Búsqueda semántica · Retail e industria
Buscador semántico para catálogos industriales: +200,000 SKUs que se encuentran por significado
Un distribuidor industrial con más de 200,000 SKUs tenía el problema que todo el sector conoce: el buscador solo encontraba lo que se escribía exactamente igual que en el maestro de productos. Construimos un buscador que entiende lo que el usuario quiere decir — y lo pusimos en producción: hoy el producto correcto aparece como primer resultado en el 65% de las búsquedas, y entre los tres primeros en el 90%, aunque el cliente use otro término, otro idioma o solo describa para qué sirve.
Problema
Catálogos con +200,000 SKUs donde la búsqueda por palabras exactas no encuentra lo que el usuario realmente necesita.
Resultado
El producto correcto es el primer resultado en el 65% de las búsquedas y está entre los tres primeros en el 90% — aunque el usuario use otro término u otro idioma.
El contexto
En un catálogo industrial las descripciones no las escribe marketing: las escribe quien registra el producto. Abreviaturas, códigos de fabricante, tallas pegadas al texto, jerga de rubro. El resultado es que una búsqueda de "guantes para químicos" no encuentra el "GUANTE NITRILO VERDE T-9", aunque sea exactamente lo que el cliente necesita.
El costo de eso es silencioso pero enorme: búsquedas que terminan en "sin resultados", clientes que dependen del vendedor veterano que se sabe el catálogo de memoria, y ventas que se pierden porque el producto sí existía — pero nadie lo encontró. Con más de 200,000 SKUs, ningún ser humano puede ser el índice.
Cómo funciona
La solución fue dejar de buscar palabras y empezar a buscar significado. Cada producto del catálogo se convierte en un vector — un embedding — que captura de qué trata: material, uso, categoría, sinónimos técnicos. La consulta del usuario se convierte en otro vector, y el sistema encuentra los productos más cercanos en significado, aunque no compartan ni una sola palabra. Y cuando el producto exacto no existe en el catálogo, ese mismo espacio de significado propone los sustitutos más cercanos — la otra mitad del trabajo real de un mostrador.
Pero el embedding no se calcula sobre la descripción cruda. Antes se limpia y se enriquece: se normalizan abreviaturas, se expande la jerga, se estructura marca, categoría y atributos. Esa curación del texto resultó tan determinante como el modelo de embeddings elegido — la mitad del proyecto fue ingeniería de datos, no IA.
Decisiones de ingeniería
Decisión 01
Búsqueda híbrida, no solo vectores
El vector encuentra por significado, pero un código de parte exacto lo encuentra mejor la búsqueda tradicional. Combinamos ambas: keywords para lo literal (códigos, marcas, medidas) y semántica para la intención. El ranking final mezcla las dos señales.
Decisión 02
Curar el texto antes de embeber
Normalizamos abreviaturas ("T-9" → "talla 9"), expandimos jerga del rubro y estructuramos los atributos. Un embedding calculado sobre texto sucio devuelve resultados sucios: la calidad del buscador se decide antes de tocar el modelo.
Decisión 03
El catálogo cambia todos los días
Altas, bajas y cambios de precio se sincronizan de forma automática, y el índice vectorial se actualiza sin ventanas de mantenimiento. Un buscador que muestra productos descontinuados destruye en una semana la confianza que ganó en meses.
Lo que cambia para el negocio
El beneficio de fondo no es "un buscador mejor": es que el conocimiento del vendedor experto deja de ser el único camino al catálogo. Cualquier persona — cliente nuevo, vendedor junior, área de compras — encuentra lo que necesita describiéndolo con sus propias palabras.
- 65% de las búsquedas con el producto exacto como primer resultado, y 90% dentro de los tres primeros — medido con búsquedas reales.
- Menos búsquedas "sin resultados": si el producto exacto no está, el sistema propone los sustitutos más cercanos.
- El catálogo completo se vuelve vendible, no solo la parte que el equipo se sabe de memoria.
- La misma base semántica queda lista para cotizadores y agentes de IA sobre el catálogo.
Dónde más aplica
Distribuidores industriales
Catálogos técnicos con decenas de miles de SKUs y descripciones crípticas.
E-commerce B2B
Búsqueda que convierte: el cliente describe, el sistema encuentra.
Repuestos y autopartes
Encontrar la pieza por función y equipo, no solo por código.
Farmacéutico y laboratorio
Insumos con nomenclatura técnica y múltiples sinónimos.
Preguntas frecuentes
Preguntas frecuentes sobre este caso
¿Necesito cambiar mi ERP o mi tienda online para tener búsqueda semántica?
No. El buscador se integra como una API: tu plataforma envía la consulta y recibe los resultados ordenados. El maestro de productos sigue viviendo donde vive hoy; el sistema se sincroniza con él.
¿Funciona con descripciones en español, con abreviaturas y jerga?
Sí — ese fue exactamente este caso: descripciones crípticas, tallas pegadas al texto y jerga de rubro. Parte del trabajo es construir el diccionario de normalización específico de tu catálogo.
¿Cuánto toma poner un buscador semántico en producción?
Depende del estado de los datos, pero el patrón ya está probado: una primera versión útil se pone en producción en semanas, y se afina con las búsquedas reales de tus usuarios.
¿Qué pasa con los productos nuevos o descontinuados?
La sincronización es automática: altas, bajas y cambios de precio fluyen al índice todos los días sin intervención manual.
¿Tienes un desafío parecido?
Cuéntanos tu problema. Te diremos cómo resolverlo — y cuánto toma.