Search Relevance

Search Relevance es la disciplina que decide qué resultados devuelve un buscador y en qué orden, a partir de una consulta. No es una propiedad binaria («hay o no hay coincidencia»), sino una puntuación continua: para la búsqueda «zapatillas running mujer», un buscador relevante no solo filtra por esas palabras, sino que resuelve ambigüedades (¿»running» es marca o disciplina?), prioriza variantes con stock y buena rotación, y descarta productos que técnicamente contienen las palabras pero no encajan con la intención (unas zapatillas de tenis etiquetadas erróneamente como «running»). Esa capacidad de matizar entre «coincide textualmente» y «responde a lo que el usuario quiere» es, en esencia, el problema que resuelve la relevancia.

Por qué es importante

El coste de una mala relevancia no es abstracto: se mide en zero-results (búsquedas sin resultados, que en muchos ecommerce suponen entre el 10-20% del tráfico de búsqueda interna) y en abandonos cuando el usuario ve resultados «más o menos» relacionados y no confía en seguir refinando. A diferencia del SEO externo, aquí el usuario ya está dentro de la tienda y ha expresado explícitamente una intención de compra con su propia consulta: es el tráfico con mayor intención de toda la web, y también el que más penaliza cualquier fricción. Una mejora de relevancia bien medida suele traducirse en subidas de conversión de doble dígito en la sesión de búsqueda, precisamente porque no hay que generar demanda, solo no desperdiciarla.

Cómo funciona la relevancia

El proceso no es un único cálculo, sino un pipeline con etapas diferenciadas:

  1. Interpretar la consulta: antes de buscar nada, el sistema resuelve errores tipográficos, sinónimos, plurales, marcas y atributos implícitos en el texto que escribe el usuario (query understanding).
  2. Recuperar candidatos: de todo el catálogo, se selecciona un subconjunto de documentos que son textualmente compatibles con la consulta interpretada (recuperación de información).
  3. Puntuar y ordenar: cada candidato recibe una puntuación combinando señales textuales, semánticas y de negocio, y se ordena de mayor a menor relevancia (ranking y scoring).
  4. Reajustar en tiempo real: sobre ese orden inicial se aplican correcciones puntuales según contexto de sesión, diversidad de resultados o reglas de negocio (re-ranking).

Cada etapa es un punto de fallo independiente: un catálogo puede tener un ranking excelente y aun así devolver malos resultados si el query understanding no detecta que «nike air» es una marca y no dos palabras sueltas.

Factores que influyen en la relevancia

No hay un único factor que determine la relevancia; el resultado final es la combinación ponderada de varias señales de naturaleza distinta:

  • Coincidencia textual (recuperación de información): si las palabras de la consulta aparecen en el título, la descripción o los atributos del producto, y con qué peso relativo (un match en el título no vale lo mismo que uno en una descripción larga).
  • Interpretación de la consulta (query understanding): sinónimos, corrección ortográfica, reconocimiento de marca/categoría/atributo, y expansión o restricción de la búsqueda original.
  • Similitud de significado (relevancia semántica): resultados que no comparten las palabras exactas pero sí la intención — buscar «abrigo para nieve» y encontrar un «parka técnica impermeable».
  • Comportamiento y negocio (ranking y scoring): CTR histórico, tasa de conversión por producto, margen, stock disponible o novedad, que ajustan el orden puramente textual/semántico hacia lo que mejor performa comercialmente.
  • Contexto de sesión (re-ranking): filtros ya aplicados, dispositivo, historial reciente de la sesión o diversidad forzada para no mostrar 20 variantes del mismo producto seguidas.

La tensión constante en este punto es que el factor textual/semántico dice qué es correcto, y el factor de negocio dice qué es rentable. Lo que suele pasar es que ambos, digamos, puntos de vista no siempre coinciden.

Evolución de la Search Relevance

Durante décadas, la relevancia se resolvió con modelos puramente léxicos como TF-IDF y su evolución, BM25: contar cuántas veces aparecen los términos de la consulta y penalizar por longitud del documento, sin ninguna noción de significado. La siguiente ola incorporó aprendizaje automático (learning to rank) para combinar decenas de señales de comportamiento en el cálculo del ranking. El salto más reciente es semántico: embeddings vectoriales que representan el significado de consulta y producto en el mismo espacio, permitiendo encontrar coincidencias conceptuales sin solapamiento de palabras, y modelos generativos capaces de reformular, expandir o incluso responder directamente a la consulta antes de mostrar resultados.