Cómo mejorar la monetización del search en tu e-commerce o app

Ya nadie duda de la consolidación del comercio electrónico, más aún en tiempos de pandemia donde la virtualidad de la compra de productos y servicios se volvió moneda corriente. 

Según una nota de la revista Forbes (agosto/2020), “uno de cada cinco clientes en América Latina es nuevo a partir de la pandemia”, generando 13 millones de compradores que usaron una plataforma e-commerce por primera vez en lo que va de este año. 

Sin embargo, lo que pocos saben es que las grandes plataformas de e-commerce, respaldadas por altísimos volúmenes de ventas, llevan tiempo utilizando técnicas de Machine Learning, Deep Learning, Big Data y demás artilugios de la Inteligencia Artificial que les permiten superarse dia a dia. 

Estas organizaciones, sumergidas en un proceso constante de innovación y transformación digital, aumentan sus ventas mientras, en simultáneo, “acostumbran” al usuario a esperar cierto comportamiento de las plataformas

La brecha con las empresas que no implementan tecnologías de vanguardia aumenta conforme transcurre el tiempo de acostumbramiento a la compra online, dejando en un lugar cada vez más vulnerable a las empresas de estructura tradicional

En este artículo te contaremos por qué la Inteligencia Artificial se volvió un pilar fundamental para el e-commerce.

Los desafíos de los motores de búsqueda

Cuando los clientes comienzan una búsqueda en un sitio de comercio electrónico, se encuentran en las últimas etapas del ciclo de compra, con una gran intención de adquirir el producto o servicio. 

Asegurar que nuestro cliente encuentre exactamente lo que está buscando es esencial para brindarle una experiencia de calidad y, así, cerrar la venta. 

Existen estudios que muestran que el 73% de los consumidores dejan un sitio a los dos minutos de haber ingresado si no encuentran lo que quieren. Por lo tanto, es indispensable contar con un motor de búsqueda extremadamente preciso, capaz de devolver los mejores resultados posibles.

Es muy común darse cuenta que un sitio o aplicación no implementa Machine Learning en su buscador: sus resultados carecen de imaginación y están enfocados únicamente en la ‘keyword’ escrita

En la mayoría de los casos no pueden interpretar palabras mal escritas por lo que no devuelven resultados y obligan al usuario a escribir nuevamente. Esto se resume en ventas perdidas y en una mala experiencia de usuario, quien probablemente no vuelva a nuestro sitio.

Hoy no hay forma de competir si nuestro buscador no está respaldado en algún modelo de Machine Learning que mejore constantemente las búsquedas.

¿Cómo el Machine Learning mejora nuestro motor de búsqueda?

Mejora las búsquedas de palabras mal escritas

Es muy común que el usuario escriba mal el nombre del producto que está buscando por diversas razones, que pueden ir desde el tamaño de la pantalla hasta un nombre complejo. 

No resolver esta problemática implica oportunidades de ingresos perdidas y malas experiencias del usuario. 

En promedio, el 25% de las consultas de búsqueda de e-commerce están mal escritas y es nuestro deber ofrecerle al usuario una lista de palabras para evitar que tenga que escribirla nuevamente. 

El problema que enfrentamos es que una palabra mal escrita puede ser reemplazada por varias palabras correctas que se presten para sustituirla. 

Si un usuario escribe ‘caxa’, podría estar queriendo buscar ‘casa’, cama’ o algo similar. Por ello es importante contar con un modelo robusto de IA que seleccione las sugerencias y el orden en que van a ser mostradas, en base a la proximidad de las letras, popularidad de la query (consulta) o la característica de lo que busquemos.

Búsquedas autocompletadas

Mostrar sugerencias para autocompletar palabras a medida que escribimos es una característica obligatoria en cualquier motor de búsqueda: los usuarios se fueron acostumbrando y esperan escribir menos. 

Hay distintos tipos de usuarios: aquellos que buscan un producto con una palabra característica, como ‘pollo’ y esperan ver como sugerencia ‘tarta de pollo’; los que normalmente escriben la primera palabra (que, siguiendo el ejemplo anterior, esperarían como sugerencia ‘pollo a la crema’ para autocompletar y evitar seguir escribiendo); o, directamente, quienes buscan por categoría, esperando un universo de sugerencias que contengan esa palabra. 

Es importante abarcar todos los casos, para adaptarse al usuario y lograr satisfacerlos a todos.

Recomendaciones

Generalmente se suelen mostrar resultados atados únicamente a la o las palabras utilizadas en la búsqueda, dejando de lado un universo de productos relacionados que cubren la necesidad real del usuario. 

Por ejemplo: si nuestro usuario busca la palabra ‘smokin’ es muy probable que también esté buscando algún tipo de ‘zapato’, ‘corbata’ o accesorio extra. Nosotros tenemos que atacar esa necesidad

También es posible que no necesite nada extra pero que, al recomendarlo, se vea tentado de todos modos, por lo que estaríamos extendiendo su compra.

La búsqueda de productos mejorada con estas técnicas de Inteligencia Artificial devuelve una selección más amplia de resultados. Además, se mapean productos y se interconectan de nuevas formas, buscando cubrir un mayor rango de sugerencias.

Rankeo de productos

Encontrar qué productos mostrar al usuario en base a su búsqueda es el primer objetivo, pero es igual de importante saber cómo ordenarlos

Nuevamente, vuelve a surgir la necesidad de adaptarse al usuario. Esto supone que, si queremos mejorar nuestro Ratio de venta, no es recomendable mostrar los productos ordenados de la misma forma a todos los usuarios. 
Si una búsqueda arroja 100 resultados es imposible mostrarlos todos. Por lo tanto, hay que saber seleccionar qué top N de productos mostrar como primera opción. En caso de tener páginas de resultados está demostrado que muy pocos usuarios navegan más de 3 páginas, por lo que es importante que encuentren lo que están buscando lo más rápido posible para cerrar una venta.

Personalización

Estudios revelaron que el 73% de los consumidores se declaró cansado de verse expuesto a contenidos irrelevantes que no necesitan. 

Es indispensable personalizar nuestras búsquedas. 

Los resultados son seleccionados en base al historial del usuario, categorías clickeadas por el usuario, compras previas, antigüedad, y muchas más características importantes.
Esto nos permite apuntar directamente a lo que busca el consumidor logrando una experiencia mucho más agradable.


En esta imagen de ejemplo queda claro como la búsqueda de ‘pasta’ maneja los resultados en base a las características de los usuarios.

Análisis predictivo

Aprovechando los datos como tasa de clicks, calificaciones de los clientes, inventario, tasas de conversión, se pueden identificar patrones en los catálogos, entender el comportamiento de los usuarios y así lograr guiar sus compras. 

Este análisis también se utiliza en la segmentación de usuarios, lo que nos brinda la posibilidad de separar a los clientes en diferentes grupos según sus preferencias y así poder mostrar diferentes ofertas o productos según el segmento de usuario. 

Además nos ayuda a comprender nuestro negocio, saber qué productos de nuestro catálogo implican la mayor cantidad de ventas, cuales no están funcionando y el por qué. 

Con estos grandes volúmenes de datos podemos generar predicciones de oferta y demanda que nos permiten tomar decisiones de forma anticipada respaldadas en los datos.

Problemas de stock

Una de las peores (sino la peor) experiencia de usuario es cuando la plataforma le sugiere o muestra productos sin stock o que no estamos en condiciones de ofrecer

Por esto mismo se vuelve crucial ligar nuestro motor de búsqueda a las capacidades de stock. 

Con técnicas de Machine Learning podemos lograr que nuestras búsquedas y resultados estén atadas al stock que manejamos para poder mostrar otros productos similares o sustitutos sin frustrar al usuario.

Los buscadores son cada vez más importantes: se estima que el 50% de los usuarios que compran en una tienda online utilizan el buscador para realizar las compras. En el caso de la versión móvil del e-commerce este porcentaje asciende al 85%, o lo que es lo mismo: el 85% de las ventas online a través de smartphones ocurren gracias a la utilización de los buscadores por parte de los usuarios.

Hoy en día podemos ver que cualquier motor de búsqueda posee alguna de estas características, ya que son indispensables para garantizar una buena experiencia de usuario y lograr cerrar las compras. 

Es imposible imaginar un e-commerce que quiera mejorar sus ventas sin primero intentar mejorar su buscador

Acabamos de compartir nuestras recomendaciones para que tu buscador logre ese salto de calidad que estás buscando. 

En 7Puentes tenemos la experiencia y el conocimiento necesarios para integrar la Inteligencia Artificial a tu e-commerce o app y materializar estos cambios

Contactanos.