Recomendaciones de elementos
Mejora tus recomendaciones con Braze creando una herramienta de recomendaciones que pueda sugerir a tus usuarios los elementos y contenidos que realmente desean. Desde personalizar experiencias con IA hasta construir tus propias herramientas con Liquid o contenido conectado, encontrarás todo lo que necesitas para que cada recomendación cuente.
Requisitos previos
Antes de poder crear o utilizar recomendaciones de artículos en Braze, deberás crear al menos un catálogo—solo se recomendarán a los usuarios los elementos de ese catálogo.
Tipos y casos de uso
AI Personalizado
Como parte de la característica de recomendaciones de elementos de IA, las recomendaciones AI Personalizado aprovechan el aprendizaje profundo para predecir qué es lo que más probablemente interesará a tus usuarios a continuación, basándose en lo que han mostrado interés en el pasado. Este método proporciona un sistema de recomendaciones dinámico y personalizado que se adapta al comportamiento del usuario.
Las recomendaciones AI Personalizado utilizan los últimos 6 meses de datos de interacción con elementos, como compras o eventos personalizados, para construir el modelo de recomendación. Para los usuarios que no tienen suficientes datos para una lista personalizada, los elementos más populares sirven como alternativa, de modo que tus usuarios siguen recibiendo sugerencias relevantes.
Con las recomendaciones de elementos de IA, también puedes filtrar adicionalmente los elementos disponibles con las selecciones. Sin embargo, las selecciones con Liquid no se pueden utilizar en las recomendaciones de IA, así que tenlo en cuenta cuando construyas tus selecciones de catálogo.
Las recomendaciones AI Personalizado funcionan mejor con cientos o miles de elementos y, normalmente, al menos 30.000 usuarios con datos de compra o interacción. Esto es solo una guía aproximada y puede variar. Los otros tipos de recomendación pueden funcionar con menos datos.
Casos de uso
En función de los datos de interacción que se estén rastreando, los casos de uso para este modelo podrían incluir:
Predice y recomienda los elementos que un usuario tiene más probabilidades de comprar a continuación, basándose en eventos de compra o eventos personalizados relacionados con compras. Por ejemplo:
- Un sitio de viajes podría sugerir paquetes vacacionales, vuelos u hospedaje en hoteles basándose en el historial de navegación del usuario y reservas anteriores, anticipando su próximo destino de viaje y facilitándole la planificación.
- Una plataforma de streaming puede analizar los hábitos de visualización para recomendar series o películas que un usuario tiene más probabilidades de ver a continuación, manteniéndolo interesado y reduciendo las tasas de cancelaciones.
Requisitos
- Recomendaciones de elementos de IA
- Catálogo de elementos relevantes
- Un método para rastrear compras: un objeto de compra, un evento personalizado o un evento de pedido realizado
Configuración
- Crea una recomendación de elementos de IA.
- Establece el Tipo en AI Personalizado.
- Selecciona tu catálogo.
- (Opcional) Añade una selección para filtrar tu recomendación y mostrar solo los elementos relevantes.
- Elige cómo rastreas actualmente los eventos de compra y la propiedad de evento correspondiente.
- Entrena la recomendación.
- Utiliza la recomendación en la mensajería.
Elemento más popular
El modelo de recomendación “Más popular” muestra los elementos con los que los usuarios interactúan más.
Casos de uso
En función de los datos de interacción que se estén rastreando, los casos de uso para este modelo podrían incluir recomendar:
Anima a los usuarios a explorar elementos populares de tu catálogo basándose en compras. Para asegurarte de que solo muestras contenido relevante, te recomendamos filtrar con una selección. Por ejemplo, un servicio de entrega de comida podría destacar los platos o restaurantes mejor valorados dentro de la zona de un usuario, basándose en la popularidad de los pedidos en la plataforma, fomentando la prueba y el descubrimiento.
Requisitos
- Recomendaciones de elementos de IA
- Catálogo de elementos relevantes
- Un objeto de compra, un evento de pedido realizado o cualquier evento personalizado
Configuración
- Crea una recomendación de elementos de IA.
- Establece el Tipo en Más popular.
