Qué es la búsqueda semántica y por qué importa en ecommerce

Tu cliente escribe «tornilo inox m8» y el buscador de tu tienda le devuelve una página vacía. El producto existe, está en stock y tiene buen margen. El problema no es el catálogo: es que el buscador compara letras y tu cliente busca un producto. La búsqueda semántica resuelve justo eso. En este artículo te explicamos qué es, cómo funciona por dentro sin entrar en matemáticas y por qué cambia el resultado en una tienda online.

Búsqueda literal frente a búsqueda por intención

Un buscador convencional trabaja con coincidencias de texto. Divide la consulta en palabras, busca esas palabras en el título, la descripción y los atributos de cada producto, y ordena por cuántas aparecen y dónde. Funciona bien cuando el cliente escribe exactamente lo mismo que pone en la ficha.

El problema es que casi nunca pasa. Las personas escriben deprisa, desde el móvil, con abreviaturas y con el vocabulario que usan en su día a día, no con el de tu catálogo. Un buscador literal falla en situaciones muy previsibles:

• Erratas: «tornilo» no coincide con «tornillo».
• Sinónimos: el catálogo dice «saneamiento» y el cliente escribe «desagüe».
• Lenguaje natural: «la broca esa para hormigón» tiene cuatro palabras que no aportan nada a la búsqueda.
• Abreviaturas y jerga: «inox» por «acero inoxidable A2», «tb» por «tubo», «m8» como métrica.
• Orden y forma: «tubo pvc 110 para desagüe» y «tubería de PVC de 110 mm para saneamiento» son la misma necesidad.

La búsqueda semántica no pregunta «¿qué productos contienen estas palabras?», sino «¿qué productos se parecen a lo que esta persona quiere?». Busca por significado, no por cadena de caracteres.

Qué son los embeddings, explicado sin fórmulas

La pieza central de la búsqueda semántica son los embeddings. Un embedding es una lista de números que representa el significado de un texto. Un modelo entrenado lee una frase —una consulta o la ficha de un producto— y la convierte en un punto dentro de un espacio con muchas dimensiones.

Lo importante no son los números en sí, sino la distancia entre puntos. Dos textos con significado parecido quedan cerca; dos textos sin relación quedan lejos. Así, «tubo desagüe 110» y «tubería saneamiento PVC 110 mm» acaban muy próximos aunque compartan pocas palabras.

Cómo se usa en un buscador

El proceso tiene dos momentos:

1. Al indexar: cada producto del catálogo se convierte en un vector a partir de su título, descripción, categoría y atributos. Ese vector se guarda junto al resto de datos del producto.
2. Al buscar: la consulta del cliente se convierte en otro vector con el mismo modelo. El buscador localiza los productos cuyos vectores están más cerca y los combina con otras señales para ordenar el resultado.

Una analogía útil: un buscador literal es un índice alfabético al final de un libro; uno semántico es un dependiente que ha leído todo el catálogo y entiende lo que le pides aunque lo digas a tu manera.

Por qué la semántica sola no basta

Hay un error habitual: pensar que los embeddings sustituyen a la búsqueda por texto. No es así, y en ecommerce menos todavía. Hay consultas en las que la coincidencia exacta es imprescindible:

• Una referencia de fabricante como «933-A2-0840» no tiene «significado»: hay que encontrarla tal cual.
• Una medida como «M8» o «110 mm» debe respetarse; un M10 no es un resultado aceptable aunque se parezca.
• Una marca concreta o un código EAN exigen exactitud.

Por eso los buscadores que funcionan bien en catálogos reales combinan ambos enfoques. La recuperación por texto aporta precisión con referencias, medidas y atributos; la capa semántica aporta comprensión de la intención. Sobre esa combinación se aplican después las reglas de negocio: stock, margen, campañas o productos que quieres destacar.

Tipo de consulta	Qué resuelve mejor	Ejemplo
Referencia o código	Coincidencia exacta	«REF 933-A2-0840»
Medida o atributo	Coincidencia por campo	«m8», «110 mm», «24 V»
Errata	Tolerancia ortográfica y semántica	«tornilo inox»
Sinónimo o jerga	Semántica	«desagüe» → saneamiento
Descripción libre	Semántica	«la broca esa para hormigón»

Terminología sectorial: el factor que más se olvida

Los modelos de embeddings generales se entrenan con texto genérico. Entienden bien el lenguaje cotidiano, pero cada sector tiene su vocabulario. En materiales de construcción, «ferralla», «mallazo» y «tetracero» tienen significados muy concretos. En suministro industrial, «racor», «manguito» y «enlace» pueden ser o no ser lo mismo según el contexto.

Un buscador semántico útil en ecommerce tiene que poder ajustarse a esa terminología. Hay dos formas de hacerlo:

• Mantener diccionarios de sinónimos a mano, término a término. Funciona, pero no escala y siempre va por detrás de lo que escriben tus clientes.
• Entrenar o adaptar la capa semántica con el propio catálogo y las búsquedas reales, de modo que aprenda qué términos se usan como equivalentes en tu sector.

Lo razonable es combinar las dos: la capa semántica cubre el grueso y un panel de sinónimos te permite corregir casos puntuales sin depender de desarrollo.

Qué cambia en tu tienda cuando el buscador entiende

La búsqueda semántica no es una mejora estética. Afecta a lo que pasa justo antes de una compra. Quien usa el buscador ya sabe lo que quiere; si no lo encuentra, se va.

Los efectos que puedes observar en tu propia analítica son estos:

• Menos búsquedas sin resultados, porque erratas, sinónimos y descripciones libres dejan de terminar en una página vacía.
• Mejor relevancia en los primeros resultados, que son los que se miran.
• Menos reformulaciones: el cliente no tiene que probar tres variantes de la misma consulta.
• Más conversión desde la búsqueda, porque quien encuentra, compra.

Si quieres saber cómo medir cada uno de estos efectos con tus datos, tienes la explicación en cómo medir el buscador de tu tienda. Y si te interesa empezar por el síntoma más visible, lee búsquedas sin resultados: cómo encontrarlas y corregirlas.

Una cuestión de velocidad

La comprensión tiene un coste de cálculo. Convertir la consulta en un vector y buscar los vecinos más cercanos en un catálogo de cientos de miles de referencias debe hacerse en milisegundos. Si el buscador entiende pero tarda, el cliente lo percibe igual de mal. Por eso la arquitectura importa tanto como el modelo.

Cómo lo aborda BigFinder

BigFinder combina las dos piezas descritas en este artículo. La indexación y la recuperación por texto se apoyan en Elasticsearch, con análisis lingüístico, facetas y control de relevancia por campo. Encima funciona una capa semántica propia basada en embeddings que interpreta la intención, tolera erratas y resuelve sinónimos y lenguaje natural sin diccionarios manuales. Esa capa se puede entrenar con la terminología de tu sector.

Todo ello responde en menos de 100 ms de media. Es lo que ocurre a diario en los portales de ecommerce de BigMat, donde profesionales de la construcción hacen millones de búsquedas al mes por referencia, por medida o por descripción. Puedes leer los detalles en el caso de BigMat.

Para seguir:

• Búsqueda semántica en BigFinder: cómo funciona la capa semántica.
• Rendimiento: cómo se mantiene por debajo de 100 ms.
• Cómo funciona: del feed de catálogo al primer resultado.
• El buscador en ecommerce B2B: por qué el comprador profesional busca distinto.