Un comerciante online invierte en la tecnología de búsqueda más moderna del mercado: impulsada por IA, semántica, ultrarrápida. Aun así, un cliente no encuentra un taladro concreto, pese a que hace tiempo que está en el surtido. La causa rara vez está en la propia tecnología de búsqueda. Suele estar un nivel más abajo: en el registro de producto, que no contiene ni la potencia, ni el ámbito de aplicación, ni un segundo sinónimo con el que la clienta ha realizado la búsqueda. El mejor buscador del mundo no puede encontrar un producto que no entiende, y solo lo entiende en la medida en que los datos que hay detrás se lo permiten.
Precisamente esta relación se subestima en muchos proyectos de e-commerce. Las empresas gastan mucho dinero en algoritmos de búsqueda y dedican comparativamente poca atención a aquello que debería dotar de sentido a esos algoritmos: datos de producto limpios, completos y consistentes. Y ahí está justamente la palanca que convierte una búsqueda mediocre en un auténtico motor de ingresos.
Por qué la búsqueda solo es tan buena como los datos que la sustentan
Desde el punto de vista técnico, las funciones de búsqueda, los filtros y las recomendaciones de producto no son más que evaluaciones de atributos de producto. Si esos atributos faltan o están incompletos, el sistema de tienda sencillamente no puede analizarlos, con la consecuencia de que la búsqueda, los filtros y las recomendaciones no funcionan de forma óptima.1 Un producto sin indicación de material registrada no aparece al filtrar por material. Un artículo sin unidades de medida consistentes no puede compararse correctamente dentro de un grupo de productos. Y un registro duplicado en el sistema induce a error tanto a los clientes como al propio departamento de gestión de producto, por ejemplo en lo relativo a la disponibilidad.1
A primera vista, estos problemas parecen pequeños y puramente técnicos. En conjunto, sin embargo, determinan si un cliente llega siquiera a ver el producto que busca, mucho antes de que el precio, el diseño o los gastos de envío entren en juego.
Lo que cuestan realmente unos datos de producto deficientes
Lo caro que resulta esto en la práctica lo demuestra un estudio del ECC Köln en colaboración con Atrify: especialmente en bienes de consumo de rotación rápida (FMCG), el 68 por ciento de los clientes que han abandonado un pedido online en los últimos doce meses señala como motivo la información de producto ausente o errónea.2 Además, alrededor del 77 por ciento de los encuestados coincide en que prefiere comprar en una tienda que ofrezca información de producto exhaustiva.2 Otra encuesta de la Initiative Digitale Handelskommunikation llega a un resultado igual de contundente: cuando una información de producto deseada no aparece por ningún lado, casi la mitad de los encuestados, el 49 por ciento, prefiere comprar otra cosa o directamente no comprar nada.3
Estas cifras muestran que unos datos de producto deficientes no cuestan solo algunos clics en el buscador. Al final cuestan decisiones de compra completas, y precisamente entre aquellos clientes que ya estaban dispuestos a comprar. Lo más amargo del asunto: por lo general, esos clientes no dan feedback ni se quejan. Cierran la pestaña, pasan al siguiente resultado de búsqueda y compran allí donde la información es más completa, sin que la tienda original llegue a saber nunca por qué no se produjo la venta.
Las dimensiones de unos buenos datos de producto
Para que los datos de producto puedan alimentar una búsqueda de forma fiable, deben cumplir varios criterios al mismo tiempo. Integridad significa que, para cada producto, todos los atributos previstos en el modelo de datos están cumplimentados de manera coherente, no solo el título y el precio. Consistencia significa que las unidades de medida, las denominaciones y las categorizaciones se emplean de forma homogénea en todo el surtido, de modo que los clientes puedan filtrar y comparar de forma precisa dentro de un grupo de productos. Univocidad significa que no circulan en el sistema registros duplicados o contradictorios sobre el mismo producto.1 Si falta alguna de estas tres dimensiones, ello repercute directamente en la localizabilidad y en la experiencia de usuario, con independencia de lo avanzada que sea en realidad la tecnología de búsqueda utilizada en segundo plano.
Esto se aprecia con especial claridad en surtidos técnicos, por ejemplo en el comercio B2B de recambios, componentes de maquinaria o materiales de construcción. Aquí basta con que falte un solo atributo, como la clase de resistencia de un tornillo o la tensión de un componente, para que una consulta perfectamente pertinente quede sin resultados. Cuanto más granular y técnico es un surtido, mayor es el efecto que un mantenimiento de datos riguroso tiene sobre la calidad de los resultados, y más cara resulta cada laguna que pasa desapercibida.
