Capítulo 3: La arquitectura del catálogo

El corredor, la plantilla y el documental

Un cliente escribe "zapatillas para correr para pies planos" en una barra de búsqueda. La consulta es específica, la intención clara. El sitio de comercio electrónico devuelve una cuadrícula de cuarenta y tres productos. El cliente hace clic en el primer resultado, una zapatilla con una calificación de 4.3 estrellas y un precio dentro del rango esperado. La página del producto se carga con un carrusel de imágenes, un selector de tallas y un bloque de texto que describe la parte superior de malla y la entresuela acolchada. Debajo del botón de añadir al carrito, una sección titulada "También te puede interesar" muestra tres artículos: un par de pantalones cortos para correr, una botella de agua genérica y una zapatilla diferente de la misma marca. El cliente echa un vistazo a las recomendaciones y siente una leve y familiar decepción. Las sugerencias no son incorrectas en un sentido categórico —los corredores usan pantalones cortos y llevan botellas de agua—, pero no tienen nada que ver con la razón por la que el cliente buscó esa zapatilla específica. El corredor de pies planos necesita estabilidad, soporte para el arco, un tipo particular de plantilla. El motor de recomendaciones, ciego a estos atributos, ha recurrido a la asociación más amplia posible: las personas que compran zapatillas para correr también podrían querer accesorios para correr. La oportunidad de venta cruzada se desvanece en la irrelevancia.

Ahora imaginen una secuencia diferente. El mismo cliente llega a una página de producto de una zapatilla de running con estabilidad. La página describe el poste medial de la zapatilla, su contraforte de talón firme, su compatibilidad con ortesis personalizadas. Debajo de la descripción, una tarjeta de recomendación dice: "Los corredores que eligieron esta zapatilla por sobrepronación también usan estas plantillas". La tarjeta muestra tres modelos de plantillas, cada uno con una calificación de firmeza y una especificación de altura de arco. El cliente, reconociendo el lenguaje de su propia condición, hace clic en la plantilla intermedia. La venta cruzada no ha interrumpido la experiencia de compra. La ha extendido, utilizando el mismo vocabulario que llevó al cliente a la página en primer lugar. La diferencia entre las dos escenas no es la sofisticación del algoritmo de recomendación. Es la granularidad de los datos del producto que alimentan el algoritmo. El primer sitio sabe que el producto es una zapatilla. El segundo sitio sabe qué tipo de zapatilla, para qué tipo de pie, con qué tipo de problema biomecánico en mente. Ese conocimiento hace posible la venta adicional.

El principio se extiende más allá de los bienes físicos. Un usuario de software se registra en una herramienta de gestión de proyectos y crea un nuevo tablero. La herramienta sugiere una plantilla para una campaña de marketing, porque el usuario seleccionó "Marketing" como su departamento durante el registro. La plantilla contiene columnas predefinidas para calendario de contenidos, revisión de activos y lanzamiento de campaña. Parece útil, adaptada, casi clarividente. El usuario la adopta y, una semana después, alcanza el límite del plan gratuito de diez tableros. Aparece el aviso de actualización, y no es un genérico "Desbloquea más funciones". Es una invitación específica: "Actualiza al plan Business para crear tableros de marketing ilimitados y obtener informes avanzados de campañas". La oferta de venta adicional es relevante porque el sistema sabe qué está haciendo el usuario. Y sabe qué está haciendo el usuario porque los datos de la plantilla —el hecho de que este tipo de tablero es "campaña de marketing" y no solo "proyecto"— se codificaron como un atributo estructurado desde el principio.

Una escena final, extraída de un dominio diferente. Un espectador termina un documental en una plataforma de streaming. Aparecen los créditos, y la plataforma encola inmediatamente una comedia romántica. El espectador, aún procesando mentalmente la investigación del documental sobre irregularidades corporativas, siente un cambio de tono discordante. La recomendación no es aleatoria —el modelo de filtrado colaborativo de la plataforma ha detectado que los espectadores que vieron este documental también vieron esa comedia romántica—, pero es contextualmente absurda. El espectador no quiere reírse. Quiere permanecer en el espacio mental del documental. Una plataforma que entendiera su contenido no solo como "títulos" sino como grupos estructurados de atributos —estado de ánimo, ritmo, temática, estilo narrativo— podría sugerir en su lugar otra pieza de investigación, quizás sobre un tema relacionado, manteniendo al espectador comprometido y dentro del ecosistema. La ausencia de esa granularidad es la ausencia de una venta adicional que habría sido bienvenida.