- Selecciona tu catálogo.
- (Opcional) Añade una selección para filtrar tu recomendación y mostrar solo los elementos relevantes. Por ejemplo, el servicio de entrega de comida podría tener una selección para filtrar por ubicación del restaurante o tipo de plato.
- Elige cómo rastreas actualmente los eventos y la propiedad de evento correspondiente.
- Entrena la recomendación.
- Utiliza la recomendación en la mensajería.
Anima a los usuarios a explorar elementos que les han gustado recientemente o elementos que son populares por sus “me gusta”, basándose en un evento personalizado de “me gusta”. Por ejemplo, una aplicación de streaming de música podría crear listas de reproducción personalizadas o sugerir lanzamientos de álbumes nuevos basándose en los géneros o artistas que un usuario ha indicado que le gustan en el pasado, mejorando la participación del usuario y el tiempo que pasa en la aplicación.
Requisitos
- Recomendaciones de elementos de IA
- Catálogo de elementos relevantes
- Evento personalizado para “me gusta”
Configuración
- Crea una recomendación de elementos de IA.
- Establece el Tipo en Más reciente.
- Selecciona tu catálogo.
- (Opcional) Añade una selección para filtrar tu recomendación y mostrar solo los elementos relevantes.
- Elige Custom Event y selecciona tu evento personalizado de “me gusta” de la lista.
- Entrena la recomendación.
- Utiliza la recomendación en la mensajería.
Destaca elementos que han captado la atención de tu base de usuarios a través de visualizaciones para fomentar la participación o las compras. Por ejemplo, un sitio web inmobiliario podría mostrar las propiedades más vistas en la zona de búsqueda de un usuario para resaltar inmuebles que están atrayendo mucha atención, lo que podría indicar buenas ofertas o ubicaciones deseables.
Requisitos
- Recomendaciones de elementos de IA
- Catálogo de elementos relevantes
- Evento personalizado para visualizaciones
Configuración
- Crea una recomendación de elementos de IA.
- Establece el Tipo en Más popular.
- Selecciona tu catálogo.
- (Opcional) Añade una selección para filtrar tu recomendación y mostrar solo los elementos relevantes.
- Elige Custom Event y selecciona tu evento personalizado de visualizaciones de la lista.
- Entrena la recomendación.
- Utiliza la recomendación en la mensajería.
Muestra elementos que muchos otros compradores añaden a sus carritos, ofreciendo a los usuarios un vistazo de las tendencias actuales entre tus productos.
Por ejemplo, un comercio minorista de moda podría promocionar ropa y accesorios que son tendencia basándose en las adiciones populares a los carritos de otros clientes. Luego puede crear una sección dinámica “Tendencias ahora” en su página de inicio y aplicación móvil, que se actualiza en tiempo real para animar a los compradores a comprar antes de que los artículos se agoten.
Requisitos
- Recomendaciones de elementos de IA
- Catálogo de elementos relevantes
- Evento personalizado para añadido al carrito
Configuración
- Crea una recomendación de elementos de IA.
- Establece el Tipo en Más popular.
- Selecciona tu catálogo.
- (Opcional) Añade una selección para filtrar tu recomendación y mostrar solo los elementos relevantes.
- Elige Custom Event y selecciona tu evento personalizado de añadido al carrito de la lista.
- Entrena la recomendación.
- Utiliza la recomendación en la mensajería.
Elemento más reciente
El modelo de recomendación “Más reciente” muestra los elementos con los que los usuarios interactúan más. Usa este modelo para reducir las cancelaciones animando a los usuarios inactivos a volver a interactuar con contenido relevante.
Casos de uso
En función de los datos de interacción que se estén rastreando, los casos de uso para este modelo podrían incluir recomendar:
Anima a los usuarios a volver a visitar elementos en los que han hecho clic recientemente, basándose en un evento personalizado de clics. Por ejemplo, un comercio minorista de moda en línea podría crear una recomendación para enviar correos electrónicos de seguimiento o notificaciones push mostrando ropa en la que un usuario ha mostrado interés al hacer clic, animándolo a volver al artículo y realizar una compra.
