Cuando un visitante escribe "chaqueta ligera para el otoño" en tu barra de búsqueda, ¿quién decide qué productos aparecen, y en qué orden? Detrás de cada respuesta hay un algoritmo. No hace falta saber programar uno para entender cómo funciona. Pero captar su lógica cambia por completo la forma de diagnosticar un problema de búsqueda y de elegir la herramienta adecuada.

Hay cuatro grandes familias de algoritmos de búsqueda. Todo motor de búsqueda de e-commerce moderno se apoya en una combinación de estos enfoques, con equilibrios distintos según la herramienta.

Por qué importa para tu negocio: el algoritmo de tu motor de búsqueda determina directamente tu tasa de cero resultados, la relevancia de las respuestas a las consultas en lenguaje natural y la capacidad de tu motor de mejorar con el tiempo. Elegir el tipo de algoritmo adecuado, o diagnosticar las limitaciones del que usas, es una decisión de negocio, no solo técnica.

Las 4 grandes familias de algoritmos de búsqueda

1

Búsqueda por palabras clave - BM25 / TF-IDF

Es el mecanismo fundacional de la búsqueda desde los años 70. El motor compara los términos exactos que escribe el visitante con los términos presentes en tus fichas de producto. BM25 (Best Match 25) es la versión moderna de TF-IDF: tiene en cuenta la frecuencia de una palabra dentro de un documento, su rareza en el conjunto del catálogo y la longitud de las descripciones.

En la práctica: si un cliente escribe "zapatillas de running", el motor muestra los productos cuyos títulos y descripciones contienen exactamente "running" y "zapatillas", favoreciendo aquellos en los que esas palabras aparecen con frecuencia y en campos clave (título > descripción).

Rápido Transparente Preciso con referencias exactas Sinónimos invisibles Cero resultados en lenguaje natural
Ejemplo concreto "deportivas para correr" no mostrará "zapatillas de deporte Nike" si la palabra "deportivas" no está en la ficha de producto. "Pantalones impermeables" no encontrará "pantalones softshell". Sin sinónimos configurados a mano, cada formulación alternativa es una tasa de cero resultados que sube.
2

Búsqueda semántica - embeddings y espacio vectorial

En lugar de comparar palabras, la búsqueda semántica compara el significado. Cada producto y cada consulta se convierte en un vector numérico, una secuencia de números que representa su significado en un espacio de cientos de dimensiones. La búsqueda consiste entonces en encontrar los vectores más cercanos a la consulta en ese espacio.

Estos vectores los producen modelos de lenguaje entrenados con miles de millones de textos. "Saben" que "parka" y "abrigo de invierno" están cerca, que "zapatillas" y "deportivas" significan lo mismo, o que una consulta como "algo de abrigo para senderismo" corresponde a plumíferos y forros técnicos.

Entiende sinónimos implícitos Lenguaje natural Tolera erratas y reformulaciones Menos precisa con referencias exactas Indexación más lenta
Ejemplo concreto "algo de abrigo para el invierno" muestra plumíferos, mantas, gorros, aunque esas palabras no aparezcan en la consulta. En cambio, "ref XYZ-4521" puede ser menos fiable que con BM25 puro, que gestiona mejor las coincidencias exactas.
3

Búsqueda híbrida - lo mejor de ambas

La búsqueda híbrida combina BM25 y la semántica en una única puntuación final. La consulta se procesa en paralelo con ambos métodos, y sus puntuaciones se fusionan, normalmente mediante una ponderación ajustable (un parámetro a menudo llamado alpha) que determina la contribución relativa de cada enfoque.

Es el estándar de los motores modernos: Elasticsearch desde la versión 8.x, Google Vertex AI Search, Algolia Neural Search. La híbrida corrige los puntos ciegos de cada enfoque por separado: la precisión de BM25 con los códigos de producto, combinada con la comprensión semántica del lenguaje natural.

Precisión con las referencias Comprensión del significado Menos cero resultados Más compleja de ajustar Infraestructura más pesada
Ejemplo concreto "Nike Air Max 90 blancas": BM25 encuentra la referencia exacta con precisión. "Zapatillas para correr por senderos en el bosque": la semántica muestra zapatillas de trail aunque no se escriba esa palabra. La híbrida gestiona ambas en el mismo motor.
4

Ranking por comportamiento - IA que aprende de tus clientes

Este cuarto tipo no cambia qué productos se devuelven, sino en qué orden aparecen. El motor observa los comportamientos reales de tus visitantes (clics, añadidos al carrito, conversiones, tiempo en una ficha de producto) y ajusta automáticamente el ranking para destacar los productos que mejor rinden en cada tipo de consulta.