Estas escenas comparten una raíz común. La relevancia de cualquier recomendación, venta adicional o venta cruzada depende enteramente de la calidad de los datos que describen las cosas que se recomiendan. Cuando los datos son escasos —un nombre de producto, una categoría, un precio— las ofertas que surgen son genéricas. Cuando los datos son ricos —una red de atributos que captura casos de uso, compatibilidad, condiciones y resultados— las ofertas se vuelven específicas, y la especificidad es la base de la conversión. Este capítulo examina esa base. Pregunta qué se necesita para construir un catálogo de productos que pueda soportar ventas adicionales precisas, y rastrea cómo dos empresas, Zappos y Netflix, invirtieron en granularidad de datos mucho antes de que se convirtiera en una necesidad competitiva.

Cuando el catálogo piensa en atributos

Un catálogo de productos no es una lista de artículos en venta. Es una base de datos que representa objetos del mundo real en una forma que una máquina pueda consultar, comparar y combinar. La calidad de esa base de datos determina el techo de cada sistema construido sobre ella: el motor de búsqueda, el módulo de recomendaciones, la lógica de venta adicional, el motor de personalización de correos electrónicos. Cuando la base de datos es escasa, los sistemas producen resultados escasos. Cuando la base de datos es rica, los sistemas pueden producir resultados que parecen atentos, incluso inteligentes. La diferencia entre lo escaso y lo rico es la granularidad de los datos.

La granularidad de los datos se refiere al nivel de detalle con el que se captura y almacena la información. Un catálogo con baja granularidad podría describir una zapatilla con cinco campos: nombre, marca, color, talla y precio. Un catálogo con alta granularidad podría describir la misma zapatilla con cuarenta campos: los cinco básicos, más tipo de suela, caída del talón a la punta, nivel de soporte del arco, control de pronación, material de la parte superior, tipo de cierre, peso en gramos, terreno previsto, clasificación de impermeabilidad, etc. El primer catálogo puede responder a la pregunta "¿Tienes zapatos azules en talla diez?". El segundo puede responder a "¿Tienes una zapatilla de estabilidad para sobrepronadores con una puntera ancha y una suela basculante, adecuada para el entrenamiento de maratón en asfalto?". La diferencia no es académica. Es la diferencia entre una venta cruzada que recomienda una botella de agua y una venta cruzada que recomienda una plantilla diseñada para un patrón de zancada específico.

El mecanismo a través del cual la granularidad permite las ventas adicionales tiene tres capas. La primera capa es el filtrado basado en atributos. Cuando un cliente interactúa con un producto —viéndolo, añadiéndolo al carrito, comprándolo— el sistema puede leer los atributos de ese producto y buscar otros productos que compartan atributos relevantes. Si un corredor compra una zapatilla con el atributo "estabilidad: alta" y "arco: bajo", un filtro basado en atributos puede recuperar plantillas, calcetines o un segundo par de zapatillas que coincidan con esas restricciones. El filtro no necesita el historial de compras de miles de otros clientes. Solo necesita los atributos del producto actual y los atributos de las recomendaciones candidatas. Esto hace que el filtrado basado en atributos sea extraordinariamente poderoso en escenarios de arranque en frío (cold-start) —situaciones en las que el sistema tiene pocos o ningún dato de interacción del usuario. Un nuevo producto, un nuevo cliente, una categoría de nicho: todos estos plantean problemas de arranque en frío que el filtrado colaborativo, que se basa en patrones de comportamiento colectivo, no puede resolver. El filtrado basado en atributos, por el contrario, funciona desde el primer día, siempre que los atributos estén poblados.

La investigación publicada en revistas IEEE sobre sistemas de recomendación demuestra consistentemente que los enfoques híbridos que combinan el filtrado basado en atributos y el colaborativo superan a los modelos puramente colaborativos, especialmente en dominios con catálogos de cola larga y diversas necesidades de los usuarios. Un artículo en IEEE Transactions on Knowledge and Data Engineering (2019) mostró que las recomendaciones basadas en atributos mantienen su relevancia incluso cuando las matrices de interacción usuario-elemento son escasas, porque anclan las recomendaciones en las propiedades del producto en lugar de en los patrones de comportamiento. Para un negocio de comercio electrónico, esto significa que la inversión en granularidad del catálogo da sus frutos de forma más visible en los bordes del catálogo —los productos oscuros, los nuevos lanzamientos, las categorías de nicho— donde los datos de comportamiento son escasos pero los datos de atributos pueden ser ricos desde el momento de la publicación.

