El caos invisible: Cómo los atributos de producto inconsistentes sabotean el comercio electrónico a gran escala

Cuando los minoristas hablan de escalabilidad, piensan en motores de búsqueda, inventario en tiempo real y optimización del proceso de compra. Son problemas visibles. Pero debajo se esconde uno más persistente: valores de atributos que simplemente no encajan. En catálogos de productos reales, estos valores rara vez son consistentes. Están formateados de manera diferente, son semánticamente ambiguos o simplemente incorrectos. Y cuando multiplicas esto por millones de productos, lo que parecía una pequeña molestia se convierte en un desastre sistémico.

El problema: pequeño en escala, grande en magnitud

Veamos ejemplos concretos:

• Tamaño: “XL”, “Small”, “12cm”, “Large”, “M”, “S” — todo mezclado
• Color: “RAL 3020”, “Crimson”, “Red”, “Dark Red” — algunos estándares, otros coloquialismos
• Material: “Steel”, “Carbon Steel”, “Stainless”, “Stainless Steel” — redundante y poco claro

Cada uno de estos ejemplos parece inofensivo por sí solo. Pero al trabajar con más de 3 millones de SKUs, cada uno con docenas de atributos, surge un problema real:

• Los filtros se comportan de forma impredecible
• Los motores de búsqueda pierden relevancia
• La búsqueda del cliente se vuelve frustrante
• Los equipos se ahogan en limpieza manual de datos

Este es el sufrimiento silencioso que acecha en casi todos los grandes catálogos de comercio electrónico.

El enfoque: IA con límites claros en lugar de algoritmos caóticos

No quería una caja negra que ordenara cosas misteriosamente y que nadie entendiera. En cambio, apunté a una pipeline híbrida que:

• sea explicable
• funcione de manera predecible
• escale realmente
• pueda ser controlada por humanos

El resultado: IA que piensa de manera inteligente, pero siempre transparente.

La arquitectura: trabajos en modo offline en lugar de locura en tiempo real

Todo el procesamiento de atributos se realiza en segundo plano—no en tiempo real. Esto no fue una solución de emergencia, sino una decisión de diseño estratégico.

Las pipelines en tiempo real suenan atractivas, pero conducen a:

• retrasos impredecibles
• picos de cálculo costosos
• dependencias frágiles
• caos operativo

En cambio, los trabajos offline ofrecen:

• un rendimiento masivo (procesamiento de enormes volúmenes de datos sin sobrecargar sistemas en vivo)
• tolerancia a fallos (las caídas nunca afectan a los clientes)
• control de costos (procesos en horarios de baja demanda)
• consistencia (actualizaciones atómicas y predecibles)

Separar los sistemas orientados al cliente de la procesamiento de datos es clave en esta escala.

El proceso: de basura a datos limpios

Antes de que la IA manipule los datos, hay un paso crítico de limpieza:

• recortar espacios en blanco
• eliminar valores vacíos
• quitar duplicados
• formatear el contexto de categoría como cadenas limpias

Esto garantiza que el LLM trabaje con entradas limpias. El principio es simple: basura entra, basura sale. Pequeños errores en esta etapa pueden causar grandes problemas más adelante.

El servicio LLM: más inteligente que solo ordenar

El LLM no funciona de forma tonta en orden alfabético. Piensa en contexto.

Recibe:

• valores de atributos limpios
• breadcrumbs de categoría
• metadatos de atributos

Con este contexto, el modelo comprende:

• Que “Spannung” en herramientas eléctricas es numérico
• Que “Tamaño” en ropa sigue una progresión conocida
• Que “Color” puede seguir estándares RAL
• Que “Material” tiene relaciones semánticas

Y devuelve:

• valores ordenados
• nombres de atributos refinados
• una decisión: ordenamiento determinista o controlado por IA

Esto permite manejar diferentes tipos de atributos sin codificar cada categoría por separado.

Fallbacks deterministas: no todo necesita IA

Muchos atributos funcionan mejor sin inteligencia artificial:

• rangos numéricos (5cm, 12cm, 20cm se ordenan automáticamente)
• valores basados en unidades
• cantidades simples

Estos ofrecen:

• procesamiento más rápido
• ordenamiento predecible
• costos menores
• sin ambigüedades

La pipeline detecta automáticamente estos casos y usa lógica determinista. Esto mantiene el sistema eficiente y evita llamadas innecesarias al LLM.

Humano vs máquina: control dual

Los minoristas necesitan control sobre atributos críticos. Por eso, cada categoría puede marcarse como:

• LLM_SORT — el modelo decide
• MANUAL_SORT — los minoristas definen el orden

Este sistema distribuye el trabajo: la IA hace la mayor parte, los humanos toman decisiones finales. También genera confianza, ya que los equipos pueden anular el modelo cuando quieran.

La infraestructura: sencilla, central, escalable

Todos los resultados se almacenan directamente en una base de datos MongoDB—el único almacenamiento operativo para:

• valores de atributos ordenados
• nombres refinados
• etiquetas de categoría
• orden de clasificación específico del producto

Esto facilita revisar cambios, sobrescribir valores, reprocesar categorías y sincronizar con otros sistemas.

La integración en búsqueda: donde la calidad se nota

Tras ordenar, los valores se integran en dos activos de búsqueda:

• Elasticsearch para búsqueda por palabras clave
• Vespa para búsqueda semántica y basada en vectores

Esto asegura:

• que los filtros aparezcan en orden lógico
• que las páginas de productos muestren atributos coherentes
• que los motores de búsqueda clasifiquen con mayor precisión
• que los clientes naveguen más fácilmente por categorías

Aquí, en la búsqueda, se nota la buena ordenación de atributos.

Los resultados: del caos a la claridad

Los efectos fueron medibles:

• ordenación consistente en más de 3 millones de SKUs
• secuencias numéricas predecibles
• control total del minorista mediante etiquetado
• filtros más intuitivos y páginas más limpias
• mejor relevancia en búsqueda
• mayor conversión de clientes

Lecciones clave

1. Híbrido supera a IA pura: límites claros son críticos para escalar
2. El contexto es oro: mejora drásticamente la precisión del modelo
3. Procesamiento offline gana: necesario para rendimiento y fiabilidad
4. Control humano genera confianza: mecanismos de sobrescritura no son bugs, son features
5. Entradas limpias son la base: sin atajos en la limpieza de datos

Ordenar valores de atributos puede parecer trivial, pero se vuelve un reto real con millones de productos. La combinación de inteligencia LLM, reglas claras y control humano crea un sistema que transforma el caos invisible en claridad escalable.