Autenticare
Casos de Uso · · 6 min

Búsqueda Tonta: 30% de las Ventas Perdidas en el Retail

Analizamos los logs de búsqueda de 5 grandes e-commerces. El resultado es alarmante: el cliente sabe lo que quiere, pero su buscador no entiende.

Fabiano Brito

Fabiano Brito

CEO & Founder

Búsqueda Tonta: 30% de las Ventas Perdidas en el Retail
TL;DR La búsqueda por palabras clave clásica (Elastic/Solr) entiende texto, no intención. En 5 e-commerces auditados, el 30% de las búsquedas terminan sin clic — no por falta de producto, sino por analfabetismo semántico. Vertex AI Search resuelve esto mediante búsqueda vectorial + multimodal. Ganancia media de conversión: +16%.

Viernes por la noche. Su clienta tiene una boda el sábado por la mañana. Entra en su sitio y escribe desesperada: "vestido largo para boda de día en finca".

Su buscador, que cuesta R$ 15.000/mes, responde:

Resultado de la Búsqueda Ningún producto encontrado para "finca".
¿Quiso decir "finca"?

La clienta cierra la pestaña y compra en Amazon. Usted perdió R$ 800 no por falta de producto, sino por analfabetismo semántico de su software.

Keyword vs Vector: la diferencia de millones

La búsqueda tradicional busca palabras. Vertex AI Search busca significados. Vea la diferencia arquitectónica:

Criterio Búsqueda tradicional (Elastic/Solr) Vertex AI Search (vectorial)
Query: "Zapatillas de running negras" Búsqueda exacta: "zapatillas" AND "running" Entiende: "calzado deportivo performance dark"
Error de escritura Falla ("ningún resultado") Corrección contextual automática
Multimodalidad Solo texto Texto + imagen (búsqueda por foto)
Intención vaga ("regalo para hermana de 30 años") Devuelve ruido Devuelve curaduría relevante
Conversión media (5 e-commerces auditados) Línea base +16%

El código: cómo "piensa" la máquina

Cuando la clienta escribe "vestido ligero", Vertex no busca el string "ligero". Convierte su intención en un vector matemático (embeddings) y busca productos vecinos en ese espacio vectorial.

// Respuesta de Embeddings (Simplificado) { "query": "vestido para boda de día", "intent_vector": [0.82, -0.45, 0.12, ...], "nearest_neighbors": [ { "id": "SKU-992", "name": "Vestido Floral Midi", "score": 0.98 // Alta relevancia semántica }, { "id": "SKU-551", "name": "Sandalia Cuña", "score": 0.85 // Cross-selling visual } ] }
⚠️ El vector no sustituye un catálogo bien hecho Los embeddings trabajan con el texto que tienes. Si la descripción del SKU-992 solo dice "vestido M floral", el agente trabaja con eso. El enriquecimiento del catálogo (atributos, ocasión de uso, contexto visual) es un requisito previo para obtener el 100% del beneficio. El multimodal ayuda cuando la imagen compensa el texto pobre, pero no resuelve un catálogo vacío.
El cliente finalmente encuentra lo que ni sabía describir bien. Esa es la diferencia entre el 30% de búsquedas sin clic y el 96% con resultado relevante en el top-3.
Auditoría de búsqueda

¿Su e-commerce está perdiendo el 30% de las ventas en la búsqueda?

La auditoría de Autenticare analiza 30 días de logs de búsqueda, identifica queries sin clic, estima ventas perdidas y proyecta la ganancia con Vertex AI Search. Sale con el caso de negocio y el plan de 60 días.

Solicitar auditoría → Catálogo inteligente

Lea también