Si una recomendación no respeta stock, precio, promo y lo que la persona pidió en el chat, no sirve. Yo resumiría todo así: en ecommerce, un sistema híbrido funciona mejor cuando primero filtra lo que no se puede vender y después ordena lo que sí conviene mostrar.
En este tema, hay 4 señales que tengo que combinar:
La idea central es simple:
Yo no mezclaría todo con el mismo peso. Haría esto:
Un dato que no conviene pasar por alto: para validar si esto funciona, el artículo propone un A/B test de 2 a 4 semanas y medir cosas concretas como CTR, conversión por conversación, estrategias para recuperar carritos e ingresos por conversación. Además, hay que vigilar errores duros: 0 productos sin stock, 0 precios viejos y promos bien aplicadas.
| Señal | Cuándo pesa más | Riesgo si se usa sola |
|---|---|---|
| Contenido | Primera compra, fit, compatibilidad, producto nuevo | No ve demanda ni cambios de contexto |
| Comportamiento | Cross-sell, reposición, historial con volumen | Se queda pegado al pasado |
| Reglas | Stock, promo, margen, envío | Si entran tarde, rompen la recomendación |
| Chat | Venta asistida, dudas, restricciones puntuales | Sin datos en tiempo real, responde mal |
En pocas palabras: yo usaría el modelo híbrido para que WhatsApp e Instagram recomienden productos que sí se pueden vender hoy, con datos al día y con el contexto de esa charla. Ese es el punto de partida del artículo.
Cómo funciona un sistema híbrido de recomendación de productos
Un sistema híbrido ordena señales distintas en una secuencia simple: captura, normaliza, rankea y entrega. Esa lógica ayuda a entender qué entra al sistema, cómo se ordena y en qué punto cada señal pasa a tener más peso.
La captura de datos reúne cuatro bloques:
En esta etapa también entran las reglas de negocio, como políticas de envío y cambios.
Pero captar datos, por sí solo, no alcanza. Antes hay que volverlos comparables. La normalización estandariza precios, talles, colores y moneda, elimina duplicados y aplica decaimiento temporal para que las interacciones recientes pesen más que las viejas.
Con los datos ya ordenados, el sistema puede priorizar sin confundir ruido operativo con intención real. El ranking combina señales de contenido, comportamiento, contexto y reglas en un puntaje por producto. Después, la salida toma los N productos mejor rankeados, aplica filtros de negocio y los muestra en el formato correcto para cada canal: un mensaje corto en WhatsApp o un carrusel en Instagram. A la vez, registra qué se recomendó, qué se clickeó y qué se compró, para alimentar otra vez al sistema.
Burbuxa sincroniza catálogo, pedidos, inventario, descuentos, políticas y contexto del chat en tiempo real desde Shopify, Tiendanube, VTEX o APIs propias.
Los filtros por contenido recomiendan a partir de atributos como categoría, talle, color, material, compatibilidad, uso y rango de precio. Funcionan mejor en tres casos puntuales: productos nuevos sin ventas previas, categorías donde el fit o la compatibilidad mandan, y usuarios que llegan por primera vez sin datos de comportamiento.
En calzado, por ejemplo, una persona que escribe "busco zapatillas talle 38, horma ancha, para caminar" necesita que el sistema priorice contenido por encima de cualquier señal de popularidad. Acá no sirve adivinar: o el producto calza con lo que pide, o no.
