Hiper personalización web

Este martes, dentro del evento Business+ Ecommerce Lab 2026 – Ecommerce estratégico: IA, logística y experiencia para vender mejor, participo en una mesa redonda en la que trataré de aportar mi visión a esto de la personalización basada en el marketing digital.

Algo que no es nuevo, sino que llevo aplicando en proyectos desde hace más de diez años, como ahora verás. Pero lo cierto es que la IA permite una escala enorme a nivel usuario medio que antes era difícil de conseguir. Eso sí que ha cambiado.

A continuación, te dejo con mi respuesta a cada uno de los grandes puntos que comentamos en la charla.

¿Qué capacidades organizativas y tecnológicas son imprescindibles para pasar de la simple recopilación de datos a su activación inteligente en tiempo real sin generar problemas operativos? (gobierno del dato, alineación marketing IT…)

Generalmente no es una cuestión ni de organización, ni tecnológica, sino más bien de visión. De analizar qué datos tenemos y qué se puede hacer con ellos.

Una web o una app normalita, genera miles de millones de datos. Unos los recogerás de una manera (servidor), otros de otra (Google Analytics o CRM) y otros, directamente, no los recogerás. Porque no te interese o porque no se te haya ocurrido, que es lo que suele pasar más.

Entonces, esto no es un problema de herramientas, sino como digo, principalmente, de visión. Y lo primero es tener una.

A partir de aquí, marketing, IT y negocio tienen que hablar:

• Decidir qué se necesita recoger.
• Para qué.
• Cómo se va a ejecutar técnicamente.
• Cómo se va a activar el dato.
• Y una que se suele olvidar: cómo se va a medir el éxito de la acción.

Y ya.

Más adelante pongo varios ejemplos de personalización y respondo a estas cuatro preguntas en cada uno de ellos, pero antes quiero que te quedes con una idea: 

El tiempo real total no existe.

Y no pasa nada, porque muchas de estas activaciones y personalizaciones no necesitan milisegundos, necesitan lógica y coherencia. 

¿Cómo se está utilizando la analítica avanzada (modelos predictivos, machine learning, scoring) para anticipar comportamientos de compra y no solo reaccionar ante ellos? (abandono de carrito, dinámica de precios…)

Lo primero es diferenciar analítica de reporting. Reporting es una parte de la analítica y se hace en todas las empresas medianas. Pero la analítica es más. Y la analítica avanzada mucho más.

Ver que un usuario abandona el checkout no es analítica avanzada. Ni siquiera es analítica, bajo mi punto de vista. Es un evento que tendrá que disparar una acción, como un popup de exit-intent o un envío de un email automático. Y estaríamos hablando de CRO, más bien.

Otra cosa es cuando entramos en modelos que asignan probabilidad a un usuario / cliente: 

• Probabilidad de compra.
• Probabilidad de abandono.
• Probabilidad de churn. 

Controlar y asignar estas scoring permite actuar antes de que ocurra el evento, con mayores probabilidades de éxito que si se ejecuta después.

Por ejemplo, un scoring de propensión a compra que active ofertas o contenidos específicos puede funcionar muy bien. Lo mismo con el pricing dinámico: ajustar precios en función de demanda, stock y comportamiento tiene impacto directo si está integrado en el negocio.

En ambos casos lo difícil es diferenciar las “señales” que mueven a la compra a un usuario, del resto que nos deja con su comportamiento. Una vez detectadas, accionarlas es relativamente fácil.

Además, en mi experiencia, funcionan mejor las reglas simples bien ejecutadas -como las basadas en sesgos- que otros algoritmos más complejos y rebuscados.

¿Dónde está el equilibrio entre una segmentación realmente accionable y la complejidad analítica que paraliza la ejecución? (automatización, coste, omnicanalidad…)

Aquí creo que voy a contracorriente. Lo digo porque veo proyectos que empiezan con una segmentación simple y la van complicando, acabando con cientos de microsegmentos que aportan más bien poco.