La segunda capa es la relevancia semántica. Una recomendación que comparte múltiples atributos con el producto comprado resulta coherente para el cliente. Tiene sentido intuitivo. El corredor que acaba de comprar una zapatilla de estabilidad ve una plantilla para sobrepronación y entiende inmediatamente la lógica de la sugerencia. La coherencia reduce el esfuerzo cognitivo necesario para evaluar la oferta, lo que, como se ha comentado en capítulos anteriores, aumenta la probabilidad de aceptación. La relevancia semántica no consiste solo en hacer coincidir atributos; consiste en hacer coincidir atributos que importan para el caso de uso específico del cliente. El color de una zapatilla es un atributo, pero para el corredor con pies planos, el atributo del soporte del arco importa más. Un catálogo con alta granularidad permite al motor de recomendaciones ponderar los atributos según su relevancia para el contexto —señalado por la consulta de búsqueda del cliente, la descripción del producto que pasó tiempo leyendo o los filtros que aplicó durante la navegación. La misma zapatilla, presentada a un cliente con conciencia de la moda, podría desencadenar una venta cruzada basada en el color y el estilo. Presentada a un corredor propenso a lesiones, desencadena una venta cruzada basada en la biomecánica. El catálogo no cambia. Los pesos de los atributos sí.

La tercera capa es la operatividad interna del negocio. Un catálogo con atributos profundos y estructurados no es solo una herramienta para las recomendaciones orientadas al cliente. Es una herramienta para el equipo de merchandising, el equipo de compras y el equipo de marketing. El equipo de merchandising puede usar los atributos para identificar huecos en el surtido: "Tenemos cincuenta zapatillas para correr, pero solo dos con puntera ancha y suela basculante —ese es un segmento desatendido". El equipo de compras puede usar los atributos para informar a los proveedores con precisión, reduciendo la tasa de devoluciones causadas por expectativas no cumplidas. El equipo de marketing puede usar los atributos para construir segmentos de audiencia y activar campañas automatizadas: "Los clientes que compraron zapatillas con una clasificación de impermeabilidad superior a IPX4 y terreno previsto: trail deberían recibir un correo electrónico sobre nuestra nueva gama de calcetines para trail running". La venta adicional, en esta visión, no es una táctica aislada. Es un producto de una infraestructura de datos que hace que todo el negocio sea más inteligente sobre sus productos.

El problema del arranque en frío merece un análisis más profundo porque es el momento en que la granularidad demuestra su valía de forma más dramática. Un nuevo sitio de comercio electrónico se lanza con quinientos productos. No tiene historial de compras de clientes. No tiene datos de navegación. Un sistema de filtrado colaborativo puro —"las personas que compraron esto también compraron aquello"— no tiene nada con lo que trabajar. Las recomendaciones que produce son inexistentes o, peor, aleatorias. Los módulos de venta adicional del sitio están vacíos o muestran los más vendidos que no tienen relación con el producto que se está viendo. La experiencia del cliente se siente hueca. Un sistema basado en atributos, por el contrario, puede generar recomendaciones relevantes desde el primer visitante. Cuando ese visitante llega a la página del producto de una sartén de hierro fundido, el sistema lee los atributos —material: hierro fundido, diámetro: 10 pulgadas, superficie de cocción compatible: todas, mantenimiento: requiere curado— y recupera otros productos que comparten esos atributos: un estropajo de malla para hierro fundido, un protector de mango de silicona, una cera de curado. Cada uno de estos es una oportunidad de venta cruzada que no existiría sin los atributos. El problema del arranque en frío desaparece para el cliente, incluso si persiste para el modelo colaborativo, porque el cliente nunca ve el modelo colaborativo. Ve el modelo de atributos, que ya está caliente.

El coste inicial de esta granularidad es real. Alguien tiene que definir los atributos, crear la taxonomía, formar al equipo de entrada de datos y rellenar los campos para cada producto. Para un catálogo de quinientas referencias, es un proyecto manejable. Para un catálogo de cincuenta mil, es una tarea significativa. La inversión, sin embargo, se acumula. Cada sistema futuro que toque el catálogo —la búsqueda en el sitio, la navegación facetada, el motor de recomendaciones, la personalización de correos electrónicos— se vuelve más efectivo. El coste de no hacer la inversión es más difícil de ver pero mayor: cada venta adicional genérica que se ignora, cada búsqueda abandonada que no devuelve resultados porque los filtros son demasiado gruesos, cada cliente que abandona el sitio sin encontrar el producto complementario que habría completado la compra original. Estos no son partidas en una cuenta de pérdidas y ganancias, pero son reales.

La siguiente sección examina Zappos, una empresa que construyó su reputación sobre la profundidad de sus datos de catálogo, y Netflix, que invirtió en una taxonomía de contenido granular para mantener a los espectadores enganchados. Juntos, demuestran que la arquitectura del catálogo no es una preocupación de back-office. Es un motor de ingresos de primera línea.

