Hay una historia famosa en el mundo de los datos: un supermercado habría descubierto que, al final de la tarde, quien compraba pañales compraba también cerveza. La historia es probablemente exagerada, pero quedó porque ilustra una idea poderosa — dentro de los recibos de compra se esconden patrones que nadie planeó y que pueden valer dinero.
El análisis de la cesta de la compra (en inglés, market basket analysis) es la técnica que busca esos patrones. En vez de mirar los productos uno a uno, mira lo que aparece en conjunto en la misma transacción. La pregunta que responde es fácil de enunciar y difícil de responder a mano: ¿qué productos tienden a comprarse juntos, y con qué fuerza?
Este artículo explica la técnica sin matemática intimidante. Vamos a ver los tres números que importan, un ejemplo paso a paso, qué hacer con los resultados y los errores que llevan a mucha gente a sacar conclusiones equivocadas de patrones que, al final, no significan nada.
Qué es el análisis de la cesta de la compra
En esencia, es una forma de encontrar reglas de asociación del tipo "quien compra A tiende a comprar B". Cada compra es una cesta — el conjunto de artículos que pasaron por la caja al mismo tiempo. Al analizar miles o millones de estas cestas, se buscan combinaciones que aparecen con frecuencia y, sobre todo, que aparecen juntas más de lo que cabría esperar por azar.
El objetivo no es solo curiosidad. Saber qué se vende en conjunto informa decisiones concretas: qué productos sugerir en la página de un artículo, qué paquetes crear, dónde colocar los productos en la tienda y qué promociones tienen sentido — y cuáles destruyen margen sin ganar ventas.
Los tres números que importan: soporte, confianza y lift
Toda la técnica se apoya en tres medidas. Entenderlas es la mayor parte del trabajo.
- Soporte: con qué frecuencia aparece la combinación. Es la proporción de cestas que contienen, por ejemplo, A y B al mismo tiempo. Un soporte alto significa que el patrón es común.
- Confianza: dado que alguien compró A, con qué probabilidad compra también B. Es la fuerza de la regla "A lleva a B", pero, por sí sola, engaña.
- Lift: cuánto más probable es comprar B cuando se compra A, comparado con comprar B en general. Un lift de 1 significa que no hay relación; por encima de 1, hay atracción; por debajo de 1, los productos incluso se repelen.
El lift es el número que evita la mayor trampa. Un producto muy popular — digamos, bolsas de plástico — aparece con casi todo y genera confianza alta en muchas reglas. Pero eso no es un patrón útil: es solo popularidad. El lift lo corrige al comparar con la frecuencia base del producto.
Un ejemplo paso a paso
Imaginemos una tienda con 1000 transacciones. El café aparece en 200 (soporte del 20%). El azúcar aparece en 150 (15%). Café y azúcar juntos aparecen en 120 transacciones (soporte del 12%).
La confianza de la regla "café lleva a azúcar" es 120 dividido por 200, es decir, 60%: de quien compra café, el 60% también lleva azúcar. Parece fuerte. El lift lo confirma: 60% de confianza dividido por el 15% de frecuencia base del azúcar da un lift de 4. Comprar café hace la compra de azúcar cuatro veces más probable de lo normal. Este es un patrón real y accionable.
Compárese con las bolsas de plástico, presentes en 700 transacciones (70%). Si "café lleva a bolsas" tiene 65% de confianza, parece alto — pero el lift es 65% dividido por 70%, menos de 1. No hay asociación; las bolsas aparecen con café simplemente porque aparecen con casi todo.
Del patrón a la acción: cross-selling, paquetes y layout
Encontrar reglas es solo la mitad del trabajo; la otra mitad es actuar sin estropear lo que ya funciona. Algunas aplicaciones típicas:
- Recomendaciones: sugerir B en la página o en el checkout de A, usando el lift alto como criterio de elección.
- Paquetes y promociones: juntar productos que ya se compran en conjunto puede aumentar el valor medio de la compra — pero cuidado con no descontar lo que la gente compraría de todos modos.
- Disposición de la tienda y del sitio: acercar (o, a veces, alejar) productos asociados para influir en el recorrido de compra.
- Gestión de stock: anticipar que la rotura de un producto puede arrastrar la caída de ventas de su pareja.
Reglas de asociación más allá del retail
Aunque nació en el retail, la misma lógica se aplica en muchos sectores. En la banca, ayuda a entender qué productos financieros se contratan juntos. En la salud, encuentra combinaciones de diagnósticos o tratamientos que ocurren juntos. En plataformas digitales, revela qué funcionalidades usan las mismas personas. En cualquier contexto donde existan cestas de ítems, la técnica tiene espacio.
Cuidados: correlación no es causa
El mayor riesgo es leer causalidad donde solo hay coincidencia. Que A y B aparezcan juntos no quiere decir que A provoque la compra de B; ambos pueden estar empujados por una tercera razón — una promoción, una época del año, el perfil de quien visita la tienda a esa hora.
Otros cuidados: la estacionalidad distorsiona patrones (lo que es verdad en Navidad no lo es en julio); las reglas obvias — pan y mantequilla — confirman la técnica pero no aportan valor nuevo; y un soporte demasiado bajo produce reglas que parecen fuertes pero se apoyan en poquísimas transacciones, siendo poco fiables. Conviene siempre exigir un soporte mínimo y validar las reglas con quien conoce el negocio.
Herramientas y cómo empezar
No hace falta comprar software caro para empezar. Con SQL, es posible calcular soporte, confianza y lift a partir de una tabla de transacciones con algunas uniones y agregaciones. En Python, bibliotecas dedicadas implementan algoritmos como Apriori y FP-Growth, que encuentran combinaciones frecuentes de forma eficiente. Y herramientas como Power BI permiten visualizar y explorar las reglas encontradas de forma accesible para el negocio.
El camino pragmático es empezar simple: elegir una categoría de productos, calcular las reglas con soporte y lift razonables, y probar una o dos acciones concretas antes de generalizar. Medir el efecto es esencial — una regla solo vale si, al actuar sobre ella, algo mejora.
Minicaso: una empresa de retail alimentario
Una cadena de retail alimentario de tamaño medio quería aumentar el valor medio por compra sin bajar precios. En vez de promociones generales, analizó seis meses de transacciones en busca de asociaciones con lift elevado dentro de categorías complementarias.
Descubrió que quien compraba un cierto tipo de pasta fresca compraba muchas veces una salsa específica, con un lift de 3,2 — pero solo el 18% de quien llevaba la pasta llevaba la salsa. El equipo colocó los dos productos uno al lado del otro y creó una sugerencia en el sitio. Al cabo de dos meses, la tasa de compra conjunta subió al 27% y el valor medio de la cesta en las transacciones con pasta creció alrededor del 6%, sin descuentos. La ganancia no vino de una gran campaña, sino de percibir un patrón que ya existía y eliminar la fricción para seguirlo.
En la práctica
El análisis de la cesta de la compra es una de las técnicas con mejor relación entre esfuerzo y retorno en analítica de retail. Necesita datos que la mayoría de las empresas ya tiene — el histórico de transacciones — y devuelve patrones que se traducen en acciones concretas. La clave es mirar el lift y no solo la confianza, exigir soporte suficiente y validar las reglas con el conocimiento del negocio.
Hecha con cuidado, deja de ser una curiosidad estadística para convertirse en una herramienta de decisión: qué ofrecer, qué juntar y dónde colocar cada producto. Los patrones ya están en tus recibos; solo falta mirarlos.
