Una recomendación es útil cuando respeta los requisitos del comprador, explica las diferencias relevantes y le permite comprobar la información antes de hacer el pedido. La valoración de un asistente de compra con IA tiene que incluir la selección y la compra, pero también lo que no encaja, las preguntas sin respuesta y la experiencia posterior.
Mostrar tres productos después de una pregunta es sencillo. El trabajo consiste en explicar por qué encajan esos productos y qué queda por comprobar. Una lista verosímil puede contener opciones que no cumplen un requisito importante.
¿Qué significa «adecuado» para este comprador?
Algunas condiciones son firmes: un tamaño máximo, la compatibilidad con un accesorio o un límite de presupuesto indicado. Otras son preferencias, como el color, el acabado o el estilo. Las aclaramos sin convertir la selección en un cuestionario interminable.
En un ejemplo ficticio, alguien dispone de 115 cm para un escritorio. Un modelo de 120 cm no encaja solo porque su precio sea atractivo. Dos modelos que encajan pueden compararse por la profundidad, el almacenamiento y una estimación de entrega comprobable.
La información que falta queda sin confirmar. Las medidas del tablero no bastan para saber si cabrán dos soportes de monitor y el resto del equipo de la persona.
¿Cómo explicar la recomendación?
Mostraríamos el criterio que se cumple, las diferencias entre las opciones y los límites relevantes. Por ejemplo: «Este modelo encaja con la anchura indicada. Su tablero es menos profundo que la alternativa. El espacio para los dos soportes queda por comprobar con sus medidas».
Esta explicación permite al comprador corregir el requisito. Quizá el límite de anchura era aproximado, o uno de los monitores irá en un brazo articulado. Una recomendación puede cambiar con la información y mantener a la vez los cambios de contexto.
¿Quién decide el orden de los productos?
La tienda necesita reglas explícitas de selección y de presentación. La disponibilidad, la adecuación, el precio y las prioridades comerciales pueden cumplir funciones distintas. Una preferencia comercial no debe crear una falsa explicación de compatibilidad.
Comprobaríamos si la misma solicitud produce opciones coherentes y si el comprador puede entender por qué se incluyó cada una. Una formulación persuasiva no basta para medir la calidad.
¿Qué medimos antes de la compra?
| Señal | Lo que puede mostrar | Lo que no establece por sí sola |
|---|---|---|
| Abrir un producto recomendado | El interés por una opción | Que el producto encaje |
| Añadirlo a la cesta | Un avance hacia un pedido | Una compra realizada |
| Corregir la recomendación | Una necesidad de aclaración o un error | Que todas las recomendaciones sean malas |
| Pasar a atención al cliente | Una necesidad de ayuda adicional | El fracaso automático de la conversación |
Pasar a atención al cliente puede ser el resultado correcto para una pregunta que el sistema no puede resolver. Comprobaríamos que se conserva el contexto y que la persona recibe la ayuda necesaria.
¿Qué pasa después del pedido?
Revisamos las cancelaciones, las devoluciones y los motivos registrados cuando la información puede recogerse de forma adecuada. Si un producto se devuelve porque no encaja, revisamos la recomendación y los datos usados. No suponemos que el asistente sea la causa de cada devolución.
El esfuerzo del equipo también cuenta. Una respuesta rápida que provoca correcciones repetidas puede trasladar el trabajo a atención al cliente. La valoración tiene que incluir ese tiempo y la gravedad de los errores, además de las conversaciones completadas.
¿Cómo comparar las experiencias con y sin el asistente?
Los visitantes que eligen la conversación pueden ser distintos de los que navegan por su cuenta. Una tasa de conversión más alta en el primer grupo no establece automáticamente el efecto del asistente. Elegimos una comparación adecuada y tenemos en cuenta el origen del tráfico, la disponibilidad y los cambios de oferta.
Con poco volumen, podemos empezar revisando tareas y conversaciones concretas sin afirmar un impacto comercial definitivo. Con un volumen suficiente, un experimento bien diseñado puede aportar mejores pruebas. El método tiene que elegirse antes de presentar un resultado como prueba.
NOT MORE. puede conectar esta experiencia con la información de producto, el diseño de la interfaz y la medición acordada. La recomendación tiene que ser comprensible, comprobable y utilizable.
¿Qué tiene que poder comprobar un comprador antes de aceptar la recomendación de tu tienda?