Los cuarenta campos de Zappos y los 70.000 microgéneros de Netflix

Zappos comenzó, como muchas empresas de internet perdurables, con una observación simple vestida de queja. A finales de la década de 1990, Nick Swinmurn, el fundador de la empresa, recorrió un centro comercial buscando un par de zapatos específico en un color y talla específicos y no encontró nada. El modelo de venta minorista física, con sus limitaciones de espacio en los estantes, nunca podría tener todas las variaciones que un cliente pudiera desear. El modelo en línea, en teoría, sí podía. Pero simplemente enumerar miles de zapatos en un sitio web no resolvería el problema más profundo. El problema más profundo era que los zapatos no son mercancías intercambiables. Un zapato de running no es solo un zapato; es un dispositivo biomecánico con propiedades que interactúan con la anatomía del usuario. Un zapato de vestir no es solo un artículo de moda; es una estructura con alturas de tacón, formas de puntera y materiales que determinan si el usuario puede estar de pie tres horas sin dolor. Un cliente que compra el zapato equivocado en línea —un zapato que se ve bien en la fotografía pero que no le queda bien al pie— lo devuelve. Y las tasas de devolución en la venta minorista de calzado en línea, a principios de la década de 2000, eran castigadoramente altas, a menudo superando el treinta por ciento. Cada devolución eliminaba no solo la venta, sino el margen de varias ventas exitosas. La economía de la venta minorista de calzado en línea parecía un cubo con fugas. Zappos decidió parchear el cubo no con mejores fotos o descuentos más agresivos, sino con mejores datos.

La empresa invirtió en la construcción de lo que era, en ese momento, uno de los catálogos de productos más granulares de todo el comercio electrónico. Para cada par de zapatos, Zappos capturaba más de cuarenta atributos distintos. Estos iban mucho más allá de lo obvio: marca, talla, color, precio. El esquema de atributos incluía la altura del tacón medida en pulgadas, la altura de la plataforma, la circunferencia de la caña para botas, el tipo de soporte del arco, el control de pronación (neutral, estabilidad, control de movimiento), el tipo de cierre (cordones, hebilla, sin cordones, velcro), el material de la parte superior, el material del forro, el tipo de plantilla, el material de la suela exterior, el peso en onzas, la clasificación de impermeabilidad, el terreno previsto para zapatos de exterior, la clasificación del ancho de la puntera y muchos otros. El equipo medía físicamente los zapatos, verificaba los materiales y cotejaba las especificaciones del fabricante con controles de calidad internos. Esto no era un ejercicio de entrada de datos único. Era un proceso operativo continuo integrado en el flujo de trabajo de merchandising. Cada nuevo producto que entraba en el almacén iba acompañado de una hoja de datos que debía completarse antes de que el producto se publicara en el sitio. Como resultado, el catálogo se convirtió en un repositorio vivo y estructurado de la realidad física, no en una mera lista de inventario.

La aplicación inmediata de esta granularidad fue la búsqueda y navegación facetada. Un cliente podía filtrar todo el catálogo de calzado no solo por talla y color, sino por atributos que correspondían a sus necesidades personales. Un corredor con fascitis plantar podía filtrar zapatos con "soporte del arco: alto" y "amortiguación: máxima". Una enfermera que permanecía de pie durante turnos de doce horas podía filtrar por "cierre: sin cordones" y "altura del tacón: baja" y "peso: inferior a 10 onzas". Este nivel de precisión reducía la carga cognitiva de escanear cientos de productos indiferenciados. Más importante aún, aumentaba la probabilidad de que el zapato que el cliente finalmente comprara funcionara como se esperaba, lo que a su vez reducía la probabilidad de una devolución. Zappos nunca publicó un experimento controlado que aislara la reducción exacta de la tasa de devolución atribuible únicamente a la granularidad de los atributos —demasiadas variables cambiaron simultáneamente a medida que la empresa crecía—, pero los analistas de la industria y los estudios de casos señalaron consistentemente la arquitectura del catálogo como un elemento fundamental de la capacidad de Zappos para lograr tasas de devolución significativamente por debajo del promedio de la venta minorista de calzado en línea.

Las implicaciones de venta adicional de esta arquitectura no fueron una ocurrencia tardía. Estaban integradas en la misma capa de datos. Cuando un cliente veía un zapato específico, el motor de recomendaciones —que en Zappos era una combinación de reglas basadas en atributos y filtrado colaborativo— podía recuperar productos que coincidieran en los atributos más probablemente relevantes para el contexto inferido de ese cliente. Un cliente que veía una zapatilla de running con estabilidad con un poste medial firme y una horma recta veía recomendaciones de plantillas diseñadas para la sobrepronación, calcetines con compresión en el arco y un segundo par de zapatillas con perfiles biomecánicos similares para el entrenamiento cruzado. Las recomendaciones tenían sentido porque estaban ancladas en el mismo vocabulario de atributos que había guiado la búsqueda original. Las tasas de conversión de venta cruzada en estas recomendaciones basadas en atributos eran, según exmiembros del equipo de producto de Zappos que hablaron en eventos del sector como Shop.org e IRCE (Internet Retailer Conference and Exhibition) a mediados de la década de 2010, múltiplos de lo que los módulos genéricos de "también te puede interesar" lograban en sitios comparables. Zappos no publicó cifras precisas, pero la evidencia direccional era lo suficientemente sólida como para que la arquitectura del catálogo de la empresa se convirtiera en un caso de estudio estándar en la educación sobre comercio electrónico, citado en publicaciones que van desde Practical Ecommerce hasta las notas de casos de la Harvard Business School sobre operaciones de venta minorista digital.

