La funcionalidad de búsqueda optimizada en los sitios web y las tiendas online resulta fundamental para mejorar la experiencia y la participación del usuario. Sin embargo, no siempre los resultados son relevantes y precisos para el usuario, lo cual conlleva múltiples problemas.
Por Carlos Lizarralde, CEO de 7Puentes
En la actualidad al momento de realizar una búsqueda de productos en una tienda o investigar diferentes portales para tomar una decisión de compra, necesitamos que los resultados obtenidos sean relevantes, pertinentes y relacionados con lo que realmente estamos buscando.
No obstante, eso no siempre sucede y muchas tiendas o portales de productos, tanto de comercio electrónico como de consumo masivo o delivery, presentan dificultades al momento de devolvernos un resultado eficiente.
Imaginemos que estamos buscando en el portal de una tienda online el término “bolsa de naranjas”. Y que, en esa búsqueda, en lugar de obtener un conjunto de naranjas nos aparecen bolsas de residuos, bolsas de tela, otras frutas relacionadas (como manzanas o bananas) y luego, finalmente, las naranjas (que es lo que realmente queríamos comprar). Claramente nuestra experiencia de búsqueda, y compra potencial, resultó pobre y el resultado bastante ambiguo, ya que el buscador no contextualizó nuestra entrada.
Lo mismo sucedería si en un portal de comidas en lugar de buscar un producto, buscamos “comida japonesa de autor”, y nos devuelve diferentes tipos de comida étnica hasta aparecer, por ejemplo, sushi o un típico ramen. La búsqueda no fue tan precisa. Y nos quedamos con las ganas de hacer el pedido. ¿Cómo se soluciona esto?
Modelos de embedding para encontrar lo que buscamos
Una de las grandes ventajas de las técnicas de procesamiento del lenguaje natural es que tienen la capacidad de responder las consultas de los usuarios de forma natural, reduciendo las ambigüedades, contextualizando las búsquedas y mejorando su experiencia.
En este aspecto, el desarrollo de modelos de embedding resulta una buena solución para optimizar la experiencia de búsqueda. Para entender qué son estos modelos, podemos considerarlos como la representación numérica de objetos de la vida real que revisten complejidad (lenguaje, imágenes, videos); con esa representación numérica se puede operar con los objetos abstractos con toda la matemática de los números. Por ejemplo, si buscamos en nuestro retail “Marilyn Monroe”, el buscador debería devolvernos aquellos productos con las imágenes más relacionadas con la búsqueda que hicimos, tales como indumentaria, cuadros, cosmética, accesorios con la imagen icónica de Marilyn, etc. Y si aún el retail no tuviera productos sobre ella, debería devolvernos resultados similares por contexto (pero nunca cero resultados). Además, la función de búsqueda debería ofrecer resultados rápidos y eficientes.
La solución para resolver este problema de búsqueda es asignar un modelo de embedding para cada producto específico. Esto permite obtener una representación numérica vectorial muy precisa, de una base de datos de las imágenes, descripciones y reseñas de todos los productos. Entonces, al buscar una “bolsa de naranjas” en la web de un supermercado, el buscador nos descartará todos los productos que no son relevantes y comprenderá que estamos buscando naranjas.
¿Cuáles son, entonces, las principales ventajas de un modelo de embedding para el retail?
1) Estos modelos resuelven los clásicos problemas de resultados ineficientes en las búsquedas usuales de productos, tanto en los textos como en las imágenes, brindando una experiencia mejorada, eficiente y personalizada.
2) Permiten maximizar la visibilidad y el rendimiento de su sitio web minorista con nuestra solución avanzada de optimización de búsqueda mediante IA.
3) Los embedding priorizan los resultados de búsqueda relevantes y aumentan las tasas de conversión a través de una organización inteligente de los datos y algoritmos de búsqueda personalizados.
4) Por último, al optimizar sus resultados de búsqueda de productos podrá atraer, fidelizar y captar nuevos clientes, así como diferenciarse de su competencia.
Comments