Resultado: si tus clientes que buscan "running principiante" hacen clic y compran de forma constante una marca concreta, esos productos suben en los resultados para esa consulta, sin ninguna configuración manual por tu parte.

Se adapta automáticamente Optimiza la conversión Cero configuración manual Ineficaz al lanzamiento (arranque en frío) Necesita un volumen de datos suficiente
Punto clave El ranking por comportamiento es potente, pero amplifica las tendencias existentes. Un producto con poca visibilidad inicial cuesta que emerja. Las acciones de searchandising (boost manual) siguen siendo necesarias para las novedades o las promociones.

Comparación de algoritmos de un vistazo

Algoritmo Puntos fuertes Principales limitaciones Datos necesarios
BM25 / TF-IDF Preciso con referencias exactas, rápido, transparente Ignora sinónimos y lenguaje natural Ninguno
Semántica Entiende el significado, el lenguaje natural, las reformulaciones Menos fiable con códigos exactos y SKU Modelo de embeddings (preentrenado)
Híbrida Precisión + significado, menos cero resultados El ajuste del peso BM25/semántica es delicado Modelo de embeddings
Ranking por ML Se adapta a tu audiencia, optimiza la conversión de forma continua Necesita historial de clics y conversiones Datos de comportamiento de usuario (volumen suficiente)

¿Qué combinación es la adecuada para tu tienda?

La respuesta depende del tamaño de tu catálogo, de tu volumen de tráfico y de la riqueza de tus datos de producto.

  • Catálogo pequeño (<1.000 productos): un BM25 bien configurado con sinónimos mantenidos con cuidado puede bastar. Invertir en una capa semántica solo compensa a partir de cierto volumen de consultas fallidas.
  • Catálogo mediano o grande (1.000 a 50.000 productos): la búsqueda híbrida se vuelve imprescindible. La enorme variedad de variantes, marcas y formulaciones hace que la configuración manual de sinónimos ya no baste por sí sola.
  • Sitios de alto tráfico (>50.000 visitantes/mes): el ranking por comportamiento aporta una mejora continua sin trabajo manual. La condición: datos suficientes para que el algoritmo converja en una señal fiable.
  • En todos los casos: los sinónimos manuales siguen siendo la configuración más rentable a corto plazo. Baratos de implementar, y el impacto en la tasa de cero resultados es inmediato.

Comprueba cómo Vectail gestiona los algoritmos por ti

Búsqueda híbrida, ranking por comportamiento y sinónimos configurables, todo desde un único panel. Prueba gratis de 14 días, sin tarjeta de crédito.

Empieza gratis

Qué hace Vectail con estos algoritmos

Vectail está construido sobre Google Vertex AI Search for Retail, que integra de forma nativa una arquitectura híbrida: BM25 y búsqueda semántica combinadas en una única puntuación de relevancia. No hace falta elegir ni calibrar el equilibrio entre ambas: lo gestiona la infraestructura de Google, entrenada con miles de millones de consultas de retail.

  • Ranking por comportamiento activado por defecto: el auto-learning de Vertex AI observa el comportamiento de tus visitantes desde el primer día y afina el ranking de forma continua. Se inicializa de forma progresiva a medida que crece el tráfico.
  • Expansión automática de consultas: el parámetro queryExpansionSpec: AUTO permite al motor ampliar automáticamente una consulta a términos semánticamente cercanos cuando los resultados exactos son insuficientes.
  • Sinónimos configurables desde el panel: para los casos en que el algoritmo no cubre un sinónimo propio del sector ("BTT" vs "bici de montaña", "deportivas" vs "zapatillas"), puedes definir grupos de sinónimos que tienen prioridad sobre la capa semántica.

La combinación de estas tres capas (híbrida, por comportamiento, sinónimos manuales) cubre la inmensa mayoría de los escenarios de búsqueda de e-commerce sin necesidad de ninguna configuración técnica.

Volver al blog