Marketplace local con recomendador IA

La hipótesis inicial era que un mejor buscador semántico resolvería el problema. Las primeras dos semanas de discovery cuestionaron esa hipótesis: la mayoría de los usuarios no sabía exactamente qué quería comprar cuando entraba al marketplace —buscaban inspiración, no un SKU específico.

Pivotamos hacia un sistema de recomendación contextual que combina tres señales: historial de compras anonimizado, horario del día y ubicación del barrio. El motor de recomendación usa embeddings de OpenAI para representar productos y un modelo de filtrado colaborativo entrenado con datos de Mercado Próximo.

La interfaz resultante tiene tres vistas: el feed de inicio personalizado, el buscador semántico mejorado, y la vista de tienda. El feed de inicio fue el cambio más radical —reemplazamos la grilla estática de featured products por un carrusel dinámico con tarjetas de producto que incluyen el nombre de la tienda, la distancia al usuario, y el tiempo estimado de entrega.

En mobile, trabajamos especialmente los estados de carga: usamos skeleton screens con geometría que coincide con la del contenido real para eliminar el layout shift que causaba el 23% de los abandonos según grabaciones de Hotjar.

El checkout fue simplificado de cinco pasos a tres, consolidando datos de entrega e información de pago en una sola pantalla con validación inline.