El business case: lo que sale a cuenta
El tema resulta definitivamente interesante cuando se observa qué efecto tiene realmente un mantenimiento estructurado de los datos de producto. Según cifras de Forrester Research, las empresas que utilizan de forma consecuente un sistema de Product Information Management (PIM) logran hasta un 50 por ciento de ahorro de tiempo en el mantenimiento de datos y hasta un 20 por ciento más de ingresos.4 Un ejemplo concreto de cálculo extraído de la práctica lo respalda: en un fabricante de marca de tamaño medio, el esfuerzo de mantenimiento por producto se redujo, gracias a una gestión estructurada de datos, de 17,5 a 4,5 horas, un ahorro de tiempo del 73 por ciento, lo que equivale a unos 845 euros de ahorro por producto y año. En un escenario calculado con 10 millones de euros de facturación anual, esto se tradujo en un aumento del beneficio del 47 por ciento.5
Que en este ámbito aún queda un potencial considerable en todo el sector lo demuestra un estudio reciente de la DIHK entre 5.000 empresas alemanas: el 76 por ciento de las pymes encuestadas se enfrenta actualmente a una calidad de datos insuficiente y a silos de datos, según su propia valoración, la cifra más incómoda y, a la vez, la más frecuentemente ignorada de toda la encuesta.6 Quien cierre esa brecha no estará trabajando en un asunto de nicho, sino en un problema que la gran mayoría de sus competidores tampoco ha resuelto todavía.
Cómo Eywora hace visible y manejable la calidad de los datos de producto
Justo en este punto entra en juego el módulo Health Score de Eywora. En lugar de tratar la calidad de los datos de producto como un proyecto de TI independiente y a menudo aplazado durante años, Eywora evalúa de forma continua cada artículo del catálogo según varias dimensiones de calidad y hace visible dónde exactamente las lagunas de datos limitan de forma concreta la localizabilidad de un producto. En vez de una lista abstracta de errores, el equipo recibe una recomendación priorizada por impacto: qué corrección produce el mayor efecto sobre la visibilidad y los ingresos, y en qué orden merece más la pena abordar el trabajo.
Las correcciones pueden realizarse directamente en la plataforma y se transfieren automáticamente de vuelta a la tienda, sin necesidad de volver a subir un feed ni de recursos de desarrollo. Dado que Search, Health Score y Analytics trabajan sobre la misma base de datos, el efecto de una descripción de producto mejorada no se refleja solo en el propio Health Score, sino de forma inmediata también en el rendimiento de la búsqueda y en la contribución a los ingresos de las consultas afectadas. Así, una tarea de mantenimiento de datos a menudo descuidada se convierte en una palanca medible y gobernable para la conversión.
Quien quiera comprobar cuántos de sus propios productos sufren actualmente lagunas de datos puede probar Eywora durante 14 días de forma gratuita y sin tarjeta de crédito sobre su propio catálogo, o reservar una demo en vivo de 30 minutos con una tienda real de un cliente.
Hoja de ruta práctica: por dónde empezar
Quien no sepa dónde están las mayores lagunas de datos de su catálogo no debería empezar por los productos con más facturación, sino por los más buscados y raramente encontrados. Una mirada a los propios registros de búsqueda suele mostrar rápidamente qué consultas conducen de forma recurrente a cero resultados o a resultados manifiestamente inadecuados. En la inmensa mayoría de los casos, la causa no está en la tecnología de búsqueda, sino en atributos que faltan, denominaciones no homogéneas o descripciones obsoletas precisamente en esos artículos. Quien empiece por ahí verá antes el efecto de un mejor mantenimiento de datos y podrá además defender el business case de la forma más convincente a nivel interno.
Conclusión: el mantenimiento de datos no es un factor de higiene, sino una estrategia de ingresos
La idea de que el mantenimiento de los datos de producto es un mal necesario en el backend que «en algún momento habrá que hacer» no resiste el contraste con la realidad. Es la base sobre la que cualquier tecnología de búsqueda puede surtir efecto y está directamente vinculada, de forma medible, con los ingresos perdidos o ganados. Las empresas que mantienen sus datos de producto de forma consecuente no solo mejoran su búsqueda: mejoran todo su customer journey, desde la primera consulta hasta el cierre de la compra. Quien en 2026 siga creyendo que una mejor tecnología de búsqueda resolverá por sí sola el problema de la localizabilidad pasa por alto la verdadera causa: no es que la búsqueda entienda poco, sino que los datos le dicen demasiado poco.
Fuentes
- marconomy – Los datos de producto: el talón de Aquiles del comercio electrónico ↩
- onetoone.de – Unos datos de producto bien mantenidos protegen frente al abandono de la compra, con referencia a un estudio de ECC Köln y Atrify ↩
- Händlerbund – La falta de información de producto provoca el abandono de la compra en la mitad de los casos, con referencia a una encuesta de la Initiative Digitale Handelskommunikation (IDH) ↩
- Smart Commerce – PIM y MDM, con referencia a Forrester Research ↩
- onacy – PIM y PXM: lo que dicen realmente las cifras, con referencia a Forrester/Akeneo y a la propia experiencia en proyectos ↩
- smartworker – Encuesta de digitalización de la DIHK 2026: 5.000 empresas sobre la madurez en IA de las pymes ↩