El caso de Zappos ilustra un punto más amplio sobre la relación entre la arquitectura del catálogo y el rendimiento de las ventas adicionales. La venta adicional no es un sistema separado que pueda optimizarse de forma independiente. Es un producto derivado del modelo de datos del producto. Si el modelo de datos captura los atributos que importan a los clientes —los atributos que utilizan para describir sus propias necesidades—, entonces el motor de ventas adicionales tiene la materia prima que necesita para construir ofertas relevantes. Si el modelo de datos es escaso, ninguna cantidad de sofisticación algorítmica puede compensarlo. Un modelo de aprendizaje profundo entrenado con cinco atributos seguirá produciendo recomendaciones genéricas, porque la señal simplemente no está ahí para extraer. La inversión debe producirse primero en la capa de datos.

El segundo caso, extraído del dominio de los medios digitales en lugar de la venta minorista física, extiende el principio de los productos al contenido. Netflix, el servicio de streaming, no vende zapatos. Pero se enfrenta a un problema estructuralmente idéntico: cómo mantener a un suscriptor comprometido presentándole el contenido que quiere ver a continuación. El motor de recomendaciones inicial de la empresa dependía en gran medida del filtrado colaborativo —"las personas que vieron X también vieron Y"— y de las calificaciones con estrellas. Estos métodos funcionaban adecuadamente, pero adolecían de una debilidad conocida. Eran buenos para mostrar títulos populares y de amplio atractivo, pero tenían dificultades con los intereses de nicho, los títulos de arranque en frío y las dimensiones sutiles del gusto que separan a un espectador al que le gustan las "comedias románticas excéntricas con protagonistas femeninas fuertes" de un espectador al que le gustan las "comedias románticas ambientadas en Nueva York". La diferencia entre esos dos espectadores es la diferencia entre una venta adicional de atención exitosa —una recomendación que mantiene al espectador viendo— y una fallida que le lleva a cerrar la aplicación.

Para abordar esto, Netflix invirtió mucho en una taxonomía de contenido de granularidad extraordinaria. El llamado sistema de "microgéneros" de la empresa, descrito en detalle por Alexis C. Madrigal en un artículo de 2014 para The Atlantic basado en un análisis de la interfaz pública de Netflix, comprende más de 70.000 categorías distintas. Estas no son solo "Acción" y "Comedia". Son combinaciones de atributos: estado de ánimo, tono, ambientación, características del protagonista, estructura narrativa, período de tiempo, ritmo y docenas de otras dimensiones. Un título se etiqueta con múltiples atributos de este tipo, creando un vector rico que captura no solo de qué trata el título, sino cómo se siente al verlo. Una sola película podría etiquetarse con "cerebral", "distópica", "de ritmo lento", "antihéroe" y "narrativa no lineal". El sistema de recomendaciones puede entonces hacer coincidir estos vectores de atributos con las preferencias inferidas del espectador —derivadas de su historial de visualización— y mostrar contenido que se alinee en múltiples dimensiones sutiles simultáneamente.

El resultado es una experiencia de recomendación que se siente casi inquietantemente precisa, y esa precisión es el motor de la retención de Netflix. La empresa ha informado en cartas trimestrales de resultados y comunicaciones a inversores de que las recomendaciones efectivas reducen el abandono y aumentan las horas de visualización, aunque no revela la contribución marginal exacta de los microgéneros frente a otros factores. Lo que se conoce públicamente, a partir de presentaciones de ingenieros de Netflix en conferencias académicas como RecSys, es que la taxonomía de contenido es una entrada crítica para los modelos de recomendación, y que los modelos que incorporan atributos de contenido profundos superan consistentemente a aquellos que se basan únicamente en patrones de comportamiento del usuario. En una publicación de blog de 2015 en Netflix TechBlog, los ingenieros explicaron que los "algoritmos de similitud" de la empresa incorporan metadatos como géneros, clasificaciones por edad y años de lanzamiento para mejorar la personalización. La taxonomía de 70.000 microgéneros, aunque parcialmente automatizada, requiere un esfuerzo sustancial de etiquetado humano, un coste que Netflix ha estado dispuesta a asumir durante más de una década porque el retorno —medido en el valor de por vida del suscriptor— justifica la inversión muchas veces.

