Estudio sobre la personalización en las recomendaciones

Según los últimos estudios (McKinsey 2021 personalization report) hay una tendencia en los consumidores, los cuales ya no ven la personalización en las recomendaciones como un extra interesante, si no que empiezan a “exigir” personalización.

 

Los datos más relevantes del estudio nos muestran que:

 

1. El 75% de los usuarios practicaron una nueva forma de comprar durante la pandemia.
2. El 71% de los consumidores esperan ver recomendaciones personalizadas.
3. El 76% de los usuarios sienten rechazo cuando los ecommerce no personalizan sus interacciones con ellos.

 

Ya sea en recomendaciones de producto vía email, como en recomendaciones dentro de la propia página web los usuarios demandan ver los que les interesa, y esperan que las empresas lo sepan.

 

Por esto, es más importante que nunca contar con los recursos o herramientas necesarias para conseguir una personalización en las recomendaciones de producto. Una herramienta que sea lo suficientemente potente para acertar con lo que el cliente quiere ver (incluso antes de que él lo sepa).

 

Tipos de personalización en las recomendaciones

Dentro de la personalización en las recomendaciones de producto hay 2 tipos de lógicas, las que necesitan de inteligencia artificial (IA) y las que no, vamos a ver las diferencias y ejemplos:

 

• Lógicas sin IA: estas lógicas no necesitan aprender de los usuarios y sus comportamientos para recomendar contenido de interés para el usuario. Ejemplos: recomendar últimos productos vistos, recomendar los productos más vendidos de la categoría en la que estás, carritos abandonados…

 

• Lógicas con IA: estas lógicas si necesitan aprender de las interacciones de los usuarios en la web. Dependiendo de la potencia de la herramienta y de las variables que tenga en cuenta, podemos llegar a ofrecer a los usuarios productos que les van a interesar incluso antes de que ellos lo sepan. Los algoritmos suelen aprender a lo largo del tiempo cómo se mueve cada tipo de usuario por la web. Y qué productos ven y compran cada tipo de usuario. Con estos datos, la IA sabe según entran y navegan en la web, qué productos tienen mayor probabilidad de ser interesantes para este tipo de usuarios.

 

Cómo crear la mejor personalización en las recomendaciones.

Una vez que nos hemos decidido a realizar personalización en las recomendaciones en nuestro site y emailing, la pregunta que viene a continuación debe ser, ¿cómo sé que lógicas de recomendación son mejores para cada caso?

 

Hay casos que parecen más obvios y no requieren un análisis profundo. Un emailing de carrito abandonado debe llevar los productos que he dejado en el carrito sin comprar, un emailing de navegación abandonada de la web debe llevar los productos que hemos estado viendo en la web…

 

Una vez dicho esto, en un email de navegación abandonada, por ejemplo, podríamos añadir una sección en el email que fuese de productos relacionados con lo que he estado viendo y con las lógicas de productos la pregunta será: ¿Qué es un producto relacionado?

 

• Un producto que se suele comprar conjuntamente al que he visto (productos complementarios).
• Uno de la misma marca al que he visto.
• Un producto de la misma categoría al que he visto.
• Uno del mismo color al que he visto.
• Etc.

 

La lógica puede ser una de estas, una combinación de varias o ninguna de ellas y optar por una herramienta de inteligencia artificial que aprenda del comportamiento de los usuarios de la web y optimice de forma automática lo que cada usuario tenga más probabilidades de comprar según su comportamiento.

 

En primer lugar, cada sector y ecommerce es distinto, por lo que habrá marcas en que lo óptimo sea presentar productos complementarios y otras en la que lo óptimo sea presentar productos de la misma categoría para que el usuario elija y así sucesivamente.

 

Vista la cantidad de opciones disponibles, al principio, debemos aportar el know how de nuestro negocio para empezar a recomendar de forma personalizada. Pero una vez que tengamos esto hecho, debemos corroborar con test AB o multivariante si es la mejor estrategia de personalización en las recomendaciones. Aquí os dejamos un enlace a nuestro post: MULTI ARMED BANDIT: UNA NUEVA ALTERNATIVA A LOS TEST AB

 

Conclusión

Cómo conclusión a este post, vemos otros datos del estudio de McKinsey que revelan cómo la personalización en las recomendaciones hará crecer tu negocio y conseguir mayores ingresos:

 

1. El 76% de los usuarios son más propensos a considerar comprar de las marcas que personalizan.
2. El 78% de los usuarios son más propensos a recomendar a amigos y familias empresas que personalizan.
3. El 78% de los usuarios son más propensos a repetir compras de empresas que personalizan.

 

¿Quieres saber más sobre personalización en las recomendaciones de productos?, Rellena el formulario para ver una demostración de distintas herramientas que pueden hacer crecer tu negocio.