Los sistemas de recomendación se han convertido en soluciones tecnológicas altamente utilizadas en el sector de retail, generando sugerencias personalizadas de compra enfocadas en las preferencias de los clientes, con el propósito de incrementar las ventas. Esto es relevante para artículos de baja rotación o con problemas de mercadeo. Diversas arquitecturas se implementan para desarrollar estos sistemas; sin embargo, aquellas basadas en modelos de Deep learning y redes neuronales artificiales permiten extraer características adicionales de los datos, obteniendo una representación más acertada de patrones ocultos en las ventas. Este documento describe el proceso de diseño de un sistema de recomendaciones para una empresa de retail basada en Ecuador, enfocado en artículos que los clientes pueden adquirir canjeando puntos de sus cuentas del programa de fidelización. Para ello, cada transacción fue considerada como un grafo, cargado en una Red neuronal de grafos para predecir el departamento del artículo canjeado a través de una tarea de clasificación de grafos. Se realizaron múltiples experimentos durante el entrenamiento para seleccionar el algoritmo base, obteniendo los mejores resultados de predicciones para las métricas seleccionadas con GraphSAGE a través de su variante SAGEConv. Las recomendaciones de compra generadas se ofrecieron a un grupo de clientes seleccionado usando una variante del análisis RFM. Se construyó un dashboard interactivo para el análisis semanal que realiza el área de publicidad. Estos resultados se almacenaron en una base de datos dedicada. Las compras realizadas posteriormente mostraron una tasa de conversión significativa, demostrando el impacto de las recomendaciones en las ventas. Palabras Clave: Sistemas de recomendación, Red neuronal de grafos, clasificación de grafos, GraphSAGE, RFM.