Requisitos
- Recomendaciones de elementos de IA
- Catálogo de elementos relevantes
- Evento personalizado para clics
Configuración
- Crea una recomendación de elementos de IA.
- Establece el Tipo en Más reciente.
- Selecciona tu catálogo.
- (Opcional) Añade una selección para filtrar tu recomendación y mostrar solo los elementos relevantes.
- Elige Custom Event y selecciona tu evento personalizado de clics de la lista.
- Entrena la recomendación.
- Utiliza la recomendación en la mensajería.
Anima a los usuarios a explorar elementos que les han gustado recientemente o elementos que son populares por sus “me gusta”, basándose en un evento personalizado de “me gusta”. Por ejemplo, una aplicación de streaming de música podría crear listas de reproducción personalizadas o sugerir lanzamientos de álbumes nuevos basándose en los géneros o artistas que un usuario ha indicado que le gustan en el pasado, mejorando la participación del usuario y el tiempo que pasa en la aplicación.
Requisitos
- Recomendaciones de elementos de IA
- Catálogo de elementos relevantes
- Evento personalizado para “me gusta”
Configuración
- Crea una recomendación de elementos de IA.
- Establece el Tipo en Más reciente.
- Selecciona tu catálogo.
- (Opcional) Añade una selección para filtrar tu recomendación y mostrar solo los elementos relevantes.
- Elige Custom Event y selecciona tu evento personalizado de “me gusta” de la lista.
- Entrena la recomendación.
- Utiliza la recomendación en la mensajería.
Promociona elementos con los que los usuarios han interactuado recientemente, incluyendo visualizaciones, clics o compras. Este enfoque mantiene tus recomendaciones frescas y alineadas con los intereses más recientes del usuario. Por ejemplo:
- Educación: una plataforma de educación en línea podría animar a los usuarios que han visto recientemente un video educativo pero no se han inscrito en un curso a explorar cursos o temas de interés similares para mantener al usuario interesado y motivado para comenzar a aprender.
- Fitness: una aplicación de fitness puede sugerir entrenamientos o desafíos similares a los que un usuario ha completado o con los que ha interactuado recientemente, manteniendo su rutina de ejercicio variada y atractiva.
- Comercio minorista de mejoras para el hogar: después de que un cliente compre una herramienta eléctrica, un comercio minorista de mejoras para el hogar puede recomendar accesorios relacionados o equipo de seguridad basándose en su compra reciente, mejorando la experiencia y seguridad del usuario.
Requisitos
- Recomendaciones de elementos de IA
- Catálogo de elementos relevantes
- Un objeto de compra, un evento de pedido realizado o cualquier evento personalizado para una interacción de participación
Configuración
- Crea una recomendación de elementos de IA.
- Establece el Tipo en Más reciente.
- Selecciona tu catálogo.
- (Opcional) Añade una selección para filtrar tu recomendación y mostrar solo los elementos relevantes.
- Elige Custom Event y selecciona tu evento personalizado de clics de la lista.
- Entrena la recomendación.
- Utiliza la recomendación en la mensajería.
Recuerda a los usuarios su interés en elementos que añadieron recientemente a su carrito, pero que aún no han comprado. Por ejemplo, un comercio minorista en línea podría enviar recordatorios u ofrecer descuentos por tiempo limitado en los artículos de su carrito, animando a los usuarios a completar sus compras antes de que las ofertas expiren.
Requisitos
- Recomendaciones de elementos de IA
- Catálogo de elementos relevantes
- Evento personalizado para añadido al carrito
Configuración
- Crea una recomendación de elementos de IA.
- Establece el Tipo en Más reciente.
- Selecciona tu catálogo.
- (Opcional) Añade una selección para filtrar tu recomendación y mostrar solo los elementos relevantes.
- Elige Custom Event y selecciona tu evento personalizado de añadido al carrito de la lista.
- Entrena la recomendación.
- Utiliza la recomendación en la mensajería.
