Tenemos muchos tipos de productos y los clientes a menudo no saben qué modelo comprar. ¿Podemos crear en el sitio web una herramienta de selección basada en preguntas y respuestas que recomiende automáticamente el producto adecuado?

Sí. Un sitio web puede perfectamente incorporar una herramienta de selección basada en preguntas y respuestas, es decir, un cuestionario de recomendación de productos (Product Recommendation Quiz, también llamado a menudo product finder website o selector interactivo de productos): el cliente responde en orden de 5 a 8 preguntas estructuradas, el sistema filtra modelos según reglas predefinidas y, al final, muestra de 1 a 3 resultados recomendados, los motivos de la recomendación, una comparación de parámetros clave y el acceso a consulta.

Su núcleo no consiste en dejar que el modelo adivine sin fundamento, sino en convertir en una tabla de reglas mantenible los criterios de decisión que los vendedores senior y los product managers tienen en la cabeza: qué indicadores obligatorios debe cumplir cada condición de trabajo, hacia qué nivel debe inclinarse cada rango de presupuesto y qué condiciones son solo puntos adicionales. La dificultad técnica no es alta; lo realmente difícil es explicar con claridad «qué modelo encaja con cada necesidad» y mantenerlo a largo plazo.

El punto de entrada puede ser muy flexible: una ruta independiente (como /product-finder), un botón «Ayúdame a elegir» en la parte superior de la página de listado de productos o un módulo de preguntas y respuestas integrado en la página de categoría.

Por qué, cuando la línea de productos es larga, el cliente no puede elegir

La selección se atasca normalmente no porque el cliente no quiera comprar, sino porque el coste de decisión supera su paciencia: hay demasiadas dimensiones de parámetros —potencia, material, tamaño, interfaz, régimen de trabajo, certificaciones— que deben compararse al mismo tiempo; la terminología no coincide: el cliente dice «el taller necesita funcionar de forma continua» y la página del producto dice «régimen de trabajo S1, factor de carga 100 %»; una tabla comparativa de decenas de filas puede mostrar diferencias, pero no responde a «¿cuál elijo en mi caso?»; preventa repite cada día las mismas preguntas y, si la respuesta tarda, el lead se pierde mientras espera.

Este es precisamente el escenario en el que destacan los flujos guiados. Un asistente paso a paso recopila información por etapas y las etapas posteriores pueden depender de lo introducido en la anterior; divide un proceso complejo en pasos pequeños, reduce la información por pantalla y la carga cognitiva, y el usuario solo ve los pasos relevantes para él. Las recomendaciones de diseño de Nielsen Norman Group señalan que los asistentes son especialmente adecuados para usuarios novatos o tareas poco frecuentes, como la configuración y la selección de productos, que son decisiones de baja frecuencia y alta barrera (Wizards: Definition and Design Recommendations).

También hay que aceptar de antemano el coste: aumentan los clics, la información entre pasos es difícil de comparar y una salida a mitad de camino puede hacer perder el contexto. Por eso hay que reducir el número de pasos al mínimo y ofrecer en la página de resultados una comparación de parámetros y un acceso para «modificar condiciones» y volver al inicio.

Una herramienta de selección completa se compone de cuatro capas

Lo más fácil de hacer mal es la capa de reglas: delegar la recomendación en la coincidencia por similitud puede dar modelos cuyos parámetros son correctos pero que no cumplen las condiciones de instalación del cliente; solo si se separan las condiciones obligatorias de las preferencias flexibles el resultado será creíble.

Caso práctico: cómo recorrer un cuestionario de selección de equipos industriales

Tomemos como ejemplo productos con muchos modelos y parámetros densos, como compresores de aire, bombas industriales o instrumentos de medición:

1. Escenario de uso: producción continua, operación intermitente, laboratorio o respaldo; determina el nivel de régimen de trabajo y los requisitos de fiabilidad.
2. Capacidad o potencia: ofrecer un rango objetivo y permitir elegir «No lo sé»; en ese caso, preguntar por las condiciones del sitio.
3. Presupuesto: participar solo como condición flexible en la puntuación, no como primer filtro, para evitar que un presupuesto bajo vacíe directamente los resultados.
4. Condiciones de instalación: tipo de suministro eléctrico, espacio disponible, entorno (polvo, humedad, interior o exterior), necesidad de movilidad.
5. Página de resultados: modelo principal y alternativas, motivo de cada recomendación, diferencias de parámetros clave y dos accesos: «Consultar con un ingeniero» y «Obtener cotización».

Supongamos que el cliente elige «producción continua, potencia alrededor de 45 kW, presupuesto inferior a 300.000, corriente trifásica de 380 V, entorno interior con polvo». El sistema primero filtra los modelos que no encajan por régimen de trabajo y voltaje; después puntúa el conjunto restante según presupuesto y eficiencia energética; al final puede que solo queden dos candidatos. La página de resultados debe indicar directamente «Debido al entorno con polvo, se han excluido los modelos que no cuentan con el grado de protección correspondiente», para que el cliente entienda la lógica de filtrado y no se enfrente a una lista sin explicación.

