El presente trabajo final tiene como objetivo desarrollar un sistema de recomendación aplicado a las compras web de un supermercado, con la finalidad de anticipar las preferencias de compra y personalizar las sugerencias en función del historial de compras de cada cliente. Con esta finalidad, a partir de un conjunto de datos de compras en un supermercado, se realizó un análisis exploratorio y se crearon nuevas variables que resultan clave para los siguientes pasos, como la segmentación horaria y la frecuencia de compra. Con el propósito de adaptar los algoritmos de recomendación a grupos de usuarios con patrones de compra similares, se agruparon a los clientes en cinco perfiles bien diferenciados mediante la aplicación de “K-means”, de forma de mejorar la personalización de las sugerencias. Sobre cada segmento se entrenaron y compararon tres algoritmos de recomendación: factorización matricial con NMF, arquitecturas de “dos torres” con TensorFlow Recommenders y, finalmente, filtrado colaborativo con Surprise. El modelo optimizado de TensorFlow Recommenders obtuvo un F1-score de 0.88, superando al mejor modelo NMF en un 13.6% y al mejor modelo de Surprise en un 18.3%. A su vez, se evidencia la relevancia de técnicas como SMOTE para el balanceo de clases. Estos resultados demuestran que la combinación de la segmentación previa, el aprendizaje profundo y el ajuste fino de hiperparámetros incrementa la precisión y relevancia de las recomendaciones.