas. Cada evento debería traer:
También hace falta una regla de corte clara. Un caso común es usar 30 minutos de inactividad. Suena simple, pero pega de lleno en el resultado: si la sesión está mal armada, el modelo empeora.
Para entrenar modelos en los que se pueda confiar, una referencia práctica es tener al menos cientos de miles de sesiones y, mejor todavía, millones. El trabajo original con GRU4Rec se evaluó sobre el RecSys Challenge 2015 con ~8 millones de sesiones y mostró mejoras de 22,53% en Recall@20 y 31,49% en MRR@20 frente a Item-KNN. Para tiendas medianas en Argentina, suele servir como punto de partida una ventana de 3 a 6 meses de datos, idealmente con al menos un pico de demanda como Hot Sale o Cyber Monday. Con ese insumo, el modelo deja de mirar solo coincidencias y empieza a interpretar intención.
Estos modelos funcionan muy bien con usuarios anónimos. Como no dependen de un historial largo, pueden inferir la intención actual a partir de los últimos clics. Si una persona navega zapatillas de running, filtra por talle 40 y revisa productos en el rango de AR$ 20.000, el sistema puede sugerir modelos parecidos y también complementos, como medias técnicas o remeras deportivas, sin necesidad de identificarla.
Con usuarios registrados, el nivel de ajuste sube cuando la secuencia actual se mezcla con señales históricas resumidas, como marcas preferidas o rangos de precio habituales. Así, la recomendación no solo sigue el gusto de fondo, sino también lo que esa persona quiere resolver en ese instante.
La gracia de estos modelos está en responder durante la sesión, no horas después. El flujo típico suele ser bastante directo: el front-end manda cada evento a una cola de mensajes, un servicio actualiza la representación de la secuencia en curso y el modelo devuelve los top N productos en tiempo real.
Para que la experiencia se sienta fluida, conviene apuntar a una inferencia por debajo de los 150–200 ms de latencia total. Si tarda más, el usuario ya siguió de largo. Algunas técnicas útiles son cachear estados de secuencia frecuentes y precomputar candidatos por categoría. Eso ayuda a sostener la velocidad sin perder relevancia.
Acá aparece la parte más pesada: la operación diaria. Hace falta sostener pipelines multicanal, reentrenar de forma semanal o diaria en rubros como moda o supermercados, y seguir de cerca métricas como CTR, conversión y ticket promedio.
La dificultad sube, sobre todo, por tres razones:
Si entran categorías nuevas que el modelo no vio durante el entrenamiento, las recomendaciones pueden caer bastante rápido. Por eso muchas empresas suman filtros en la capa de servicio, como stock disponible, precios al día y promociones bancarias vigentes. El modelo, por sí solo, no resuelve esas restricciones. Cuando la señal de la sesión se mezcla con más contexto y más variables, el paso siguiente son los modelos de IA y deep learning.
Cuando la sesión sola no alcanza para entender la intención, entran en juego los modelos de IA y deep learning. Estos modelos aprenden representaciones latentes de usuarios y productos a partir de los datos. En la práctica, las arquitecturas más usadas mezclan señales secuenciales con señales de largo plazo para dar distinto peso a cada evento de la sesión.
Dicho simple: si el objetivo ya no es solo encontrar correlaciones, sino leer una secuencia, la co-ocurrencia se queda corta. Hace falta historial ordenado.
El piso operativo es alto. Estos modelos suelen pedir cientos de miles de interacciones y entre 6 y 12 meses de historial. Para una marca argentina mediana - con un catálogo de entre 5.000 y 50.000 SKU y un tráfico mensual de 100.000 a 2.000.000 de sesiones - esa ventana suele ser un punto de partida razonable.
Ahora bien, no alcanza con tener mucho dato. Los eventos tienen que estar estandarizados, con IDs consistentes, marcas de tiempo coherentes, y stock, precio y atributos de producto al día. Si el modelo recomienda un producto sin stock o con un precio viejo, el golpe a la experiencia del usuario puede ser peor que cualquier mejora en relevancia.