En este sentido, me gusta utilizar segmentos de metodologías probadas como RFM y salirme poco de ahí. Creo que está muy bien pensada y permite atacar a grupos de usuarios que sí que se diferencian entre sí.

Obviamente idioma y/o país, hay que considerarlos, sobre todo por las piezas y copies, más que por el comportamiento en sí, que también.

¿Cómo se garantiza una experiencia hiper personalizada coherente en todos los puntos de contacto —web, email, social, paid media, atención al cliente— sin romper la consistencia de marca?

En su momento ya hablé de lo que suponía la omnicanalidad en contraposición a la multicanalidad. La hiper personalización complica esto mucho más. Por eso creo que no hay que volverse locos.

Un ejemplo: en Lowi, cuando pasamos de ofrecer móvil a fibra, nos encontramos que había más de 100 casos de clientes diferentes a la hora de hacer el upselling (una línea, varias lineas, iguales o diferentes, empresas, particulares…). Esto era a todas luces inmanejable.

¿Qué se hizo? Pues optamos por ofrecer una experiencia razonablemente buena para todos. Había casos más frecuentes cuya experiencia se pulió más, pero los más extraños se agruparon todos bajo una experiencia aceptable, no la más óptima.

¿Hicimos mal? Bajo el prisma de la hiper personalización puede parecer que sí, pero es que ir uno a uno resolviendo de la forma más óptima cada caso hubiera supuesto una inversión en recursos MUCHO mayor que los supuestos beneficios de hacerlo. No compensaba.

Por eso, bajo mi punto de vista, la coherencia y la omnicanalidad siempre ganan a la personalización. Porque si el sistema no está ultra engrasado, es posible que un usuario reciba un mensaje por email, otro en web y otro distinto si va a la tienda, generando mucha más fricción que si no trataras de personalizar nada.. 

El reto es personalizar de forma consistente. Y no siempre es posible.

Además, hay un componente de marca que muchas veces se ignora. No todo debe ser hiper personalizado. Hay mensajes que deben ser iguales para todos porque construyen posicionamiento. El equilibrio está en combinar capas: base de marca coherente más personalización contextual, éso es lo complicado.

¿Qué métricas demuestran que la hiper personalización impacta realmente en conversión, ticket medio y fidelización, y cómo se calcula su ROI de forma rigurosa?

Pues a estos niveles, empresas que se plantean la hiper personalización, se supone que es porque todo lo que va antes lo tienen muy optimizado. Y, entonces, no se producen grandes saltos, pero sí pequeños incrementos.

Entonces, dado que ya estás en un nivel elevado, los cambios se hacen con gaseosa y, como necesitas experimentar, los test A/B son tus amigos.

Y prepárate para ver muchos test que no consigan mejora en la conversión o ésta carezca de significancia estadística.

Es lo normal.

Esto hablando de la web o app. Ahora bien, si de lo que se trata es de pasar de no tener un email marketing automatizado a montar flujos bien segmentados y RFM, ahí la cosa cambia. Y sí que podremos ver incrementos de dos cifras en la conversión y facturación del canal.

Además, de la mano de este aumento, irán muy probablemente otros dos KPIs:

• Porcentaje de recurrencia de cliente.
• Facturación global.

El motivo no es otro que el efecto repetición de la publicidad: conseguirás estar mucho más presente en la cabeza de tu cliente, que es lo mejor que te puede pasar.

En cuanto al ROI, bueno, si me conoces sabes que no soy muy partidario de esta métrica salvo cuando hablamos de vender productos digitales o formación. Entonces te mentiría si te diera una cifra porque ni la sé, ni me preocupa. En la personalización, como con casi todo en el canal online, vale con hacer las cosas bien, poco a poco y con sentido común.

Ejemplos de personalización que te pueden dar ideas

Son algunos casos que hemos ejecutado en proyectos en distintos canales y formatos.