Pasa lo mismo en electrónica, donde un cargador tiene que coincidir con un conector y una potencia específicos. Y también en farmacia, donde ingredientes como "sin parabenos" o "hipoalergénico" definen la recomendación antes que el historial de compras del segmento.
| Señal | Fortalezas | Limitaciones | Mejor caso de uso |
|---|---|---|---|
| Filtros por contenido | Preciso en fit y compatibilidad | Depende de etiquetas bien cargadas; no capta tendencias | Productos nuevos, primeras compras, consultas con restricciones técnicas |
| Comportamiento y compras | Refleja demanda real y patrones de cross-sell | Requiere volumen de datos; puede sesgar hacia lo popular | Cross-sell, reposición, recomendaciones personalizadas |
| Contexto del chat | Captura intención explícita e inmediata | Difícil de escalar sin buen NLP; lenguaje ambiguo | Venta asistida 1:1, objeciones, regalos, casos de uso complejos |
Las señales de comportamiento - historial de pedidos, recompras, afinidad entre productos, combinaciones de carrito, recencia, frecuencia y valor monetario - son la capa con más fuerza cuando hay suficiente volumen de datos y un catálogo estable. El punto clave es simple: no todas las señales valen lo mismo.
Conviene dar más peso a compras repetidas y co-carritos que a clics o vistas, y bajarlo a medida que las interacciones envejecen. Una compra repetida del mismo SKU, o una combinación de productos que aparece en carritos de muchos clientes distintos, marca una señal fuerte. En cambio, un clic aislado o un scroll rápido en un carrusel de Instagram dicen bastante menos. Si todo entra al ranking con el mismo valor, el puntaje se ensucia.
Esta capa se vuelve confiable cuando hay suficiente volumen transaccional, el catálogo es relativamente estable y existen ciclos de recompra o combinaciones de cross-sell que ya se pueden identificar. En categorías de alta rotación, como moda o electrónica, conviene combinarla con señales de contenido cuando el surtido cambia seguido.
Las reglas de negocio y el contexto conversacional cuidan la calidad de la recomendación justo en el momento de la venta. El modelo puede rankear bien, sí. Pero si muestra un producto sin stock, con precio desactualizado o con restricción de envío para la zona del comprador, la conversación se corta.
| Tipo de regla | Acción | Ejemplo concreto |
|---|---|---|
| Stock disponible | Bloquear | No mostrar un producto si está por debajo del stock mínimo definido |
| Margen o promo activa | Reordenar | Subir en el puntaje los productos priorizados por margen o promo vigente |
| Restricción de envío | Filtrar | Excluir productos sin cobertura logística en la zona del comprador |
| Contexto del chat | Reforzar o redirigir | Si el usuario menciona "muy caro", cambiar a lógica sensible al precio y mostrar alternativas con descuento |
El contexto del chat suma algo que ningún modelo de comportamiento puede inferir por sí solo: lo que la persona está pidiendo ahora, en lenguaje natural. Una pregunta como "¿tienen algo similar pero en cuero y hasta $70.000?" trae restricciones de material, precio y preferencia estética que hay que procesar en tiempo real y aplicar sobre el puntaje antes de responder.
Sin esta capa, el sistema puede rendir bien en promedio, pero quedar corto en la conversación concreta.
Con estas prioridades definidas, el siguiente paso es combinar señales sin generar recomendaciones contradictorias.
La forma más simple de evitar choques es usar un flujo de dos pasos: primero filtrar y después rankear. Así, el sistema no mezcla candidatos inválidos con opciones que sí sirven.
Hay tres maneras prácticas de hacerlo.
La mezcla ponderada suele ser el punto de partida. Cada señal genera un puntaje normalizado entre 0 y 1, y después el sistema los une con pesos que se pueden mover según el contexto:
Score_híbrido = α · Score_contenido + β · Score_comportamiento + γ · Score_intención + δ · Score_reglas
Esos pesos no son fijos. Cambian según el momento de la conversación. En una etapa de descubrimiento temprano, conviene darle más peso al contenido y a la intención del chat. En reposición - si alguien pide repetir el mismo shampoo de la vez pasada - manda el comportamiento histórico. Y en una campaña de Hot Sale, las reglas de negocio pasan al frente y acomodan el ranking alrededor de los SKUs priorizados.
Las reglas de prioridad actúan antes del ranking. Sirven para excluir productos o forzar posiciones. Si un producto no tiene stock, queda afuera aunque su puntaje de contenido sea perfecto. No hay mucho misterio: si no se puede vender, no debería competir.
