i6 Decision Suite — inicio

Relevance

Cada interacción, la decisión correcta.

Relevance decide qué presentar en cada interacción a partir de tu catálogo, del comportamiento observado y del contexto del momento. La decisión sale lista para que la ejecuten tus canales.

Contrata ahoraAgenda una demoVer cómo funciona

Modelo

Un modelo que entiende tu negocio, a medida para tu catálogo

Antes de recomendar cualquier cosa, Relevance necesita saber en qué mercado opera tu negocio. Esa elección define el vocabulario, las categorías y la forma de interpretar el catálogo: el mismo producto lee una operación de moda de una manera y una de bienes de consumo de otra.
  • Cada dominio, un vocabulario diferente
  • Una sola elección, válida para toda la empresa
  • El mismo catálogo, leído de otra manera
Elección del modelo
  • Modacolección, tallas, estiloseleccionado
  • Bienes de consumomarca, envase, rotación
  • Electrónicaespecificación, generación
  • Supermercadocesta, recurrencia
Ilustración del producto. No representa datos de ninguna operación.

Entrada de datos

Del catálogo a la primera recomendación, sin fricción

El catálogo entra por archivo o integración y se valida campo a campo antes de valer para las decisiones. Ves la cobertura de cada campo, los avisos de calidad y una vista previa de cómo Relevance interpretó el contenido enviado.
  • sin histórico obligatorio
  • el archivo no se almacena
  • Validado antes de convertirse en recomendación
  • Ves cómo fue interpretado antes de confirmar
Validación del catálogo
  • 12.480registros recibidos
  • 12.206válidos
  • 274con aviso
Cobertura ilustrativa por campo del catálogo.
campocobertura%
title99%
category94%
description81%
attributes.color72%
Ilustración del producto. No representa datos de ninguna operación.

Integración

Una llamada de API, resultado en producción

La operación consume las decisiones por API, SDK o servidor a servidor. La ruta de implementación viene descrita paso a paso, con ejemplos de llamada y referencia técnica publicada.
  • Un paso a la vez, sin adivinanzas
  • Una llamada, respuesta en producción
Ruta de implementación
  1. Credencialesclave por entorno, sin secreto en el cliente
  2. Primera llamadauna decisión en una solicitud
  3. Retorno de resultadolos eventos observados vuelven al modelo
# ejemplo de llamada
POST /v1/decisions
{ "session": "s_9281", "placement": "pdp" }
# → 200 · decisión lista para el canal
Ilustración del producto. No representa datos de ninguna operación.

Medición

No necesitas confiar: mides

El producto muestra qué pasa con las decisiones que entrega: volumen, respuesta, cuánto del catálogo se alcanza y cómo se comporta el modelo técnicamente. Sin caja negra.
  • Ingresos, pedidos, ticket — siempre a la vista
  • Dónde pierde fuerza el recorrido
  • Rigor técnico, no solo resultado
Panel de medición
  • R$ 1,8Mingresos influidos+12%
  • 4.214pedidos influidos+9%
  • R$ 427ticket medio influido+3%
  • 68%cobertura de catálogo+5 p.p.
  • expuestos · 100%
  • clics · 35%
  • carrito · 18%
  • compra · 10%

Diferencia observada

Diferencia entre el ritmo normal del sitio y el ritmo de interacción con Relevance.

  • Clic+34,6 %
  • Añadir al carrito+18,1 %
  • Compra+22,7 %
Ilustración del producto. No representa datos de ninguna operación.

Insights

La parte del negocio que nadie está mirando

Además de decidir, Relevance devuelve lo que observó: patrones de comportamiento priorizados, ítems muy expuestos con poca respuesta, ítems casi invisibles con buena respuesta y partes del catálogo que casi nunca aparecen. Cada hallazgo describe un comportamiento medido, no una causa.
  • Un hallazgo, con evidencia
  • Una oportunidad que nadie había pedido
Hallazgos priorizados
  • Mucha exposición, poca respuestaalta

    Un grupo de artículos aparece con frecuencia y convierte por debajo de lo esperado para la categoría.

  • Afinidad entre artículosmedia

    Dos grupos aparecen juntos en la misma sesión con frecuencia superior a la media.

  • Catálogo casi invisiblemedia

    Parte del catálogo casi nunca se presenta, aunque la respuesta sea positiva cuando aparece.

Ilustración del producto. No representa datos de ninguna operación.

Aprendizaje

El modelo nunca deja de aprender

Detrás de cada recomendación hay un modelo propietario preentrenado con miles de millones de señales de comportamiento y calibrado para tu catálogo. La arquitectura combina representación de productos, secuencia de recorrido y señales de contexto, evolucionando continuamente.

Cada interacción y cada resultado observado vuelven al modelo. La decisión de mañana ya considera lo que pasó hoy, sin ciclo manual de reprocesamiento.

Ciclo de aprendizaje
  • interacciones del control
  • interacciones con el modelo
  • resultado con el modelo
  • resultado del control
  • 4,7×resultado vs. control
  • +54%interacciones adicionales
  • 23,8%Long-tail Contribution
Ilustración del producto. No representa datos de ninguna operación.

Deja de recomendar a ciegas

Mira a Relevance decidiendo sobre un catálogo real, con medición e insights desde la primera semana.

Contrata ahoraAgenda una demo