Construyendo un recomendador de productos personalizado en Liquid de Shopify

El recommendations.products built-in de Shopify es una buena baseline. Las apps que prometen "personalización con IA" normalmente entregan scripts lentos y carruseles feos. El punto medio — un recomendador en Liquid + Section Rendering API alimentado con tus propias señales — es donde está el lift.

Señales que ya tienes

• Contenido del carrito actual.
• Historial de pedidos del cliente (customer.orders).
• Metafields de producto (occasion, material, line, complement_to).
• Sesión de browsing (vía cookie o local storage).

La arquitectura

1. La PDP renderiza un placeholder section.
2. Section Rendering API trae un section personalizado async, pasando customer ID y producto actual.
3. El section usa lógica Liquid contra metafields e historial para elegir complementos.
4. Cachea agresivamente a nivel section.

{%- comment -%} sections/recommended-for-you.liquid {%- endcomment -%}
{%- liquid
  assign current = product
  assign suggestions = ''

  if customer
    for order in customer.orders limit: 5
      for line in order.line_items
        assign suggestions = suggestions | append: line.product.id | append: ','
      endfor
    endfor
  endif

  assign complement_ids = current.metafields.custom.complement_products.value
-%}

Por qué le gana a la mayoría de apps

• Velocidad nativa. Renderiza dentro de tu critical path existente o async vía Section Rendering API.
• No es caja negra. Tú controlas las reglas, así que merchandising puede ajustarlas.
• Sin fee mensual. Es tu código.
• AI-ready. Agrega una llamada a LLM server-side después si quieres — misma arquitectura.

Cuándo usar una plataforma de personalización real

Si corres 1000+ pedidos/día y tienes data first-party rica, plataformas como Rebuy, Nosto o personalización on-site de Klaviyo pueden superar Liquid puro. Debajo de eso, Liquid gana en ROI.

---

Construimos personalización, PDP y features de merchandising en Shopify y Shopify Plus. Pide una cotización.

A principios de 2026, la estrategia para construir recomendadores de productos en Shopify ha pasado de simples bucles de Liquid a un modelo híbrido que utiliza Shopify Functions y la lógica de Search & Discovery. Si bien Liquid sigue siendo el lenguaje de plantillas principal para renderizar estos componentes, la depreciación de Shopify Scripts el 28 de agosto de 2025 obligó a una transición hacia Shopify Functions para la lógica del backend. Este cambio permite a los desarrolladores inyectar reglas de recomendación directamente en los motores de carrito y pago, asegurando que la lógica de paquetes personalizados o "comprados juntos habitualmente" se mantenga constante durante todo el recorrido del comprador.

El auge del comercio agéntico y el Protocolo de Contexto de Modelo (MCP) en 2026 ha evolucionado aún más la forma en que se procesan las señales. Las marcas se están alejando cada vez más de los carruseles de JavaScript de terceros que perjudican las Core Web Vitals, optando en su lugar por lógica del lado del servidor ejecutada a través de Hydrogen u Oxygen para sitios headless, o la API de Renderizado de Secciones para temas de Liquid. Al aprovechar el endpoint de 'productos relacionados' de la API de Search & Discovery junto con campos personalizados (metafields), los comerciantes ahora pueden lograr una personalización de alta intención sin la latencia asociada típicamente con las aplicaciones de recomendación heredadas. Esta elección arquitectónica es fundamental para las marcas que buscan alcanzar los hitos de GMV del primer trimestre de 2026, donde la optimización de la tasa de conversión (CRO) depende de tiempos de carga de milisegundos.

Preguntas frecuentes

¿Por qué un recomendador basado en Liquid es más rápido que una aplicación de terceros?

Liquid se ejecuta en los servidores de Shopify antes de que la página se envíe al navegador. A diferencia de los recomendadores basados en aplicaciones que se cargan mediante JavaScript, las recomendaciones renderizadas con Liquid evitan el 'desplazamiento de diseño' (layout shift) y aseguran que el contenido sea indexable. Al usar la API de Renderizado de Secciones, puede obtener estas recomendaciones de forma asíncrona para mantener la carga inicial rápida.

¿Cómo combino las recomendaciones nativas de IA de Shopify con mi propia lógica de Liquid?

A partir de 2025-2026, Shopify recomienda usar la lógica de 'Productos relacionados' dentro de la aplicación Search & Discovery para generar los datos iniciales, y luego filtrar esos datos en Liquid usando metafields (por ejemplo, 'excluir_si_no_hay_stock'). Esto combina el aprendizaje automático de Shopify con sus reglas de comercio específicas.

¿Afecta la depreciación de Shopify Scripts a los recomendadores de Liquid?

Shopify Scripts fue oficialmente retirado el 28 de agosto de 2025. Para recomendadores que incluyan descuentos (ej. 'Compre esta recomendación y reciba un 10% de descuento'), ahora debe usar Shopify Functions. Liquid identifica el producto a mostrar, pero la Function gestiona la lógica del descuento en el carrito.

¿Puede Liquid acceder al historial de compras completo para la personalización?

Para personalizar para clientes habituales, use el objeto customer.orders para revisar compras anteriores. Puede buscar etiquetas o tipos de productos específicos y luego usar el filtro where de Liquid para sugerir artículos complementarios, como sugerir 'Lentes' a alguien que compró un 'Cuerpo de cámara'.

Lecturas recomendadas

• Documentación para desarrolladores de Shopify: API de recomendaciones de productos