El ajuste dinámico de pesos permite que el sistema cambie dentro de una misma conversación. Si la persona pasa de mirar opciones a pedir algo puntual, los pesos también se mueven. La intención del usuario gana lugar y el comportamiento histórico pierde peso.
Los cruces entre relevancia y negocio suelen aparecer en casos como estos:
| Conflicto | Señal dominante | Resolución |
|---|---|---|
| SKU muy relevante pero sin stock | Reglas + inventario | Excluir y ofrecer alternativas disponibles |
| Cross-sell fuerte pero margen bajo | Reglas de negocio | Bajar de posición o reemplazar por alternativas con margen aceptable |
| Producto relevante pero fuera de promo | Reglas + contenido | Priorizar elegibles; incluir el no elegible más abajo con aclaración |
| Precio desactualizado por cambio intradía en AR$ | Reglas en tiempo real | Recomputar en cada interacción con precios, stock y promos sincronizados |
La regla que ordena todo es simple: las restricciones duras se aplican antes del ranking, no después. Una vez que el conjunto válido ya quedó limpio, los pesos se encargan del resto.
En WhatsApp e Instagram, la recomendación cambia según el mensaje, el momento y la urgencia. No es lo mismo una charla de descubrimiento que una duda justo antes de pagar. Por eso, la lógica del modelo va variando a medida que avanza la conversación.
El modelo híbrido no actúa igual en todos los casos. Se mueve distinto según la etapa del chat.
En descubrimiento, el sistema toma la consulta del cliente para achicar la búsqueda y ordenar opciones por stock, conversión y rotación. Si alguien escribe por WhatsApp: "busco una crema hidratante para piel sensible, presupuesto hasta AR$ 20.000", el sistema filtra por tipo de piel y precio, y después ordena los resultados según el contexto de esa charla. La idea es simple: no mostrar de más, sino acercar lo que mejor encaja.
Cuando la persona ya filtró opciones, la conversación deja de girar en torno a buscar y pasa a decidir.
En venta asistida, el foco está en destrabar dudas que frenan la compra. En moda, por ejemplo, si alguien dice "no sé qué talle soy en esta marca", el sistema cruza atributos del producto con historial de ajuste o devolución para responder algo puntual. La mejor salida, en este punto, suele ser una recomendación concreta y una razón corta. Sin vueltas.
En recuperación de carrito, el sistema solo debería activarse cuando hay señales claras de intención, como carrito abandonado, vistas repetidas o reposición prevista. En belleza, si una clienta dejó tres productos de rutina en el carrito, el mensaje puede sumar un complemento que combine con el mismo tipo de piel y rango de precio, pero sin empujar un upsell antes de que cierre el pedido original. En almacén o grocery, el disparo puede ser mucho más directo: "Solés comprar yerba y leche cada dos semanas, ¿armamos el pedido de esta semana?", con las cantidades habituales ya cargadas para que la persona solo confirme o cambie lo que haga falta.
Para que ese disparo funcione, precio, stock e historial tienen que estar alineados.
Si el precio, el stock o las promos no coinciden, la recomendación pierde fuerza enseguida. Los datos que tienen que estar sincronizados en tiempo real son productos y variantes, inventario, precios, descuentos, historial del cliente y políticas. En Argentina, donde la disponibilidad y las promociones pueden moverse de un momento a otro, esa sincronización en tiempo real no es un lujo: es el piso mínimo para que el sistema sirva.
Para marcas que operan en Shopify, Tiendanube, VTEX o stacks propios vía API, plataformas como Burbuxa resuelven esta capa al sincronizar productos, órdenes, clientes, inventario, descuentos y políticas en tiempo real, con un contexto compartido entre WhatsApp e Instagram. Eso hace que, si una persona pregunta por un talle en Instagram y después sigue la charla en WhatsApp, el sistema conserve el mismo contexto sin obligarla a repetir todo desde cero.
