El motor de recomendación de Amazon: la historia detrás del algoritmo que genera el 35% de sus ingresos

Hay una frase que el mundo del ecommerce conoce de memoria: "Los clientes que compraron esto también compraron...". Esa frase —y el motor de recomendación que la hace posible— ha generado, desde al menos 2012, aproximadamente el 35% de los ingresos totales de Amazon. En un negocio que factura cientos de miles de millones de dólares al año, ese porcentaje representa decenas de miles de millones de dólares generados no por más tráfico ni por precios más bajos, sino por saber mostrar el producto correcto a la persona correcta en el momento correcto.

El desafío

Amazon comenzó como una librería online en 1994. Cuando su catálogo creció a millones de títulos, el problema de descubrimiento se volvió inevitable: los usuarios no podían navegar manualmente un catálogo tan grande. Si no encontraban lo que buscaban —o lo que podrían querer— en los primeros segundos, abandonaban.

En los años 90 y principios de los 2000, las empresas que experimentaban con recomendaciones usaban filtrado colaborativo basado en usuarios: identificar usuarios similares al comprador actual y recomendar lo que esos usuarios similares habían comprado. El problema era de escala. Actualizar y comparar perfiles de millones de usuarios en tiempo real era computacionalmente imposible con la tecnología de la época.

Además, había un riesgo estratégico: si las recomendaciones distraían al usuario del producto que estaba a punto de comprar, las ventas totales podían caer. Un ejecutivo senior de Amazon se opuso inicialmente al proyecto por esa razón. Fue necesario usar datos para resolver el debate.

La solución con datos e IA

La historia del motor de recomendación de Amazon es, en muchos sentidos, la historia de cómo los datos resolvieron un desacuerdo directivo y generaron uno de los activos más valiosos del comercio electrónico mundial.

El experimento que cambió todo. Greg Linden, uno de los ingenieros detrás del sistema, diseñó un A/B test para responder empíricamente si las recomendaciones en el checkout aumentaban o reducían las ventas. Los resultados fueron inequívocos: mostrar recomendaciones relevantes en el momento de compra aumentaba los ingresos de forma significativa. Con ese dato, la discusión directiva se cerró y Amazon lanzó el sistema a nivel global.

La inversión del paradigma: de usuarios a ítems. El breakthrough técnico fue cambiar el foco del filtrado colaborativo. En lugar de comparar usuarios entre sí —costoso y lento— los ingenieros de Amazon compararon ítems. La pregunta pasó de ser "¿qué compraron usuarios similares a ti?" a "¿qué productos se compran frecuentemente junto con este producto?". Las similitudes entre ítems se precomputan offline y se actualizan periódicamente, lo que permite servir recomendaciones en tiempo real sin carga computacional masiva en el momento del pedido.

Esta innovación fue documentada en un paper de 2003 en el journal IEEE Internet Computing —"Amazon.com Recommendations: Item-to-Item Collaborative Filtering"— que décadas después fue elegido como el artículo que mejor resistió la prueba del tiempo en los 20 años de publicación de la revista.

Arquitectura híbrida en 2024. El motor de Amazon de hoy es mucho más complejo que el de 2003. Combina filtrado colaborativo de ítems, filtrado basado en contenido (atributos del producto), deep learning para modelar secuencias de comportamiento complejo, y reinforcement learning para optimizar las recomendaciones según el contexto en tiempo real. Múltiples algoritmos corren simultáneamente y el sistema selecciona cuál usar según el contexto específico de cada momento de la experiencia de compra.

Tres matrices de similitud. El sistema mantiene tres modelos de relación: usuario-ítem (qué ha comprado e interactuado el usuario), ítem-ítem (qué productos se compran frecuentemente juntos) y usuario-usuario (qué usuarios tienen comportamientos similares). La combinación de estas matrices genera recomendaciones que capturan tanto el comportamiento individual como los patrones colectivos.

Personalización en tiempo real. Amazon integra datos de comportamiento en sesión —qué vio el usuario en los últimos 5 minutos, qué añadió al carrito, qué borró— para ajustar las recomendaciones en segundos, no en horas. Si agregaste un libro de cocina italiana al carrito, las recomendaciones de esa sesión se ajustan hacia productos relacionados sin necesidad de esperar al próximo login.