Un modelo de deep learning puede mezclar el gusto más estable de una persona - sus marcas preferidas o su rango de precio habitual - con la intención de corto plazo dentro de la sesión actual. Además, puede mover el ranking según el dispositivo y el canal desde el que navega.
En moda, por ejemplo, el modelo puede cruzar estilo, color y talle. En electrónica, puede inferir perfil de uso y ajustar tanto productos como bundles. Ese grado de ajuste cuesta mucho de lograr con segmentos estáticos o con reglas fijas.
Los sistemas modernos pueden entregar recomendaciones con apoyo de arquitecturas event-driven, feature stores y APIs de baja latencia. Como referencia, conviene apuntar a menos de 100 ms dentro del sitio y entre 1 y 2 s en WhatsApp.
A partir de ese punto, la diferencia ya no pasa tanto por la calidad visible de la recomendación, sino por algo más terrenal: la complejidad de implementación y el trabajo de mantenimiento.
Construir un MVP desde cero suele llevar entre 6 y 12 semanas. Ahí entran la limpieza de datos, el desarrollo del modelo y la integración por API. Y después arranca la parte menos glamorosa, pero igual de pesada: reentrenamiento periódico, monitoreo de drift y aplicación de reglas de negocio - márgenes, stock y promociones vigentes - antes de mostrar cada recomendación.
En marcas medianas, usar una plataforma con esta infraestructura suele bajar la carga interna y dejar al equipo enfocado en lo que importa: objetivos, reglas de negocio y experimentación A/B. La elección final depende, sobre todo, del volumen de datos, la latencia y el costo operativo.
Con los cuatro enfoques ya definidos, la decisión deja de ser solo técnica y pasa a depender del negocio. Acá mandan tres cosas: el tamaño de la operación, el volumen de datos y cuánto pesan las sesiones anónimas.
Las tiendas chicas suelen sacar más jugo de las reglas simples. Son directas, fáciles de controlar y no exigen un historial largo. En cambio, las marcas medianas, cuando ya tienen suficientes transacciones, pueden dar el salto a modelos de afinidad y sumarle una capa de reglas para cuidar márgenes y stock.
Para los grandes minoristas, la lógica cambia. Si cuentan con equipos de datos y mucho clickstream, los modelos secuenciales y de deep learning son los que mejor usan ese caudal de información.
Hay un punto que pesa mucho: cuando más del 40 % de las sesiones es anónimo, los modelos secuenciales suelen leer mejor la intención de compra. La razón es simple: si no hay login, el valor no está en el historial, sino en lo que la persona hace ahora mismo dentro de la sesión.
En picos estacionales como Hot Sale o Cyber Monday, suele funcionar mejor una mezcla. Por un lado, reglas de campaña que delimiten el universo de SKUs elegibles. Por el otro, un modelo secuencial o de afinidad que personalice dentro de ese conjunto. Dicho fácil: primero acotás qué se puede mostrar, después decidís qué conviene sugerirle a cada usuario.
En canales mezclados, todo vuelve a cambiar. Si una persona descubre un producto en Instagram, consulta por WhatsApp y termina comprando en la tienda, la sesión no se cierra en el sitio. Sigue en los canales conversacionales. Burbuxa conecta esa lógica con WhatsApp e Instagram, sincroniza catálogo, stock y pedidos, y ejecuta recomendaciones dentro del chat.
