El siguiente trabajo final presenta una investigación sobre los sistemas de recomendación en el comercio electrónico (e-commerce) del rubro vestimenta. Estos sistemas tienen como objetivo mejorar la experiencia de los usuarios al brindar un contenido personalizado en función de los intereses y análisis de patrones de comportamiento, permitiendo mediante ello un aumento de la tasa de conversión. Los avances en inteligencia artificial y aprendizaje automático han permitido la adaptabilidad de estos sistemas a cualquier ecosistema electrónico. En este trabajo se estudia el estado del arte desde varios enfoques: filtrado colaborativo, filtrado basado en contenido y sistemas híbridos. Se plantea como objetivo obtener la cantidad de recomendaciones más relevantes y personalizadas de prendas por usuario. Dentro de este marco se realizó la experimentación de varios algoritmos, se explica el funcionamiento de cada uno, sus ventajas y desventajas. Entre los algoritmos que se trabajaron se encuentran: “Market-basket”, contenido basado en NLP (natural language processing), contenido basado en atributos, KNN (k-nearest neighbors), matriz de similitud, basados en factorización matricial y diferentes variantes de sistemas híbridos. Para medir el rendimiento se utilizó F1 y Mar@k (Mean Average Recall at K). Esta última métrica tiene la particularidad de contemplar el orden de relevancia de los productos recomendados según la preferencia predicha para el usuario. El mejor resultado fue obtenido con el modelo “Switching hybrid” el cual mejoró un 15% sobre el valor inicial planteado. En líneas generales, los algoritmos basados en contenido mostraron una mejor performance que los colaborativos. Adicionalmente, se logró una leve mejora en los algoritmos de contenido con la implementación de los motores híbridos.