Búsqueda con IA para catálogos B2B Su catálogo habla de productos. Sus compradores, de problemas.
Un comprador escribe lo que necesita resolver. El catálogo dice qué es la pieza. Entre ambos, la lista de resultados suele quedar vacía. Construimos para Magento una búsqueda que une las dos cosas y aun así acierta las referencias exactas.
manguera apta alimentos sosa caliente
0 resultados
En el catálogo, el artículo adecuado se llama «Manguera de limpieza EPDM, apta para CIP, hasta 140 °C». No coincide ni una palabra.
Por qué la búsqueda sale vacía
La búsqueda por palabras encuentra palabras. No intenciones.
-
Otras palabras
El comprador escribe «sosa», la ficha técnica dice «limpieza alcalina». Para Elasticsearch y OpenSearch son dos cosas distintas.
-
Media referencia
Los compradores copian el número de un albarán antiguo, a menudo solo la mitad. Una búsqueda puramente semántica lo «corrige» entonces al artículo equivocado.
-
Conocimiento en PDF
Rango de temperatura, resistencia y normas suelen estar solo en la ficha técnica, no en los atributos del producto.
-
No todos pueden verlo todo
Grupos de clientes, catálogos compartidos, precios de contrato: la búsqueda no debe encontrar nada que este cliente no pueda comprar.
Cómo la construimos
Dos búsquedas. Un resultado.
Una búsqueda vectorial encuentra productos por significado; la búsqueda de texto completo clásica, por términos exactos. Una puntuación común combina ambas con sus reglas.
-
Preparar
Descripciones, atributos y fichas técnicas se convierten en vectores. Si cambia un producto, solo se reindexa ese producto.
-
Filtrar
Antes de buscar se descarta lo que el grupo de clientes no puede ver. El modelo de lenguaje solo recibe la parte permitida.
-
Encontrar
La búsqueda vectorial y la de texto completo funcionan en paralelo. Si la consulta parece una referencia, el resultado exacto pesa más.
-
Ordenar
Stock, precios de cliente y frecuencia de pedido entran en el orden, según reglas que usted define.
Medir antes
Primero los registros de búsqueda. Después el modelo.
Empezamos con sus búsquedas reales. De ahí sale una línea base con la que se mide cada cambio.
-
Búsquedas sin resultados
¿Con qué frecuencia una búsqueda sale vacía, y con qué términos?
-
Orden
¿Están arriba los productos correctos? Evaluado con una lista de consultas reales (NDCG).
-
Clics en los primeros resultados
¿Hacen clic arriba los compradores, o bajan y se rinden?
Con franqueza
No toda tienda necesita IA. A veces basta con un buen mantenimiento.
Merece la pena si
- su catálogo tiene miles de artículos con muchos atributos técnicos,
- los clientes buscan por aplicación y no por nombre de producto,
- en sus registros hay muchas búsquedas sin resultados.
Mejor no, si
- sus clientes piden casi siempre por referencia. Entonces aporta más un OpenSearch bien configurado.
- los propios datos de producto tienen lagunas. Entonces primero hay que ordenar los datos, por ejemplo con un PIM.
«Tornillo M8 galvanizado»: ¿0 resultados? Encontramos la aguja en el pajar.
Revisamos sus registros de búsqueda y le mostramos qué consultas no llevan a ninguna parte hoy.
