Hay una pregunta que casi todos los negocios de retail se han hecho alguna vez: ¿qué suelen comprar mis clientes al mismo tiempo? La respuesta parece obvia — pan y mantequilla, impresora y cartuchos — pero la intuición solo llega a las asociaciones más evidentes. Las combinaciones que de verdad mueven las ventas suelen ser las que nadie había notado.
El análisis de la cesta de la compra, conocido en inglés como market basket analysis, es la técnica que convierte esa pregunta en una respuesta medible. En lugar de adivinar, mira los tickets reales y cuantifica con qué fuerza dos o más productos aparecen en la misma cesta. Es uno de los análisis más antiguos del área de datos y, aun así, uno de los que siguen dando retorno cada día — en supermercados, tiendas online, farmacias y servicios por suscripción.
En este artículo entenderás qué mide este análisis, cómo se leen los tres indicadores que importan (soporte, confianza y lift), por qué mirar solo uno de ellos lleva a decisiones equivocadas, y dónde crea valor concreto todo esto. Termina con un mini-caso, con números plausibles, para hacer la idea tangible.
Qué es, en realidad, el análisis de la cesta de la compra
Cada compra que pasa por una caja es una cesta: un conjunto de artículos comprados en la misma transacción. El análisis de la cesta de la compra recorre miles o millones de estas cestas en busca de patrones de coocurrencia — productos que tienden a aparecer juntos con más frecuencia de la que el azar justificaría.
El resultado son reglas de asociación, que se escriben en la forma A → B y se leen como quien compra A también tiende a comprar B. La regla no dice que A cause la compra de B; solo dice que existe una relación estadística entre ambos. Esa distinción es importante y volveremos a ella.
La técnica es agnóstica al sector. Los artículos pueden ser productos de supermercado, pero también páginas visitadas en un sitio web, módulos de un software, servicios contratados o síntomas registrados en una clínica. Siempre que haya transacciones con varios artículos, hay una cesta que analizar.
Soporte: cómo de frecuente es la combinación
El soporte mide con qué frecuencia un artículo, o un conjunto de artículos, aparece en el total de transacciones. Es la base de todo, porque una regla sobre productos que casi nadie compra rara vez merece la pena.
soporte(A y B) = tickets con A y B / total de tickets
Si de 10 000 tickets hay 500 con café y galletas al mismo tiempo, el soporte de esa combinación es del 5%. Un soporte bajo no invalida la regla, pero obliga a preguntar si el patrón es sólido o solo ruido de unas pocas compras.
Confianza: la probabilidad de B dado A
La confianza responde a la pregunta: de todos los que se llevaron A, ¿qué fracción también se llevó B? Es una probabilidad condicional.
confianza(A → B) = tickets con A y B / tickets con A
Una confianza del 70% en la regla café → galletas significa que el 70% de quienes compraron café también compraron galletas. Parece convincente — y aquí es donde mucha gente se detiene. El problema es que la confianza, por sí sola, puede engañar.
Lift: el indicador que evita conclusiones erróneas
Imagina que las galletas son un producto muy popular, presente en el 65% de todos los tickets. Una confianza del 70% en café → galletas deja de ser impresionante: las galletas aparecen casi en todas partes, con o sin café. La asociación puede ser una ilusión creada por la popularidad de uno de los productos.
El lift corrige exactamente esto. Compara la confianza de la regla con la frecuencia natural de B:
lift(A → B) = confianza(A → B) / soporte(B)
La lectura es directa. Un lift mayor que 1 indica asociación positiva — comprar A aumenta la probabilidad de comprar B. Un lift igual a 1 significa independencia: los dos productos no tienen relación. Un lift menor que 1 apunta a una relación negativa, en la que la presencia de uno aleja al otro. Es el lift, y no la confianza, lo que separa las reglas accionables de las banales.
Un ejemplo paso a paso
Veámoslo con números. Supongamos 1 000 tickets, de los cuales 200 incluyen café, 300 incluyen leche y 150 incluyen café y leche al mismo tiempo.
- Soporte de café y leche: 150 / 1 000 = 15%.
- Confianza de café → leche: 150 / 200 = 75%.
- Soporte de leche: 300 / 1 000 = 30%.