Recomendaciones off-site. El sistema no solo opera en amazon.com. Amazon personaliza los emails de seguimiento, los anuncios en sitios asociados y las notificaciones push con recomendaciones derivadas del historial de compra y navegación de cada usuario. Cada touchpoint es una oportunidad de recomendar relevantemente.

Los números que importan

• Aproximadamente el 35% de los ingresos totales de Amazon provienen de su motor de recomendación, una cifra que se mantiene estable desde al menos 2012 según fuentes públicas ampliamente citadas.
• El paper original de 2003 fue elegido como el artículo más influyente en 20 años del journal IEEE Internet Computing, reconocimiento que habla del impacto estructural de la innovación.
• El sistema es capaz de escalar a cientos de millones de usuarios y decenas de millones de ítems sin degradación de performance, según la documentación técnica original.
• Las recomendaciones basadas en IA influyen en aproximadamente el 26% de todos los ingresos del ecommerce global (Salesforce), con Amazon como el caso más documentado.
• En la temporada navideña de 2024, aproximadamente US$229,000 millones en ventas online globales estuvieron influenciados por recomendaciones personalizadas.
• En 2019, un nuevo algoritmo de deep learning aplicado a Prime Video generó una mejora de dos veces en la calidad de recomendaciones, calificada por el liderazgo de Amazon como "un salto de una vez en una década".

¿Qué puede aprender tu empresa?

El motor de recomendación de Amazon es el resultado de 25 años de iteración, millones de experimentos y una arquitectura técnica de escala masiva. Pero los principios que lo hacen funcionar son accesibles para cualquier empresa que tenga clientes, productos y datos de transacciones.

1. La recomendación es una función de ventas, no de tecnología. Amazon no construyó su motor como un proyecto de ingeniería: lo construyó como una palanca de ingresos. Antes de implementar cualquier sistema de recomendación, define la métrica de negocio que quieres mover: tasa de conversión, ticket promedio, frecuencia de recompra. El sistema existe para mover esa métrica.

2. Empieza con reglas simples, escala con datos. El primer motor de recomendaciones no tiene que ser un sistema de deep learning. Para muchas empresas medianas, reglas simples como "los clientes que compraron X también compraron Y" —calculadas sobre datos históricos de transacciones— ya generan un incremento measurable en ventas cruzadas. La complejidad se justifica cuando los datos son suficientes y el negocio crece.

3. El A/B testing convierte debates en datos. La decisión de Amazon de lanzar su sistema de recomendaciones globalmente no fue una decisión de fe: fue una decisión de datos. Cualquier empresa puede adoptar esa cultura: cuando hay un desacuerdo sobre si una iniciativa funciona, diseña un experimento en lugar de debatir.

4. Los datos de comportamiento son más valiosos que los de demografía. Amazon no necesita saber tu edad ni tu ciudad para recomendarte bien. Necesita saber qué compraste ayer y qué estás mirando ahora. Para empresas de distribución, retail o servicios en LATAM, el historial de transacciones —incluso con pocos meses de datos— ya es suficiente para construir recomendaciones básicas.

5. La personalización es un activo competitivo acumulativo. Cada transacción que Amazon registra hace mejor a su motor de recomendación. Las empresas que empiezan tarde a recopilar y estructurar datos de comportamiento del cliente están construyendo una desventaja competitiva que crece con el tiempo. El mejor momento para empezar fue hace cinco años. El segundo mejor momento es hoy.

El 35% de ingresos de Amazon que genera su motor de recomendación no requirió un presupuesto infinito para empezar: requirió el dato correcto, el experimento correcto, y la decisión de actuar sobre los resultados. Si tu empresa tiene un catálogo de productos y datos de transacciones, ya tiene los ingredientes para construir su primera capa de personalización. En DataPrix ayudamos a empresas medianas en Perú y LATAM a dar ese primer paso con herramientas concretas y retorno medible. Hablemos.