No conviene dejar todo en manos del sistema. Hay tres casos donde la intervención humana se justifica de forma clara:
Cuando manda una restricción dura, la IA puede ordenar la situación, pero la persona tiene que resolver la excepción.
El escalado necesita reglas explícitas: qué intenciones lo activan, en cuánto tiempo responde un agente humano y qué mensaje recibe el cliente mientras espera. Si eso no está definido, la experiencia se rompe justo en el peor momento.
La trazabilidad pesa tanto como el escalado. Cada recomendación que salga en el chat tiene que poder auditarse, mostrando qué filtros se aplicaron, qué señales de comportamiento influyeron y qué regla de negocio cambió el ranking. Eso le da al equipo de soporte el contexto necesario antes de entrar en la conversación. Y también le muestra al equipo de crecimiento dónde el modelo se está quedando corto, o dónde las reglas de negocio están afectando la relevancia.
Con esos umbrales y esos registros, ya se puede pasar a medir qué combinación convierte mejor.
Una vez que combinaste las señales, falta lo que de verdad importa: medir si esa mezcla vende más.
Después de definir cómo se combinan, hay que chequear qué versión convierte mejor. La vara no es si el sistema “recomienda bien” en abstracto. La pregunta es más simple: ¿vende más que una lógica básica?
Conviene separar la medición en dos bloques.
Métricas comerciales: conversión por conversación, CTR, agregados al carrito generados por recomendaciones, ingresos por conversación y carritos recuperados.
Guardarraíles: controlá la tasa de cumplimiento de reglas. Si hay productos sin stock, precios viejos o una política rota, lo demás pierde sentido.
Cuando ya sabés qué vas a medir, validalo con un test controlado. Compará el modelo híbrido con un A/B test. Aleatorizá por conversación o por usuario, no por producto, y corré la prueba durante 2 a 4 semanas.
Si el test no mejora, no conviene tocar todo al mismo tiempo. Primero arreglá lo que frena ventas. Después, afiná el ranking.
Con esto claro, la decisión final se vuelve bastante directa.
Los filtros por contenido funcionan mejor cuando no hay historial de compra o cuando importa mucho controlar qué se muestra. Las señales de compra pasan al frente cuando ya existe suficiente demanda acumulada como para detectar patrones reales. Las reglas de negocio cuidan la viabilidad comercial y no tendrían que quedar por debajo del modelo. Y los datos del chat agregan intención en tiempo real que ninguna otra fuente registra.
Contenido, compras, reglas y chat no compiten entre sí. Se acomodan según el contexto. En WhatsApp e Instagram, esa mezcla suele convertir mejor que cualquier señal tomada por separado.
Aunque todavía no tengas historial de compras, igual podés empezar. Desde el día uno, las recomendaciones pueden apoyarse en el contenido de tus productos y en el contexto de la interacción actual.
Burbuxa analiza las imágenes de tu catálogo para encontrar parecidos visuales y, en WhatsApp e Instagram, interpreta lo que el cliente consulta en tiempo real. Así, podés personalizar sugerencias sin depender de compras previas.
Deben sincronizarse en tiempo real los datos clave del catálogo y de la operación: stock, variantes de producto, precios, promociones, descuentos y políticas de cambio.
También conviene mantener al día los pedidos y los datos de clientes para evitar confusiones. De ese modo, cualquier cambio en el inventario o en el catálogo se refleja al instante y evita ofrecer productos agotados o con precios desactualizados.
Para saber si el modelo híbrido de verdad vende más, apoyate en datos unificados, no en corazonadas. No te quedes solo con el GMV: mirá también el margen neto incremental y la tasa de devoluciones. Como referencia, podés usar esta fórmula: GMV neto = GMV × (1 – tasa de devolución).
Después, definí objetivos claros y compará contra una línea de base con pruebas A/B. También conviene separar el análisis por canal, porque no siempre pasa lo mismo en el sitio que en WhatsApp o Instagram.
Entre los KPIs que vale la pena seguir están:
