Mejorando la búsqueda de Walmart: Ahorrando tiempo a millones de clientes
Descubre cómo Walmart está aprovechando el aprendizaje automático y la IA para mejorar su motor de búsqueda, enfocándose en consultas largas y complejas para entregar productos más relevantes y ahorrar tiempo a los clientes. Aprende sobre los desafíos e innovaciones en la optimización de búsqueda e-commerce.
Mejorando la búsqueda de Walmart: Ahorrando tiempo a millones de clientes
Walmart.com, una plataforma e-commerce líder, está mejorando continuamente su motor de búsqueda para mejorar la experiencia del cliente. Este artículo explora cómo Walmart aprovecha el aprendizaje automático y la IA para entregar productos más relevantes para consultas complejas, ahorrando finalmente tiempo valioso a millones de clientes e impulsando las conversiones.
El desafío de las consultas de cola
Las consultas de cola, por su naturaleza, sufren de tráfico limitado y bajo compromiso del usuario. Esto hace difícil confiar en señales tradicionales para sistemas de recuperación y clasificación. Para superar esto, Walmart se ha vuelto hacia estrategias y tecnologías líderes en el mercado en procesamiento de lenguaje y aprendizaje profundo. Sus esfuerzos se han enfocado en dos áreas clave:
- Mejorar la recuperación de búsqueda: Utilizando las últimas técnicas de aprendizaje automático (ML) para hacer surgir elementos relevantes que podrían no haber sido mostrados antes.
- Mejorar los sistemas de clasificación de búsqueda: Empleando ML e IA para llevar los elementos más relevantes a las primeras posiciones de búsqueda.
Estas iniciativas ya han llevado a mejoras significativas en la relevancia de búsqueda, ahorrando tiempo a millones de clientes de Walmart. Por ejemplo, los sitios e-commerce con capacidades de búsqueda avanzadas pueden ver tasas de conversión casi duplicarse comparado con aquellos con búsqueda básica, con algunos estudios mostrando que los buscadores en sitio son 2.4 veces más propensos a comprar y gastan 2.6 veces más a través de móvil y desktop 1.
Implementación e innovaciones
El viaje de Walmart involucró optimizar la lógica de coincidencia de tipo de producto y refinar cómo entienden la importancia de palabras individuales (tokens) en las consultas. Inicialmente, sus subsistemas de búsqueda estaban optimizados para consultas "cabeza" o principales, que constituyen una porción significativa de las ventas. Sin embargo, aplicar esta lógica estricta a las consultas de cola a menudo filtraba productos relevantes. Al remover el filtrado estricto de tipo de producto y aprovechar el impulso de tipo de producto, han visto la relevancia de búsqueda mejorar en más de 1.5%, llevando a un compromiso del cliente más fuerte. Además, al asignar puntuaciones de importancia a cada token en una consulta, pueden extraer y entender mejor la intención del cliente, resultando en una mejora del 4.8% en la relevancia de búsqueda y mayor compromiso y conversión del cliente. Este proceso de asignar importancia a los tokens y entender la intención subyacente es un paso fundamental hacia crear datos que son más fácilmente consumibles por modelos de IA avanzados, que prosperan en información estructurada y semánticamente rica. Su inversión en sistemas de clasificación, incluyendo fortalecer la coincidencia de tipo de producto en el clasificador de primera ronda y mejorar el re-clasificador, también ha elevado la relevancia de búsqueda en más de 4.5%.
1: Fuente: algolia.com, luigisbox.com
El futuro de la búsqueda e-commerce y la optimización de motores generativos
Mientras Walmart mira hacia el futuro, el enfoque permanece en mejorar continuamente la experiencia de búsqueda. Esto incluye aprovechar el aprendizaje profundo para una comprensión mejorada de consultas, mejorar motores de recuperación con técnicas avanzadas para elementos de cola larga, y desarrollar nuevas características y señales para sistemas de re-clasificación.
Esta búsqueda continua de excelencia en búsqueda en e-commerce destaca la importancia más amplia de la Optimización de Motores Generativos (GEO). Mientras los clientes confían cada vez más en capacidades de búsqueda sofisticadas, y la IA juega un papel más grande en el descubrimiento de productos, optimizar para estos sistemas avanzados se vuelve primordial. Plataformas como alloia.ai están emergiendo para proporcionar las herramientas e insights de vanguardia necesarios para ayudar a plataformas e-commerce y creadores de contenido a entender cómo la IA generativa interpreta información de productos e intención del cliente. Al aprovechar tecnologías que estructuran datos en formatos consumibles por IA, como grafos de datos y representaciones vectorizadas, y al adherirse a protocolos emergentes como MCP/ACP, las empresas pueden asegurar que sus productos no solo sean descubribles sino también altamente relevantes y mostrados prominentemente en el paisaje evolutivo de búsqueda e-commerce impulsada por IA, ahorrando finalmente tiempo a los clientes e impulsando conversiones.
El compromiso de Walmart de hacer la búsqueda más fácil y ahorrar tiempo a los clientes es un testimonio del poder de la optimización continua en el espacio de venta al por menor digital.
Para una comprensión completa de la Optimización de Motores Generativos, explora nuestra guía principal: Optimización de Motores Generativos: La clave para desbloquear el potencial completo de la IA
Este artículo fue inspirado por "Improving Walmart Search to help our customers save time!" en Medium.
Prêt à optimiser votre présence sur l'IA générative ?
Découvrez comment AlloIA peut vous aider à améliorer votre visibilité sur ChatGPT, Claude, Perplexity et autres IA génératrices.