Flujo completo: canales + web

Éste ha sido hasta la fecha el trabajo más grande de personalización en el que he participado. Y es que era un proyecto muy ambicioso que abarcaba:

• La web.
• Las landing pages.
• El área de cliente.
• Todas las campañas y canales de marketing.
• El call-center (el agente veía exactamente lo mismo que el cliente).

El journey completo del usuario, desde que nos veía (display) o nos buscaba (SEM), hasta que contrataba o llamaba al call centero.

Y cuando digo la web, no es un mensajito aquí y otro allá. No. Es que se personalizaba la web entera:

En fin, proyectazo, porque ahora verás todas las variables que podíamos tener en cuenta, que, por el sector que es, son muy diferentes a las habituales.

Variables

• Operador desde el que navega el usuario:
  • Cliente de la empresa.
  • De otra compañía del grupo
  • De la competencia.
• Servicios contratados.
• Tiene cobertura de fibra.
• Tiene cobertura de ADSL.
• Visita a landings de tarifas.
• Servicios de su interés.
• Número de visitas a la web.
• Visita al área de cliente.
• Si es cliente, si tiene permanencia.
• Inserción de keywords dinámicas: las que utiliza el usuario en SEM, exactas, se las mostramos en la web.
• Si el usuario viene de comparadores (Idealo, Rastreator).
• Campaña vista en display: se replica en la web.

Como ves, tener todo este tipo de datos, no es lo habitual en cualquier proyecto web.

Medición

Ejercicio complejo: 

• Medición pre y post ejercicio de personalización.
• Google Analytics.
• AdServer.
• Análisis avanzado a medida.

CRM

Aquí te dejo un listado con todos los emails personalizados que mandábamos en su momento en Yo pongo el hielo:

Email marketing para ecommerce.

Añadir estos emails segmentados, junto con el email diario, fue un game-changer en el proyecto. Las dos variables que te indicaba antes, recurrencia y facturación, se dispararron.

Variables

Muchas, aunque menos que antes:

• Sexo.
• Edad y cumpleaños.
• RFM (número de pedidos, fecha e importe).
• Productos comprados.
• Categoría preferida.
• Segunda categoría preferida.
• Productos vistos por él.
• Productos más vistos por otros usuarios en la web.

Y alguna más que seguro que me dejo.

Medición

Servidor de email:

• Entregabilidad.
• Número de emails enviados.
• Bajas.

Google Analytics:

• Tráfico de enlaces etiquetados.
• Ingresos.

Ecommerce

Módulo con últimos productos vistos por el usuario

Simple y efectivo. Este módulo le recuerda al usuarios los productos que ha visto últimamente, de forma que le reimpactamos con algo que, a priori, le llama la atención.

Variables

Productos vistos por el usuario.

Medición

Evento en GA4.

Redes sociales

Piezas personalizadas para audiencias en Lowi (diferentes personajes, equipos de fútbol…). No nos cambió mucho la aguja, así que el esfuerzo no compensaba.

Variables

Intereses y socio demográficas, si no recuerdo mal.

Medición

Plataforma de Facebook Ads (no era Meta todavía).

Conclusiones

La personalización no es una cuestión de herramientas, sino de análisis y de saber qué hacer con los datos. Sin eso, acumulas datos – ni siquiera información- con los que no haces nada.

Otro mito que hay que derrumbar es que el tiempo real está sobrevalorado. En la mayoría de casos lo importante no es la velocidad ni la inmediatez, sino la lógica de negocio que hay detrás.

Dentro de la analítica, es más útil la que te deja actuar antes con tus clientes, que  la que te explica lo que ya ha pasado.

Otro punto importante es que complicar la segmentación suele ser un error. Mejor pocos segmentos bien diferenciados (usa RFM) que muchos poco usables por muy parecidos.

Por otro lado, no todo se puede personalizar. Si rompes la coherencia entre canales de marketing o de venta, empeoras la experiencia.

A ciertos niveles, la hiper personalización no cambia el negocio de golpe, sino que ayuda con pequeños incrementos.

En definitiva, te diría que si quieres personalizar, pienses en menos complejidad y más ejecución.