El caso de Netflix refuerza la lección de Zappos con una categoría diferente de inventario. Ya sea que los "productos" sean zapatos físicos o películas digitales, el requisito estructural es el mismo. Una venta adicional —ya sea de un producto complementario o de la siguiente pieza de contenido— es tan precisa como los atributos que describen los elementos del catálogo. La granularidad no es un lujo reservado para empresas con millones de referencias. Es una necesidad competitiva para cualquier negocio que quiera que sus recomendaciones ganen atención en lugar de desperdiciarla.

El esquema que crece con el negocio

Los casos de Zappos y Netflix se sitúan en diferentes industrias, sirven a diferentes necesidades de los clientes y operan con diferentes tipos de inventario —bienes físicos frente a contenido digital. Sin embargo, la lógica estructural que los conecta es lo suficientemente precisa como para expresarse en una sola frase: la calidad de una venta adicional está delimitada por la granularidad del catálogo que la alimenta. Ningún algoritmo de recomendación, independientemente de su elegancia matemática, puede compensar una base de datos de productos que describe un zapato como un simple zapato. La capa de datos es la base, y la base establece el techo.

Este principio, como el principio de temporización del Capítulo 1 y el principio de nomenclatura del Capítulo 2, no se limita a las grandes empresas que sirven como casos principales. Se traduce en todos los tipos de negocio, escalas y sectores con un conjunto común de patrones de implementación. La traducción requiere entender qué atributos son importantes para el cliente en cada contexto, cómo pueden capturarse esos atributos a un coste razonable y cómo pueden integrarse en la maquinaria de venta adicional. Las tres aplicaciones siguientes —una pequeña marca directa al consumidor, un proveedor industrial B2B y una plataforma de servicios bidireccional— ilustran cómo se adapta la lógica.

Consideremos una pequeña marca de comercio electrónico que vende granos de café especiales. El número de productos podría ser de treinta o cuarenta referencias —diminuto según los estándares de Zappos. La tentación es tratar el catálogo a la ligera: un nombre de producto, un nivel de tueste, un precio, una foto de la bolsa. Bajo ese esquema escaso, el módulo de recomendaciones del sitio solo puede sugerir "otros tuestes oscuros" o "cafés de la misma región". Eso no es inútil, pero pasa por alto las dimensiones que realmente impulsan la compra de un entusiasta del café. Un cliente que compra un Etiopía de origen único con notas de cata de arándanos y jazmín está expresando una preferencia por perfiles brillantes y afrutados, no solo por la geografía africana. Si el catálogo captura el origen, el método de procesamiento, la variedad, la altitud, el nivel de tueste y un vocabulario estructurado de notas de cata, el motor de venta adicional puede conectar ese Etiopía con un Kenia de brillo similar, o con un Colombia lavado de cuerpo complementario. La recomendación que dice "Si te encantaron las notas de arándano de este Etiopía, prueba este Kenia con grosella negra" tiene muchas más probabilidades de convertir que "Otros clientes también compraron un tueste francés". Los atributos adicionales —método de procesamiento, variedad, etiquetas de sabor específicas— no cuestan casi nada de asignar en el momento de la configuración del producto. Para un catálogo de treinta referencias, la carga total de entrada de datos se mide en horas. El retorno es una capa de recomendación que suena como un barista experto en lugar de una cuadrícula de productos aleatoria.

El problema del arranque en frío es especialmente relevante aquí. Las marcas pequeñas a menudo se lanzan sin historial de compras de clientes, sin rastros de navegación, sin señal de filtrado colaborativo de ningún tipo. Las recomendaciones basadas en atributos son la única forma de que el sitio se sienta vivo desde el primer día. Un visitante de un sitio de café completamente nuevo que llega a una página de producto espera ver algo que se relacione con ese producto. Si el único contenido en el espacio de recomendaciones es una lista genérica de "más vendidos", el sitio se siente vacío. Si el espacio muestra cafés con perfiles de sabor coincidentes, el sitio se siente curado. La diferencia no es magia algorítmica; son datos de atributos preexistentes que el modelo colaborativo necesitaría meses de transacciones acumuladas para aproximar. En este sentido, la granularidad de los datos no es solo una ventaja competitiva a largo plazo. Es una táctica de supervivencia a corto plazo para los nuevos participantes que deben ofrecer relevancia antes de tener audiencias.

