PostgreSQL: Una nueva experiencia de compra mediante recomendaciones inteligentes

Implementación de un sistema inteligente de recomendación de productos
Caso de implementación – Empresa de comercio electrónico
En esta nota te contamos cómo se implementó un sistema de recomendación inteligente sobre PostgreSQL, qué funcionalidades incorporó y qué resultados obtuvo.
Contexto y problemática
Una empresa dedicada al comercio electrónico contaba con un catálogo de aproximadamente 240.000 productos, pertenecientes a distintas categorías y segmentos comerciales.
La plataforma permitía a sus clientes realizar búsquedas tradicionales mediante palabras clave, filtros por categoría, marcas, precios y características específicas.
Sin embargo, el crecimiento del catálogo y la diversidad de las consultas generaban algunas limitaciones.
Los usuarios no siempre conocían el nombre exacto del producto que buscaban. En muchos casos, describían sus necesidades o preferencias utilizando expresiones que no coincidían con los términos comerciales del catálogo.
Por ejemplo, un cliente podía buscar un producto indicando que necesitaba una mochila para viajar durante un fin de semana, sin conocer las características técnicas o la denominación comercial de los artículos adecuados.
La empresa identificó una oportunidad para mejorar la experiencia de compra mediante un sistema capaz de comprender las necesidades expresadas por los usuarios y relacionarlas con los productos disponibles.
Objetivo de la implementación
El objetivo fue desarrollar un sistema de recomendación inteligente que permitiera sugerir productos a partir de descripciones en lenguaje natural, preferencias de compra y características generales de los artículos.
La solución debía integrarse con la plataforma comercial existente, aprovechando la información del catálogo sin modificar los procesos tradicionales de venta.
Se buscó mejorar la relevancia de los resultados, facilitar el descubrimiento de productos y generar nuevas oportunidades de conversión comercial.
Descripción de la solución
Se implementó una solución de recomendación semántica sobre una plataforma de datos basada en PostgreSQL, incorporando capacidades especializadas para trabajar con información vectorial.
El sistema permite relacionar las necesidades expresadas por los clientes con las características y descripciones de los productos disponibles.
De esta manera, las recomendaciones no dependen exclusivamente de que el usuario utilice las mismas palabras que aparecen en el catálogo.
Por ejemplo, un cliente puede realizar consultas como:
- Necesito zapatillas cómodas para caminar mucho.
- Busco una notebook para trabajar y realizar videollamadas.
- Quiero una mochila liviana para viajar en avión.
- Necesito un regalo para alguien que disfruta de la fotografía.
A partir de estas consultas, la solución identifica productos que presentan una relación conceptual con la necesidad planteada y los presenta como alternativas de compra.
La información comercial tradicional continúa siendo utilizada para complementar las recomendaciones, incluyendo disponibilidad, precio, categoría, marca y otras características relevantes.
Funcionalidades incorporadas
La solución incorporó las siguientes funcionalidades:
- Recomendaciones por necesidad: permite encontrar productos describiendo para qué se necesitan, sin conocer su denominación comercial.
- Búsqueda por características conceptuales: identifica artículos relacionados con conceptos como comodidad, portabilidad, durabilidad o uso profesional.
- Descubrimiento de productos: permite encontrar alternativas que el cliente posiblemente no habría localizado mediante una búsqueda convencional.
- Combinación con filtros comerciales: complementa las recomendaciones con criterios tradicionales como precio, marca, categoría y disponibilidad.
- Recomendaciones relacionadas: facilita la identificación de productos similares o complementarios.
- Experiencia de búsqueda más natural: permite utilizar expresiones habituales en lugar de depender de términos específicos del catálogo.
Proceso de implementación
La implementación comenzó con el análisis del catálogo comercial y la identificación de los atributos que aportaban mayor valor para comprender cada producto.
Se trabajó sobre las descripciones, categorías, características y otros datos disponibles, buscando construir una representación consistente de la oferta comercial.
Posteriormente se incorporó la capacidad de recomendación semántica y se integró con los mecanismos de consulta existentes en la plataforma.
Durante esta etapa se mantuvieron los procesos comerciales tradicionales, permitiendo que ambas modalidades de búsqueda convivieran dentro de la misma experiencia de usuario.
Finalmente, se realizaron pruebas funcionales con consultas representativas de diferentes categorías de productos.
Pruebas funcionales realizadas
Las pruebas contemplaron distintos perfiles de búsqueda y necesidades comerciales.
Uno de los escenarios consistió en solicitar productos adecuados para realizar viajes cortos. El sistema identificó mochilas, bolsos y accesorios relacionados, aunque las descripciones originales de los artículos no utilizaran exactamente las palabras de la consulta.
Otro escenario evaluó la búsqueda de equipamiento para trabajar desde el hogar. Se obtuvieron recomendaciones de notebooks, cámaras web, auriculares y accesorios relacionados con esa necesidad.
También se verificó que los resultados pudieran combinarse con restricciones comerciales, como rangos de precios y disponibilidad.
Las pruebas permitieron comprobar que la solución ampliaba las posibilidades de descubrimiento de productos y mejoraba la relación entre las consultas de los clientes y la oferta disponible.
Resultados y beneficios obtenidos
La implementación permitió incorporar una nueva modalidad de búsqueda y recomendación dentro de la plataforma de comercio electrónico.
Entre los principales beneficios identificados se destacan:
- Mayor facilidad para encontrar productos a partir de necesidades concretas.
- Reducción de búsquedas sin resultados relevantes.
- Mejor aprovechamiento del catálogo comercial.
- Mayor exposición de productos que podrían pasar inadvertidos en búsquedas tradicionales.
- Posibilidad de ofrecer alternativas relacionadas y complementarias.
- Una experiencia de compra más intuitiva y cercana al lenguaje cotidiano.
Desde el punto de vista comercial, la solución también abrió nuevas posibilidades para desarrollar estrategias de recomendación personalizada y mejorar el descubrimiento de productos dentro de la plataforma.
Conclusiones y posibles evoluciones
La implementación permitió incorporar capacidades de búsqueda inteligente en un entorno de comercio electrónico tradicional, demostrando que la información vectorial puede utilizarse para enriquecer la experiencia comercial sin reemplazar los mecanismos existentes.
Como evolución futura, se propuso incorporar recomendaciones basadas en el historial de navegación y compra de los clientes, así como desarrollar asistentes de compra capaces de mantener una conversación y refinar progresivamente las sugerencias.
También se identificó la posibilidad de extender el modelo a campañas comerciales, recomendaciones personalizadas y detección de productos complementarios.
Si querés incorporar recomendaciones inteligentes en tu plataforma, podés escribirnos a 📧 info@dba24.com.ar
📚 Te puede interesar: Optimización de performance de PostgreSQL
- Autor
- Martin Jelenek
