Exploring user behavior, content and value creation by Zara app’s wish list service: an exhaustive analysis

El crecimiento exponencial del comercio electrónico ha impulsado el desarrollo de diferentes funcionalidades en las plataformas web con el objetivo de aumentar la experiencia de usuario y atender a las preferencias de los clientes. Muchos han optado por incluir entre sus servicios la posibilidad de almacenar productos en la lista de deseos o wish list para poder consultarlos en el futuro. A pesar de que su uso es generalizado, la investigación sobre su utilización y contenido es escasa, perdiendo la oportunidad de conocer mejor los intereses de los usuarios y aumentar su atracción.
Este trabajo pretende subsanar esta brecha mediante un análisis en profundidad de la funcionalidad de la wish list de Zara, poniendo especial énfasis en el comportamiento de los usuarios y su interacción con los productos. En primer lugar, el estudio revela diferentes patrones de comportamiento entre los usuarios aplicando técnicas de agrupación basadas en el modelo RRFM (Repetición, Recencia, Frecuencia, Monetario). El estudio evalúa los grupos formados aplicando el método K-means y la técnica OPTICS Clustering a los datos de las interacciones de los usuarios de la App de Zara con sus listas de deseos. En un segundo enfoque, se comprueban varias hipótesis relacionadas con los posibles impulsores del servicio utilizando inferencia. Para investigar los patrones de similitud entre los productos insertados en una misma lista de deseos, se extraen las características de las imágenes de los artículos utilizando redes neuronales preentrenadas. Los resultados sugieren que los usuarios utilizan el servicio para comparar productos y revelan que es posible dirigirse estratégicamente a distintos grupos de usuarios con el fin de optimizar el uso del servicio y mejorar la satisfacción del cliente.

With the steady growth of e-commerce, many online retailers have included a wish list service for users to store products they are interested in for future reference. Despite its widespread use, little has been investigated on its usage and content, missing out on the opportunity to gain a deeper understanding of what customers are interested in and better engage them.
This paper aims to fulfill this gap through a deep analysis of Zara's wish list feature, focusing on user behavior and product interactions. Firstly, the study reveals different behavior patterns among users implementing clustering techniques based on the RRFM framework (Repetition, Recency, Frequency, Monetary). The study evaluates the groups formed by applying K-means method and OPTICS Clustering technique to data from Zara's App users' interactions with its wish list service. In a second approach, various hypotheses related to the possible drivers of the wish list utility are tested using inferential statistics. To investigate similarity patterns in a wish list, features are extracted from the products' images using pre-trained Neural Networks. Findings suggest customers make use of the wish list for comparison purposes and reveal that different user groups can be strategically targeted to optimize the use of wish lists and enhance customer satisfaction.