Cómo debería escribirse una regla de recomendación

Las reglas deben escribirse como datos estructurados, no como condiciones if dispersas en el código:

{
  "questions": [
    { "id": "scenario", "type": "single", "label": "Escenario de uso", "options": ["Producción continua", "Operación intermitente", "Respaldo"] },
    { "id": "power_kw", "type": "range", "label": "Potencia requerida (kW)", "min": 0, "max": 500 },
    { "id": "install", "type": "multi", "label": "Condiciones de instalación", "options": ["Corriente trifásica de 380 V", "Interior", "Entorno con polvo"] }
  ],
  "rules": [
    { "id": "hard-duty", "when": { "scenario": "Producción continua" }, "type": "filter", "field": "duty_cycle", "value": "S1", "reason": "La producción continua requiere régimen de trabajo S1; de lo contrario, existe riesgo de sobrecalentamiento" },
    { "id": "hard-dust", "when": { "install": "Entorno con polvo" }, "type": "filter", "field": "ip_rating", "value": "IP54", "reason": "Un entorno con polvo requiere elevar el grado de protección para reducir la tasa de fallos" },
    { "id": "soft-budget", "when": { "budget": true }, "type": "score", "field": "price", "weight": 0.4 },
    { "id": "fallback", "when": { "matched": 0 }, "type": "relax", "drop": ["soft-budget"], "message": "No hay modelos que coincidan completamente dentro del presupuesto; a continuación se muestran las opciones más cercanas tras relajar el presupuesto" }
  ],
  "result": { "max_items": 3, "show_reason": true, "show_spec_diff": true }
}

Dos detalles deben quedar escritos en el documento de requisitos: cuando se activa una regla obligatoria, debe emitirse una frase reason legible por personas para que la página de resultados la explique; y fallback debe existir, de modo que al relajar condiciones se informe claramente al cliente de qué se ha relajado; de lo contrario, confundirá la opción más cercana con una coincidencia completa.

Las siete preguntas más frecuentes de los clientes, una por una

La página de resultados decide si esta herramienta es un activo o un elemento decorativo

• Recomendación principal más alternativas: indicar claramente el orden de recomendación y evitar lanzar más de una decena de modelos a la vez.
• Motivos que citan las respuestas del cliente: redactar «Como ha elegido producción continua y entorno con polvo, se muestran prioritariamente modelos con régimen de trabajo S1 e IP54 o superior», para que el cliente crea que el resultado se ha calculado para él.
• Comparar solo las diferencias: tabla de diferencias de parámetros clave, sin enumerar todos los parámetros.
• Dos rutas de conversión: consulta técnica (las respuestas se envían con el formulario, de modo que ventas empiece con contexto) y solicitud de cotización o de muestra.
• Modificable y compartible: conservar «Modificar condiciones» y permitir enviar el enlace del resultado a un colega o a quien decide; en la compra de equipos complejos rara vez decide una sola persona.

Hacer que la herramienta de selección sirva a la vez a la búsqueda y a la búsqueda con IA

La misma herramienta también puede completar la información citable del sitio web:

• Mantener indexables las páginas de modelo: una URL independiente por modelo, con parámetros, escenarios de aplicación y limitaciones, en lugar de meterlo todo en una única tabla comparativa.
• Permitir que la propia página del cuestionario sea rastreable: emitir preguntas y opciones mediante renderizado del lado del servidor o prerenderizado, para evitar que el contenido principal exista solo después de la interacción.
• Añadir datos estructurados Product: Google ofrece una guía oficial sobre datos estructurados de producto para ayudar a los motores de búsqueda a entender con precisión la información del producto (Intro to Product Structured Data).
• Organizar el contenido según las preferencias de la IA generativa: la guía de Google sobre optimización para búsqueda con IA generativa subraya que una estructura clara, información comprensible y hechos verificables son requisitos comunes (Optimizing for generative AI search).
• Acompañar las reglas con párrafos explicativos legibles por personas: explicar con claridad «por qué se filtra así» en cada condición obligatoria, para que la IA tenga frases utilizables cuando cite.

Límites: la precisión depende de los parámetros reales y las reglas que proporciones

Esta línea roja debe alinearse con el área de negocio de antemano: la herramienta de selección no hace que la IA adivine la idoneidad de un producto, sino que ejecuta la lógica de decisión definida por la empresa.

