Búsqueda vectorial para e-commerce:
cómo funciona y por qué lo cambia todo

Durante mucho tiempo, los motores de búsqueda de e-commerce funcionaron con un principio sencillo: comparar las palabras de la consulta con las palabras de los títulos y descripciones de producto. Este enfoque, llamado búsqueda "léxica" o "por palabras clave", es eficaz para las consultas exactas, pero alcanza pronto sus límites ante la realidad del comportamiento de los compradores online.

La búsqueda vectorial, también llamada búsqueda semántica, representa un cambio tecnológico de fondo en la forma en que los motores de búsqueda entienden las consultas. Hoy está en el núcleo de los motores de búsqueda más avanzados, incluidos Google Search y Google Vertex AI Search for Retail.

¿Qué es la búsqueda vectorial?

Un vector es, en matemáticas, una lista ordenada de números. En el procesamiento del lenguaje natural (NLP), los investigadores descubrieron que era posible representar el significado de una palabra, una frase o un texto entero como un vector de cientos o miles de dimensiones.

Estas representaciones, llamadas embeddings, las construyen modelos de aprendizaje profundo entrenados con corpus de texto masivos. La propiedad fundamental de los embeddings: dos textos con significados parecidos acaban matemáticamente cerca en el espacio vectorial, aunque no compartan ninguna palabra.

En el contexto del e-commerce, cada producto de tu catálogo se indexa como un embedding. Cada consulta de visitante también se convierte en un embedding en tiempo real. El motor calcula entonces la distancia entre el vector de la consulta y todos los vectores del catálogo, y devuelve los productos más cercanos, los más relevantes semánticamente.

Búsqueda léxica frente a búsqueda vectorial

Para entender lo que aporta la búsqueda vectorial, esta es una comparación directa de ambos enfoques en escenarios habituales de e-commerce:

La búsqueda léxica destaca cuando la consulta coincide exactamente con los términos del catálogo (SKU, marca, nombre de producto). La búsqueda vectorial destaca en las consultas en lenguaje natural, las intenciones de compra difusas y las descripciones de necesidades.

Ventajas concretas para un sitio de e-commerce

Búsqueda híbrida: lo mejor de ambos mundos

La búsqueda vectorial pura tiene una limitación: es menos precisa que la búsqueda léxica para las consultas exactas. Un visitante que escribe "Nike Air Max 90 blancas talla 42" espera una coincidencia exacta, no una interpretación semántica.

Por eso los motores de búsqueda modernos combinan ambos enfoques en lo que se llama búsqueda híbrida:

• Búsqueda vectorial: para consultas en lenguaje natural, intenciones, descripciones de necesidades
• Búsqueda léxica (BM25): para referencias exactas, marcas, números de modelo
• Fusión de resultados: las puntuaciones de ambos enfoques se combinan (a menudo mediante una técnica llamada Reciprocal Rank Fusion) para producir un ranking final

Google Vertex AI Search for Retail usa este enfoque híbrido de forma nativa. Es una de las razones por las que sus resultados son relevantes en un amplio espectro de consultas, de las más precisas a las más vagas.

¿Cómo funciona la indexación vectorial?

Cuando tu catálogo se sincroniza, cada producto se procesa así:

1. Extracción de texto: título, descripción, categorías, atributos del producto
2. Generación del embedding: el modelo de lenguaje convierte ese texto en un vector de N dimensiones
3. Almacenamiento en un índice vectorial: los vectores se guardan en una estructura que permite una búsqueda de similitud rápida (ANN - Approximate Nearest Neighbors)
4. Actualizaciones continuas: cada modificación del catálogo actualiza los embeddings correspondientes

Durante una consulta, el mismo pipeline se aplica a la consulta del visitante: el texto se convierte en un embedding y la búsqueda ANN encuentra los N vectores más cercanos del índice en unos milisegundos.

Búsqueda vectorial frente a soluciones tradicionales

Varias soluciones de búsqueda para e-commerce se presentan como "semánticas" o "de IA" sin usar necesariamente embeddings vectoriales de verdad. Las diferencias se ven en los casos límite: consultas en lenguaje natural, descripciones de necesidades o consultas en un idioma distinto al del catálogo.

Señales de una búsqueda vectorial de verdad:

• Resultados relevantes para consultas nunca vistas en el catálogo
• Comprensión de sinónimos sin configuración manual
• Capacidad de responder a consultas en lenguaje natural
• Relevancia multilingüe (una consulta en un idioma puede encontrar productos en otro si los catálogos están bien codificados)