- Lift: 0,75 / 0,30 = 2,5.
Un lift de 2,5 es fuerte: quien compra café tiene dos veces y media más probabilidad de llevar leche que un cliente cualquiera. Esta es una regla en la que merece la pena actuar. Si el lift fuera cercano a 1, incluso con un 75% de confianza, la asociación sería irrelevante.
Mini-caso: una cadena de supermercados regional
Una cadena de supermercados con unas 40 tiendas analizó seis meses de tickets — cerca de cuatro millones de transacciones. El equipo de datos no buscaba confirmar lo obvio; quería asociaciones con lift elevado y soporte razonable que aún no se estuvieran aprovechando.
Entre las reglas que destacaron, una llamó la atención: los clientes que compraban cápsulas de café se asociaban con fuerza a la compra de galletas y bizcochos de gama premium, con un lift de 3,1 y soporte suficiente para ser fiable. Las dos categorías estaban en pasillos alejados y nunca se habían promocionado juntas.
La cadena hizo dos cosas: acercó físicamente un expositor de galletas a la zona de las cápsulas en la mitad de las tiendas y creó una promoción combinada suave, sin descontar productos que ya se vendían bien por sí solos. Al cabo de dos meses, las ventas cruzadas de las dos categorías subieron alrededor del 18% en las tiendas con el cambio, y el ticket medio en esas tiendas pasó de 23,40 € a 24,10 € — un crecimiento de aproximadamente el 3%. Modesto por transacción, relevante a escala de millones de tickets.
El detalle honesto: no todas las reglas con lift alto se tradujeron en ventas. Algunas asociaciones eran estacionales y desaparecieron fuera de temporada. Por eso el equipo validó los cambios con una prueba antes de extenderlos a toda la red.
Dónde crea valor todo esto
El análisis de la cesta de la compra alimenta varias decisiones concretas:
- Recomendaciones online: los bloques de quien compró esto también compró nacen, en su forma más simple, de reglas de asociación.
- Distribución de la tienda: decidir qué se coloca cerca de qué, para facilitar compras complementarias o, al contrario, obligar a cruzar la tienda.
- Promociones inteligentes: evitar descuentos en pares que ya se venden juntos y usar en su lugar un producto ancla para tirar de otro de mayor margen.
- Gestión de roturas de stock: entender que la falta de un artículo puede arrastrar la caída de ventas de otro asociado.
- Detección de canibalización: los lift por debajo de 1 revelan productos que compiten por el mismo cliente.
Errores comunes a evitar
- Confundir asociación con causa: la regla describe coocurrencia, no una relación de causa y efecto.
- Celebrar reglas triviales: descubrir que el pan y la mantequilla se venden juntos no cambia nada. El valor está en lo inesperado.
- Ignorar el lift: actuar solo con la confianza es el error más frecuente y el más caro.
- Trabajar con artículos raros: las reglas basadas en muy pocos tickets son frágiles y poco replicables.
- Olvidar la estacionalidad: muchas asociaciones solo existen en ciertas épocas del año.
- Actuar sin probar: una regla es una hipótesis; confírmala con una prueba controlada antes de cambiarlo todo.
Cómo empezar sin grandes inversiones
No hace falta una plataforma cara. Los recuentos de soporte y confianza se hacen con SQL sobre la tabla de líneas de ticket. Para generar reglas a escala, bibliotecas como mlxtend en Python, con los algoritmos Apriori o FP-Growth, resuelven el problema en pocas líneas. Para explorar y comunicar los resultados, Power BI o una hoja de cálculo bastan al principio.
El consejo práctico es empezar pequeño: una categoría, unas pocas decenas de productos, un período reciente. Encuentra dos o tres reglas con lift elevado, prueba un cambio y mide el efecto. A partir de ahí, escala con confianza.
En la práctica
El análisis de la cesta de la compra vale menos por sus matemáticas y más por la disciplina de mirar lo que los clientes hacen de verdad, en lugar de suponer lo que creemos que hacen. El soporte dice si la combinación es frecuente, la confianza dice cómo de predecible es, y el lift dice si de verdad merece la pena. Con estos tres números y una prueba honesta antes de decidir, conviertes tickets en decisiones — de distribución, de promociones y de recomendación — que se pagan solas.
