Cómo la IA construye una oferta personal para cada cliente

¿Cómo decide un modelo de recomendación qué productos incluir en la oferta personalizada de un cliente?

El modelo trabaja sobre la similitud del comportamiento, no sobre los atributos del cliente: identifica a los compradores cuya cesta se parece a la de ese cliente y clasifica cada producto según la probabilidad de que ese cliente concreto lo compre. El modelo utiliza datos transaccionales: qué compraron realmente los clientes y en qué combinaciones.

En Retano CRM & Loyalty la lista se genera para cada cliente y no por segmento, de modo que la oferta es única para cada persona en lugar de compartirse con un grupo. La lista se genera para una fecha objetivo determinada. Una vez calculada, se integra en una mecánica de recompensa dentro del programa de fidelización y se muestra en la app, donde el cliente ya guarda su tarjeta y sus cupones activos: la oferta le llega mientras planifica la compra, no después.

El objetivo comercial se centra en la economía de la cesta, no en la tasa de apertura. Los objetivos de esta mecánica son aumentar la venta cruzada, más referencias por ticket y un intervalo más corto entre visitas. Los resultados reportados en programas implementados sitúan la cesta media entre los clientes fidelizados en un 63% por encima y el ticket medio de la transacción un 21% mayor.

¿Qué impide que una oferta personalizada recomiende algo irrelevante?

El filtrado, aplicado después de que el modelo ordena los candidatos y antes de que nada llegue al cliente. Este es el paso que separa un motor de recomendación que funciona en un supermercado de uno que funciona en una demo.

Retano CRM & Loyalty aplica varias restricciones, cuatro de ellas con peso comercial. Las categorías que nunca deben formar parte de una oferta personal se excluyen de entrada —bolsas, tabaco, la propia tarjeta de fidelización—, porque una recomendación personal de una bolsa daña la credibilidad de todas las demás ofertas del programa. También se excluyen los artículos de baja rotación, para evitar que la personalización se convierta en una herramienta para dar salida a referencias que nadie quiere. Los productos que el cliente acaba de comprar se descartan, ya que ofrecer un descuento sobre una compra repetida regala margen sobre una venta que iba a producirse igualmente. Además, la lista se limita a los productos con ventas recientes en la tienda donde ese cliente compra habitualmente, de forma que la recomendación refleje el surtido que esa tienda ofrece realmente y no el catálogo completo de la cadena.

La última restricción es la más fácil de omitir y la más visible cuando falta. Una lista de recomendaciones válida para toda la cadena propondrá sin problema referencias que una tienda concreta nunca ha trabajado. El cliente puede interpretar esto como que el retailer no conoce su propia red de tiendas.

¿Cómo se personaliza para un cliente sin historial de compras?

Se utiliza un enfoque separado del aplicado a los clientes activos, algo que muchos programas de personalización pasan por alto. Los nuevos miembros y los clientes inactivos son donde existe el mayor margen de crecimiento, y son precisamente aquellos sobre los que un modelo de similitud dispone de menos información.

Retano CRM & Loyalty los gestiona de dos maneras. Un cliente que no realizó compras durante el periodo de entrenamiento del modelo recibe recomendaciones basadas en su historial de compras anterior, por escaso que sea, y cuando ni eso alcanza la lista se completa con productos populares. Para los clientes que sí están en el conjunto de entrenamiento pero se quedan con demasiados pocos candidatos tras el filtrado, el hueco se rellena con los productos más vendidos en la tienda que ese cliente utiliza, medidos sobre tickets recientes de esa tienda concreta y no sobre un ranking de toda la cadena, porque los más vendidos de un formato de proximidad en el centro y los de un supermercado de periferia son productos distintos.

La segmentación permite abordar el mismo grupo desde el otro lado: los clientes recién registrados y con poco historial, los que compraron una sola vez y no volvieron y los que compraban y llevan mucho tiempo ausentes se identifican cada uno como segmento propio y pueden recibir su propia mecánica. El límite debe reconocerse: una primera oferta a un cliente sin historial es una estimación informada, no una predicción. Su objetivo es generar el segundo ticket, que es lo que el modelo necesita realmente para empezar a aprender.

¿Cómo cambian las asociaciones de productos el diseño de una promoción?

Sustituyen la suposición por evidencia sobre qué productos se compran conjuntamente. El análisis de tickets individuales en toda la cadena revela dependencias entre productos —en términos simples, quien compró X también compró Y— y la analítica de IA de Retano convierte las asociaciones de productos identificadas en cuatro entradas para el calendario promocional.

Los productos complementarios se seleccionan para optimizar las mecánicas promocionales, en lugar de ofrecer descuentos sobre artículos elegidos por intuición. Se identifican los productos impulsores, aquellos cuya venta arrastra la de otras referencias y que pueden merecer promoción incluso con margen reducido, porque el retorno llega en otro punto de la cesta. Las combinaciones de productos se analizan dentro de segmentos de clientes específicos, porque los pares que funcionan con los clientes habituales a precio completo no son los que funcionan con los compradores movidos por la promoción. Además, se sigue la estabilidad y la estacionalidad de las asociaciones identificadas a lo largo del tiempo, para que una mecánica no se construya sobre un patrón que solo se sostuvo un trimestre.

El resultado es lo suficientemente concreto como para configurarse directamente: por ejemplo 20% de descuento en un producto de la categoría café al comprar tres productos de la categoría chocolate.

¿Qué clientes deben recibir descuento y con qué profundidad?

Aquellos cuyo comportamiento cambia a causa del descuento. Una promoción generalizada también se paga a los clientes que habrían comprado igualmente a precio completo, y el análisis de comportamiento permite identificar a ese grupo.

La analítica de IA de Retano separa la base de clientes en grupos con diferentes perfiles comerciales:

• un grupo principal que compra con frecuencia, en volumen y a precio completo;
• un grupo fiel con compras frecuentes, buen ticket medio y baja dependencia de la promoción;
• un grupo regular y estable con ticket medio predecible;
• clientes que visitan de forma irregular y no han desarrollado una fidelidad estable;
• clientes que compran casi exclusivamente durante promociones con ticket medio bajo;
• clientes cuya actividad se ha apagado hasta el borde del abandono.

Cada grupo puede llevar una mecánica distinta con una profundidad distinta, que es un ejercicio diferente de enviar a todos el mismo cupón y medir su respuesta.

La predicción de abandono sigue el mismo principio cruzando riesgo y valor del cliente. De modo que el gasto de recuperación se concentra en clientes de alto valor realmente en riesgo y no en todos los que faltaron una semana. Los programas implementados reportan una mejora del 50% en la retención, y la plataforma está diseñada para mantener sin aumento los costes de fidelización a medida que se incorpora la personalización. La salvedad es que la profundidad del descuento es una decisión comercial y no un resultado del modelo: la analítica identifica a quién, y el retailer decide cuánto.

¿Quieres crear ofertas personalizadas basadas en tus propios datos transaccionales?

Retano CRM & Loyalty ejecuta los modelos, las mecánicas de recompensa y las comunicaciones en una sola plataforma, y una cadena entra en producción en dos a cuatro meses. Reserva una demo y te mostramos ofertas personalizadas de producto, asociaciones entre productos y segmentación por comportamiento sobre datos reales de retail.