La comparación práctica queda en esta matriz.
| Modelo | Ventajas principales | Limitaciones clave | Escenario más adecuado |
|---|---|---|---|
| Reglas | Control total, fácil de implementar, no requiere datos históricos | Mantenimiento manual, no aprende del comportamiento | Tiendas pequeñas, catálogos estables, campañas con restricciones fijas |
| Afinidad / co-ocurrencia | Descubre patrones reales de compra, mejora ventas cruzadas | Arranque frío en productos nuevos, necesita volumen mínimo de órdenes | Marcas medianas con historial de transacciones suficiente |
| Sesión / secuencial | Funciona con sesiones anónimas, captura intención en tiempo real | Requiere tracking detallado por sesión, más complejo de implementar | Tiendas con alto porcentaje de visitantes sin login, recorridos de exploración |
| IA / deep learning | Mayor personalización, adapta múltiples señales y canales | Alto costo operativo, poca transparencia, requiere mucho dato limpio | Grandes minoristas con equipos de datos y clickstream abundante |
No hay un modelo único que sirva para todos los casos. La clave es elegirlo según tu clickstream, tu catálogo y la capacidad operativa que hoy ya tenés.
Desde ahí, el paso que sigue es bastante simple: mapear qué modelo responde mejor al volumen y a la calidad del clickstream. En tiendas chicas o medianas, las reglas suelen ser suficientes. A medida que crecen las sesiones y el historial, la afinidad suele rendir mejor para cross-sell y upsell. Si una parte grande del tráfico es anónimo, la secuencia detecta mejor la intención del momento. Y cuando los datos ya están bien consolidados, los modelos de IA y deep learning pueden personalizar el ranking en cada superficie.
Ahora bien, ningún modelo debería operar sin límites de negocio. La jugada más práctica suele ser usar reglas como filtro - stock, margen y restricciones - y dejar que el modelo ordene dentro de ese marco. Dicho simple: primero definís qué se puede mostrar; después, el modelo decide qué va primero.
Cuando WhatsApp o Instagram forman parte del recorrido de compra, las señales no quedan encerradas en el sitio. Burbuxa conecta esa lógica al chat, para que las recomendaciones aparezcan donde el cliente ya está.
Con el canal resuelto, queda medir impacto y ajustar. No arranques con más complejidad de la que hace falta. Empezá con el modelo más simple que resuelva el caso, medí conversión, ticket promedio e ingreso incremental por sesión, y escalá después.
Depende de tus objetivos comerciales, de los datos que ya tenés y del punto de contacto donde vas a mostrar la recomendación.
Si buscás más precisión, un modelo híbrido suele ser la mejor opción. ¿Por qué? Porque mezcla dos señales que, juntas, suelen funcionar mejor: el comportamiento de las personas y los atributos del producto.
Si tenés productos nuevos o un catálogo muy específico, el filtrado por contenido puede andar muy bien, incluso sin historial previo. En cambio, si ya contás con tráfico y ventas constantes, el filtrado colaborativo puede sacar provecho de los patrones de compra y navegación de otros clientes.
Si la mayor parte de tus sesiones son anónimas, el sistema no se apoya solo en el historial de compras. En esos casos, Burbuxa trabaja con aprendizaje auto-supervisado y análisis de contexto en tiempo real.
Las recomendaciones salen de dos fuentes. Por un lado, los metadatos del catálogo: imágenes, descripciones y categorías. Por el otro, lo que la persona hace en esa sesión, como mirar productos, hacer búsquedas o sumar artículos al carrito.
Además, usa vectores de similitud visual para mostrar productos relacionados desde el primer clic. Dicho simple: aunque no haya datos previos del usuario, el sistema puede encontrar relaciones entre productos y responder según lo que pasa en ese momento.
Conviene pasar de reglas manuales a IA cuando tu catálogo crece y el volumen de datos ya te queda grande para manejarlo sin fricción. En ese punto, mantener reglas a mano empieza a volverse lento, mientras la IA escala mejor y puede detectar patrones más complejos.
El cambio suele tener sentido si buscás más precisión y más velocidad en las recomendaciones, y si además ya tenés centralizados los datos de clientes, pedidos e inventario. Para dar ese paso sin jugarte todo de una, arrancá con pilotos puntuales y compará los resultados antes de escalar.