Elemento en tendencia
El modelo de recomendación “Tendencia” muestra los elementos que han tenido el impulso más positivo en las interacciones recientes de los usuarios. Calculamos esto mediante un análisis ponderado de aproximadamente 10 semanas de historial de eventos, con la mayor ponderación aplicada a las 2 semanas más recientes aproximadamente. Para evitar que pequeñas fluctuaciones afecten la calidad de la recomendación, aplicamos un umbral de actividad y técnicas de suavizado estadístico.
A diferencia del modelo “Más popular”, que muestra elementos con una interacción constantemente alta, este modelo muestra elementos que han experimentado un aumento en las interacciones. Puedes usarlo para recomendar productos emergentes que están ganando tracción actualmente.
Casos de uso
En función de los datos de interacción que se estén rastreando, los casos de uso para este modelo podrían incluir recomendar:
Destaca elementos que tus usuarios han comprado recientemente con mayor frecuencia. Por ejemplo, un negocio de comercio electrónico podría recomendar artículos de temporada que los usuarios están empezando a abastecer durante sus preparativos para la próxima temporada.
Requisitos
- Recomendaciones de elementos de IA
- Catálogo de elementos relevantes
- Un método para rastrear compras (ya sea un objeto de compra, un evento de pedido realizado o un evento personalizado)
Configuración
- Crea una recomendación de elementos de IA.
- Establece el Tipo en Tendencia.
- Selecciona tu catálogo.
- (Opcional) Añade una selección para filtrar tu recomendación y mostrar solo los elementos relevantes.
- Elige un evento de compra o un evento personalizado que rastree compras, junto con la propiedad correspondiente.
- Entrena la recomendación.
- Utiliza la recomendación en la mensajería.
Destaca elementos que tus usuarios han indicado que les gustan recientemente con mayor frecuencia. Por ejemplo, una aplicación de música podría mostrar artistas emergentes que han experimentado un aumento reciente en los “me gusta” de los usuarios.
Requisitos
- Recomendaciones de elementos de IA
- Catálogo de elementos relevantes
- Evento personalizado para rastrear “me gusta”
Configuración
- Crea una recomendación de elementos de IA.
- Establece el Tipo en Tendencia.
- Selecciona tu catálogo.
- (Opcional) Añade una selección para filtrar tu recomendación y mostrar solo los elementos relevantes.
- Elige tu evento personalizado para rastrear “me gusta”, junto con la propiedad correspondiente.
- Entrena la recomendación.
- Utiliza la recomendación en la mensajería.
Basado en selecciones
Las selecciones son grupos específicos de datos de catálogo. Cuando usas una selección, básicamente estás configurando filtros personalizados basados en columnas específicas de tu catálogo. Esto podría incluir filtros por marca, tamaño, ubicación, fecha de adición, y más. Te da control sobre lo que recomiendas al permitirte definir criterios que los elementos deben cumplir para mostrarse a los usuarios.
Los tres tipos anteriores implican configurar y entrenar un modelo de recomendación en Braze. Aunque también puedes usar selecciones en esos modelos, también puedes lograr algunos casos de uso de recomendación solo con selecciones de catálogo y personalización con Liquid.
Si usas selecciones, el campo de ordenación y cualquier límite no se utilizarán con las recomendaciones de elementos de IA. Esto significa que si creas una selección con un campo de ordenación específico y limitas el número de elementos devueltos, esas restricciones no se aplicarán cuando se procesen las recomendaciones de elementos de IA.
Casos de uso
En función de los datos de interacción que se estén rastreando, los casos de uso para este modelo podrían incluir recomendar:
Este escenario no depende directamente de las acciones del usuario, sino de los datos del catálogo. Puedes filtrar elementos nuevos según su fecha de adición al catálogo y promocionarlos a través de Campaigns o Canvas específicos sin necesidad de entrenar un modelo de recomendación.
Por ejemplo, una plataforma de comercio electrónico de tecnología podría alertar a los entusiastas de la tecnología sobre los últimos dispositivos o próximos pedidos anticipados, usando filtros para dirigirse a elementos que se han añadido recientemente al catálogo.
