Compresión de Consultas: Una Forma Eficaz de Tratar las Consultas de Cola Larga

Nuestros datos muestran que, cuando la gente busca un determinado producto, la mayoría utiliza aproximadamente 1,5 palabras. Estas consultas cortas, por desgracia, dificultan que las búsquedas de texto completo les ofrezcan resultados relevantes. Aunque el uso de filtros mejora, a menudo hay tantos que puede resultar confuso. Una de las formas de hacer más efectivas las búsquedas es utilizar el enfoque de “aprendizaje para clasificar”, que crea una clasificación óptima de los resultados. Sin embargo, incluso este método de aprendizaje automático no es todopoderoso, y por eso hemos creado Comprensión de Consultas, un gran compañero para “aprender a clasificar”.

La búsqueda de texto completo es excelente si utilizas consultas más largas, por ejemplo, de cuatro o más palabras, o términos especiales, como un código de producto. En estos casos, suele ofrecerte exactamente lo que buscas en la primera posición o te muestra una página de “Sin resultados”. En cualquier caso, ambas situaciones son mejores que ofrecerte una lista de resultados completamente irrelevantes, lo que suele ocurrir si utilizas consultas más cortas pero minimizas u omites palabras únicas.

Cómo funciona la búsqueda en el mundo real

En realidad, así es como busca la mayoría de la gente. Nuestros datos muestran que, de media, la gente utiliza 1,43 palabras por consulta (con una desviación estándar de +/- 0,58, calculada para nuestros más de 150 clientes más activos). Aunque tenemos clientes con muchas consultas de sólo código de producto (esto depende de un dominio), la media de las consultas de sólo código de producto es sólo del 2,9%.

El uso de consultas cortas y no específicas es la piedra angular de los problemas de la tecnología de búsqueda de texto completo. Los inconvenientes de la búsqueda de texto completo son los mismos que sus principales ventajas – puede encontrar cualquier cosa que coincida con la consulta, literalmente en cualquier lugar. Por lo tanto, suele encontrar montones de resultados y deja al buscador la tarea de clasificarlos. La puntuación de texto completo, calculada a partir de consultas cortas e inespecíficas, no es lo suficientemente buena como para producir la clasificación de los resultados más relevantes.

¿Cómo deben responder las empresas de e-commerce?

Por eso existe el “aprender a clasificar”. Este método basado en el aprendizaje automático, que ordena los resultados según el valor numérico que representa su relevancia, combina el comportamiento humano con las métricas del texto completo y crea una clasificación óptima de los resultados. En Luigi’s Box ya hemos incorporado este mecanismo a nuestros productos relacionados con las búsquedas. Sin embargo, hemos comprobado que, a pesar de ser muy útil, “aprender a clasificar” no es la solución de búsqueda definitiva. Es un reto aprender el modelo de clasificación adecuado para una consulta que se ve una vez al mes, y hay muchos dominios en los que existe una larga cola de consultas de este tipo de las que hay que ocuparse.

La solución sería empujar a los usuarios a confiar más en los filtros para acotar los resultados de la búsqueda en función de los parámetros particulares de su interés. Sin embargo, al considerar los filtros, las opciones pueden ser abrumadoras. Por ejemplo, uno de nuestros clientes tiene más de 2.000 parámetros diferentes (según la categoría del producto) y casi 19.000 valores distintos para esos parámetros. Es imposible construir una interfaz intuitiva y sencilla para todos ellos.

Ya está disponible la Compresión de Consultas

Nuestro enfoque de este problema consiste en reconocer la intención de búsqueda de los usuarios y convertir el máximo número de términos de consulta en filtros de valor clave. Por ejemplo, si un usuario escribe “auriculares abiertos”, reconocemos automáticamente el filtro “Sistema acústico: abierto”, que normalmente no está disponible a través de una interfaz facetada estándar, e informamos al usuario de que puede desactivarlo si cambia de opinión. Podemos hacer frente a cualquiera de los miles de parámetros disponibles y activar filtros que de otro modo no son accesibles para los usuarios cuando el sistema reconoce una necesidad.