Para un proveedor industrial B2B, la escala y la complejidad son mayores, pero la lógica se mantiene. Un distribuidor de elementos de fijación —pernos, tornillos, tuercas, arandelas— podría tener cincuenta mil referencias. Un responsable de compras de una empresa de construcción visita el sitio buscando un perno específico: M10, paso de rosca de 1,5 mm, longitud de 50 mm, acero inoxidable 304, cabeza hexagonal, rosca parcial. Esta no es una búsqueda caprichosa. Es un requisito de compras con cero tolerancia a la ambigüedad. El catálogo que captura todos esos atributos puede presentar inmediatamente ofertas de venta cruzada genuinamente útiles: tuercas con la misma especificación de rosca, arandelas del tamaño y material correctos, un fijador de roscas clasificado para acero inoxidable. El catálogo que captura solo "perno, M10, acero inoxidable" no puede hacer esas asociaciones. Su módulo de venta cruzada sugerirá categorías genéricas —"más fijaciones"— que el responsable de compras ignorará. En el B2B, el coste de la irrelevancia no es solo una venta adicional perdida. Es una señal de que el proveedor no entiende la realidad operativa del cliente, lo que erosiona la confianza y puede costar también la venta principal. El esquema de atributos en este contexto debe alinearse con el vocabulario de compras del cliente. Ese vocabulario incluye estándares de rosca (métrico vs. imperial), grados de material (A2, A4, 304, 316), tipos de cabeza, tipos de accionamiento y certificaciones de cumplimiento. Capturar estos atributos requiere mucho trabajo con cincuenta mil referencias, pero la alternativa —un catálogo que no puede responder a las preguntas que hacen sus clientes— es una debilidad estructural que ninguna campaña de marketing puede ocultar.

Una lección clave tanto del entorno DTC pequeño como del B2B grande es que el esquema de atributos debe diseñarse hacia afuera a partir de los criterios de búsqueda y selección del cliente, no hacia adentro a partir de las categorías de inventario del proveedor. Un proveedor de elementos de fijación podría clasificar internamente los productos por la ubicación del contenedor en el almacén o por el número de pieza del fabricante. Esos son importantes para las operaciones, pero no son los atributos que importan para las ventas adicionales. Los atributos de venta adicional son aquellos que definen cómo se utiliza el producto, con qué se conecta, qué problema resuelve. Diseñar el esquema desde la perspectiva del cliente significa preguntarse: cuando un cliente describe lo que necesita, ¿qué palabras utiliza? ¿Qué dimensiones le importan? ¿Qué haría que una recomendación pareciera seleccionada por alguien que conoce su trabajo? Las respuestas a esas preguntas se convierten en los campos de atributos.

El tercer contexto, una plataforma de servicios bidireccional, añade una capa de complejidad porque los "productos" no son artículos físicos sino servicios realizados por humanos. Una plataforma que conecta a pacientes con terapeutas, por ejemplo, no tiene referencias en el sentido tradicional. Pero sí tiene un catálogo de proveedores, y cada proveedor tiene atributos: modalidad terapéutica (TCC, psicodinámica, EMDR), áreas de especialización (ansiedad, trauma, relaciones), formato de la sesión (vídeo, teléfono, presencial), idioma hablado, seguro aceptado, años de experiencia, género, e incluso atributos más subjetivos como el estilo terapéutico (directivo, exploratorio, estructurado). Un paciente que completa una sesión con un terapeuta y reporta una experiencia positiva es un candidato para una venta adicional —quizás un paquete de sesiones a una tarifa con descuento, un taller grupal impartido por el mismo terapeuta sobre un tema relevante, o una recomendación para probar una modalidad diferente con otro terapeuta que comparta la misma especialización. La capacidad de la plataforma para hacer relevante esa venta adicional depende enteramente de la granularidad de los perfiles de los terapeutas. Si la plataforma solo registra "terapeuta, ansiedad, $100/sesión", las opciones de venta adicional se limitan a "reservar otra sesión con este terapeuta o con uno diferente". Si la plataforma registra una docena de atributos por terapeuta, puede construir ofertas precisas y conscientes del contexto: "Los pacientes que trabajaron con un terapeuta de TCC para la ansiedad también encontraron útiles los grupos de reducción del estrés basados en la atención plena —aquí tienes uno dirigido por un terapeuta en tu ciudad". La venta adicional cruza la línea de oferta comercial a mejora genuina del servicio, que es exactamente donde se encuentran las tasas de conversión más altas.

La implicación operativa para cualquier negocio, independientemente de su escala, es que la arquitectura del catálogo no es un proyecto único. Es una disciplina viva. A medida que se añaden nuevos productos, el esquema de atributos debe aplicarse de forma coherente. A medida que evolucionan las necesidades de los clientes, el propio esquema debe ampliarse para capturar nuevas dimensiones de relevancia. La taxonomía de microgéneros de Netflix no llegó completamente formada. Creció de forma iterativa durante años, a medida que los científicos de datos y los etiquetadores de contenido identificaban nuevos ejes de preferencia del espectador y los añadían al vocabulario de etiquetado. Zappos añadió atributos a medida que avanzaba la tecnología del calzado —nuevos materiales para la suela, nuevos sistemas de cierre, nuevas certificaciones de sostenibilidad. El catálogo es un modelo de la comprensión que el negocio tiene de sus propios productos y de los mundos de sus clientes. Cuando ese modelo es rico y está bien mantenido, los sistemas de venta adicional que se alimentan de él producen resultados que parecen inteligencia. Cuando el modelo es escaso y descuidado, los mismos sistemas producen resultados que parecen ruido. La elección no es entre tener un catálogo y no tenerlo. Es entre un catálogo que permite la precisión y un catálogo que garantiza la mediocridad.