Requisitos
- Catálogo de elementos relevantes con un campo de fecha de adición
Configuración
- Crea una selección basada en tu catálogo. Asegúrate de que tu catálogo tenga un campo de tiempo (campo con un Tipo de datos establecido en Tiempo) que corresponda a la fecha en que se añadió el elemento.
- (Opcional) Añade cualquier filtro si lo deseas.
- Asegúrate de que Randomize Sort Order esté desactivado.
- Para Sort Field, selecciona tu campo de fecha de adición.
- Establece Sort Order en descendente.
- Utiliza la selección en la mensajería.
Para una experiencia de usuario diversa, recomendar elementos aleatorios puede introducir variedad y potencialmente despertar interés en áreas del catálogo menos visitadas. Este método no requiere modelos o eventos específicos, sino que usa una selección de catálogo para asegurar que los elementos se muestren de forma aleatoria.
Por ejemplo, una librería en línea podría ofrecer una característica “Sorpréndeme”, recomendando un libro aleatorio basándose en las compras anteriores o los hábitos de navegación del usuario, fomentando la exploración fuera de sus géneros de lectura habituales.
Requisitos
- Catálogo de elementos relevantes
- Selección con Randomize Sort Order activado
Configuración
- Crea una selección basada en tu catálogo.
- (Opcional) Añade cualquier filtro si lo deseas.
- Activa Randomize Sort Order.
- Utiliza la selección en la mensajería.
Basado en reglas
Una herramienta de recomendaciones basada en reglas utiliza datos de usuario e información de productos para sugerir elementos relevantes a los usuarios dentro de los mensajes. Usa Liquid y catálogos de Braze o contenido conectado para personalizar dinámicamente el contenido basándose en el comportamiento y los atributos del usuario.
Las recomendaciones basadas en reglas se fundamentan en una lógica fija que debes configurar manualmente. Esto significa que tus recomendaciones no se ajustarán al historial de compras individual y los gustos de un usuario a menos que actualices la lógica; por lo tanto, este método es más adecuado para recomendaciones que no necesitan actualizaciones frecuentes.
Casos de uso
En función de los datos de interacción que se estén rastreando, los casos de uso para este modelo podrían incluir:
- Recordatorios de reposición: enviar recordatorios de reposición para artículos con un ciclo de uso predecible, como vitaminas mensuales o compras semanales de supermercado, basándose en la fecha de su última compra.
- Compradores primerizos: recomendar kits de inicio u ofertas introductorias a compradores primerizos para fomentar una segunda compra.
- Programas de fidelización: destacar productos que maximizarían los puntos de fidelización o las recompensas de un cliente basándose en su saldo actual de puntos.
- Contenido educativo: sugerir nuevos cursos o contenido basándose en los temas de materiales consumidos o comprados previamente.
Características de IA específicas del plan
En la tabla siguiente se describen las diferencias entre la versión gratuita y la versión pro de los tipos de recomendación AI Personalizado, Más popular, Más reciente y Tendencias:
| Área | Versión gratuita | Versión pro |
|---|---|---|
| Frecuencia de actualización de usuarios1 | Semanal | Diaria |
| Frecuencia de reentrenamiento del modelo | Mensual | Semanal |
| Modelos de recomendación máximos | 1 modelo por tipo2 | 100 modelos por tipo2 |
1. Es la frecuencia con la que se actualizan las recomendaciones de elementos específicas del usuario (solo AI Personalizado y Más reciente). Más popular y Tendencias son recomendaciones globales que se actualizan cuando el modelo se vuelve a entrenar. Por ejemplo, si un usuario compra un elemento recomendado basándose en las recomendaciones de elementos de IA, sus elementos recomendados se actualizarán según esta frecuencia.
2. Los tipos de recomendación disponibles son AI Personalizado, Más reciente, Más popular y Tendencias.
Preguntas más frecuentes
¿Qué hace que los elementos “Most popular” se mezclen con las recomendaciones de otros modelos?
Cuando la herramienta de recomendaciones selecciona una lista para ti, primero añade selecciones personalizadas basadas en el modelo específico que has elegido, como “Most recent” o “AI Personalized”. Si este modelo completa menos de 30 elementos, Braze añade los elementos más populares. Los elementos personalizados aparecen primero en la lista, seguidos de los elementos alternativos más populares.