• Los parámetros provienen de materiales reales del producto: modelo, parámetros nominales, condiciones de trabajo aplicables y limitaciones explícitas; si faltan parámetros, es preferible dejarlos vacíos y mostrar «Consulte, por favor» antes que rellenarlos con suposiciones.
• Las reglas las escribe quien entiende el producto: ingeniería, posventa y preventa deben confirmarlas conjuntamente, especialmente las condiciones relacionadas con seguridad, electricidad y cumplimiento normativo.
• Si no hay coincidencia completa, hay que decirlo: usar una estrategia de relajación que ofrezca «la opción más cercana más una explicación de diferencias» cuesta mucho menos que empujar un modelo inadecuado.
• Calibrar con registros reales de consultas: comparar las elecciones reales de los clientes con el modelo finalmente vendido y corregir reglas demasiado estrictas o demasiado laxas.

Qué deberían hacer ahora las empresas: ruta de lanzamiento de una versión mínima viable

1. Elegir una sola línea de producto y empezar por una categoría; no cubrir todos los SKU desde el principio.
2. Preparar una tabla de parámetros de producto de 20 a 50 campos: modelo, parámetros clave, escenarios de aplicación, limitaciones y rango de precio.
3. Entrevistar a tres vendedores senior y preguntar con claridad «después de qué preguntas del cliente ya puedes indicar un modelo», y convertirlo en 5 a 8 preguntas.
4. Escribir primero las reglas obligatorias y después las reglas de puntuación: las condiciones obligatorias excluyen; la puntuación ordena.
5. Lanzar la versión mínima e integrar el formulario de leads, enviando las respuestas junto con el formulario.
6. Revisar cada dos semanas: qué preguntas se saltan, qué resultados se abren en el detalle y qué consultas acaban convirtiéndose en ventas.

En we0, este tipo de necesidad puede describirse como un proyecto de negocio completo: Generación de código full stack y back office CMS integra en una misma cadena de entrega la estructura e interacción de páginas, la gestión en back office, la configuración de SEO y GEO y el despliegue de dominio; el cuestionario de selección forma parte de las páginas interactivas y de los datos y el back office, sin necesidad de montar un sistema de gestión aparte.

Preguntas frecuentes (FAQ)

¿Hace falta mantener las páginas de detalle de producto si el sitio web incorpora una herramienta de selección?
Sí. La herramienta de selección se encarga de acotar la elección; la página de detalle se encarga de alojar los parámetros completos, certificaciones, casos y materiales descargables. La tarjeta de recomendación enlaza directamente con la página de detalle correspondiente; ambas se complementan, no se sustituyen.

Si solo se recomienda un modelo, ¿el cliente pensará que se le está presionando?
Se recomienda destacar 1 modelo principal y 1 o 2 alternativas explicando las diferencias; si solo hay un resultado, deben darse al mismo tiempo el motivo de la recomendación y la explicación de los elementos excluidos.

Si el cliente abandona a mitad de camino, ¿se pierden las respuestas anteriores?
Las respuestas pueden guardarse en la sesión y, cuando el cliente vuelva a entrar, ofrecerle continuar. Los flujos guiados no son fáciles de retomar por sí mismos; cuanto más clara sea la indicación de que se ha guardado el progreso, mejor.

¿La herramienta de selección puede generar consultas directamente?
Puede acortar la distancia entre «no entiendo los parámetros» y «envío mi necesidad», y llevar las respuestas al formulario para mejorar la calidad de la primera comunicación; el efecto real depende del volumen de tráfico, la calidad de las reglas y el seguimiento posterior, y no puede prometerse una conversión de antemano.

Herramientas relacionadas

• Módulo de cuestionario de selección de productos (cuestionario por pasos, evaluación de reglas, página de resultados)
• Tabla de parámetros de producto y configuración de reglas de recomendación (mantenible en back office)
• Páginas de detalle de producto y páginas de comparación de parámetros
• Formulario de consulta con contexto y accesos a consulta
• Datos estructurados y configuración de SEO de página

Enlaces relacionados

• Wizards: Definition and Design Recommendations — Nielsen Norman Group
• Intro to Product Structured Data on Google — Google Search Central
• Optimizing for generative AI search — Google Search Central
• we0 Sitio web: espacio de trabajo de creación de sitios con IA y captación de clientes

Resumen

Las empresas con muchos tipos de productos y especificaciones complejas pueden usar una herramienta de selección basada en preguntas y respuestas para hacerse cargo de la dificultad de decisión del cliente: diseñarla en cuatro capas —preguntas, reglas, datos y resultados—, usar condiciones obligatorias para descartar modelos que no encajan, ordenar mediante puntuación ponderada y mostrar en la página de resultados los motivos de la recomendación, las diferencias de parámetros y el acceso a consulta. La credibilidad de la herramienta proviene de los parámetros reales que proporciona la empresa y de reglas de decisión mantenibles, no de las suposiciones del modelo; si se colocan los productos y las reglas en el back office y se convierten las páginas de modelo en contenido indexable y citable, la herramienta puede servir a la vez a la conversión comercial y a la visibilidad en buscadores.