¿Estás describiendo productos o respondiendo preguntas?

Para el propietario de una pequeña empresa, la pregunta diagnóstica es incómoda en su simplicidad: si te entregaran tu catálogo de productos —cada campo, cada atributo, cada etiqueta— y te pidieran encontrar un producto complementario para un cliente específico utilizando solo esos datos, ¿lo conseguirías? Más concretamente, elige un producto de tu catálogo. Examina su registro de datos. Enumera todos los atributos que se capturan en un campo estructurado y consultable. Ahora imagina a un cliente que acaba de comprar ese producto. ¿Qué más podría necesitar? Si la respuesta implica un atributo que no está en el catálogo, ese atributo faltante es una oportunidad de venta adicional perdida. El paso práctico, que se puede lograr en una tarde, es tomar diez productos y anotar las preguntas que un cliente podría tener después de comprarlos —preguntas sobre compatibilidad, sobre alternativas, sobre compras de siguiente paso. Luego comprueba si el catálogo contiene los datos que responderían a esas preguntas. Las carencias serán visibles casi de inmediato, y completar los atributos críticos que faltan para los productos más vendidos puede comenzar esa misma semana.

La segunda pregunta para el propietario de la empresa es sobre el proceso: cuando se añade un nuevo producto al catálogo, ¿el flujo de trabajo de entrada de datos obliga al equipo a completar un conjunto de campos de atributos estructurados antes de que el producto se publique? ¿O el producto se publica con un nombre, un precio y una foto, y el resto se añade después —o nunca? La disciplina de la cumplimentación obligatoria de atributos no es glamurosa, pero es la diferencia entre un catálogo que respalda las ventas adicionales y un catálogo que las socava. Implementar una lista de verificación simple —incluso una hoja de cálculo— que debe marcarse como completa antes de publicar un producto puede cambiar la trayectoria de toda la capa de recomendaciones.

Para el consultor o estratega, las preguntas profundizan en el diseño del propio esquema de atributos. Primero, al auditar el catálogo de un cliente, ¿cómo se distinguen los atributos que es bueno tener de los que son esenciales para la relevancia de la venta adicional? Un método es analizar las consultas de búsqueda que actualmente no devuelven resultados o que los usuarios refinan múltiples veces. Estas consultas suelen contener términos de atributos —"impermeable", "ligero", "compatible con X"— que no se capturan como campos estructurados. Al identificar las consultas de alta intención más frecuentes que el catálogo no puede responder, el consultor puede priorizar los atributos que desbloquearán el impacto de ingresos más inmediato. La segunda pregunta se refiere a la tensión entre la exhaustividad y la mantenibilidad. Un equipo pequeño no puede completar cuarenta atributos por producto en un catálogo de diez mil referencias. ¿Cuál es el esquema de atributos mínimamente viable para la categoría específica del cliente, y cómo puede el consultor diseñar un proceso de recopilación de datos que obtenga los valores de los atributos de proveedores, fabricantes o incluso clientes (a través de reseñas estructuradas) en lugar de depender únicamente de la entrada manual interna? Esto es un problema de diseño operativo tanto como de datos, y requiere una solución que se ajuste a la capacidad organizativa del cliente.

La implicación de una semana para un lector que quiera actuar de inmediato es esta: auditar cinco productos más vendidos y cinco productos con bajo rendimiento. Para los más vendidos, identificar los atributos que las páginas de producto destacan actualmente —a menudo están en la prosa de la descripción del producto pero no en campos estructurados. Crear esos campos estructurados y completarlos para los más vendidos. Luego, comprobar si la lógica de recomendación del sitio puede utilizar esos nuevos campos para generar al menos una venta cruzada específica y relevante por producto. Para los productos con bajo rendimiento, comprobar si tienen menos atributos estructurados que los más vendidos. Si es así, los datos escasos pueden estar suprimiendo su visibilidad y su capacidad para aparecer en los espacios de venta adicional. Completar los mismos campos de atributos para esos productos también. La inversión de tiempo es de unas pocas horas de trabajo con hojas de cálculo y configuración del CMS. El resultado es una mejora medible en la coherencia de las recomendaciones, que, si los casos de Zappos y Netflix sirven de guía, se acumula con el tiempo a medida que más productos reciben el mismo tratamiento. La arquitectura del catálogo no es una deuda técnica que deba pagarse más tarde. Es un activo generador de ingresos que se aprecia con cada atributo añadido.