Esto ocurre en algunas condiciones específicas:
- El modelo encuentra menos de 30 elementos que coinciden con tus criterios.
- Los elementos relevantes ya no están disponibles o en stock.
- Los elementos no cumplen los criterios de selección actuales, quizás debido a un cambio en las existencias o en las preferencias del usuario.
Ten en cuenta que las recomendaciones funcionan de forma independiente y no tienen conocimiento de lo que recomiendan los demás modelos. Esto significa que cada sección puede tener elementos duplicados que ya se muestran en otras secciones de recomendaciones de IA en el mismo correo electrónico.
¿Cómo puedo evitar elementos duplicados en varias secciones de recomendaciones?
Dado que cada recomendación funciona de forma independiente, el mismo elemento puede aparecer en más de una sección del mismo mensaje. Para eliminar duplicados, utiliza Liquid para hacer seguimiento de los ID de elementos que ya has mostrado y omitirlos en las secciones siguientes.
¿Las recomendaciones existentes se entrenan semanalmente después de actualizar a Item Recommendations Pro?
Sí, pero solo después de la próxima actualización programada. Las recomendaciones existentes no cambian a entrenamiento semanal y predicción diaria inmediatamente después de actualizar a Item Recommendations Pro. Sin embargo, adoptarán el nuevo calendario automáticamente en su próximo ciclo de reentrenamiento. Por ejemplo, si una recomendación se entrenó por última vez el 1 de febrero y está configurada para volver a entrenarse cada 30 días, adoptará el nuevo calendario semanal después de su próxima actualización el 2 de marzo.
¿Cómo puedo hacer que todas las recomendaciones que duran varios días caduquen a la vez?
Si deseas que todas las recomendaciones de varios días caduquen en una fecha específica (para que todas las recomendaciones activas reciban nuevas predicciones a la vez), ponte en contacto con el soporte de Braze o con tu administrador de éxito de cliente para obtener ayuda. Los expertos de BrazeAI realizan esta tarea manualmente para garantizar el máximo rendimiento del modelo.
¿Qué ocurre si actualizo el nombre de la propiedad de una recomendación de elementos de IA activa?
Cuando actualizas el nombre de la propiedad (ruta del ID del elemento) y seleccionas Guardar y construir, Braze inicia un trabajo de reentrenamiento en segundo plano que analiza los últimos seis meses de datos de interacción utilizando el nuevo mapeado.
Mientras el modelo se reentrena, los usuarios siguen viendo las recomendaciones de la versión anterior. Las recomendaciones no cambian hasta que el nuevo modelo finaliza el entrenamiento con éxito. Esto significa:
- Los usuarios ven elementos personalizados del modelo anterior (o la alternativa global si no tienen recomendaciones específicas).
- No hay tiempo de inactividad ni vacíos en las recomendaciones durante el proceso de reentrenamiento.
- La transición del modelo anterior al nuevo es fluida una vez que el entrenamiento se completa con éxito.
Los eventos con la ruta de ID de elemento anterior se ignoran para el nuevo modelo. Solo se incluyen en el reentrenamiento los eventos que utilizan el nuevo mapeado de nombre de propiedad.
¿Qué ocurre si el trabajo de reentrenamiento falla después de cambiar el nombre de la propiedad?
Si el trabajo de reentrenamiento falla, toda la recomendación de elementos entra en un estado deshabilitado (no activo). Dado que Braze actualmente no recurre al último modelo entrenado con éxito en caso de fallo del entrenamiento, cualquier Liquid que haga referencia a esta recomendación fallará y los mensajes asociados no se enviarán.
Para reducir este riesgo, considera el siguiente enfoque:
- Crea una nueva recomendación de elementos con la configuración de nombre de propiedad deseada.
- Verifica que el entrenamiento se complete con éxito.
- Actualiza tu mensajería para hacer referencia a la nueva recomendación en lugar de modificar directamente una recomendación activa.
Este enfoque te permite probar la nueva configuración sin arriesgar la interrupción de los mensajes que hacen referencia a tu recomendación existente.