El buscador interno puede parecer una pieza secundaria de un eCommerce, pero en tiendas con catálogos amplios puede tener un impacto directo sobre la conversión. Un ejemplo lo encontramos en GreenIce, tienda online especializada en iluminación, que decidió poner a prueba una alternativa al buscador nativo de Shopify para comprobar hasta qué punto podía afectar a sus ventas.
Para hacerlo, la compañía realizó durante 30 días un test A/B en el que repartió el tráfico al 50% entre el buscador de Shopify y el desarrollado por Kimera Technologies. El catálogo y las campañas de captación se mantuvieron iguales durante el experimento, de manera que la principal variable entre ambos grupos fue el sistema utilizado para realizar las búsquedas.
Los resultados publicados por Kimera muestran una diferencia relevante: los usuarios expuestos a su buscador completaron 198 compras, frente a las 150 registradas con Shopify, lo que supone un aumento relativo del 32%. La tasa de conversión pasó además del 1,43% al 1,85%, una mejora cercana al 29%.
Según el caso de éxito, durante esos mismos 30 días la diferencia de facturación atribuida al experimento alcanzó los 44.000 euros. Se trata, en todo caso, de los resultados de este test concreto y no de una mejora que pueda trasladarse automáticamente a cualquier tienda online.
La integración y el experimento fueron realizados por Viva!, agencia especializada en eCommerce, performance y optimización de la conversión (CRO) y partner de Kimera. El objetivo de GreenIce era comprobar con datos si el cambio de tecnología justificaba la inversión necesaria para sustituir su sistema anterior.
Como explica Alex Boxall, de GreenIce: «Nos gustaba mucho la herramienta de Kimera, pero para implementarla necesitábamos saber que íbamos a justificar la inversión».
El planteamiento de Kimera parte de uno de los problemas habituales de los buscadores tradicionales: el usuario no siempre utiliza las mismas palabras que aparecen en el catálogo. Una persona puede escribir, por ejemplo, «lámpara negra de techo para cocina» aunque ninguna ficha de producto contenga exactamente esa combinación de términos.
En lugar de depender únicamente de coincidencias textuales, el sistema trata de interpretar la intención que hay detrás de la consulta. Kimera analiza tanto los textos asociados al producto como las imágenes del catálogo para identificar atributos como formas, colores o estilos y relacionarlos con lo que está buscando el comprador.
Esto también puede reducir parte del trabajo manual que tradicionalmente implica optimizar un buscador interno, como crear reglas, introducir sinónimos o prever las diferentes formas en las que los usuarios pueden denominar un mismo producto. Eso no significa que las fichas de producto dejen de ser importantes, pero sí añade una capa adicional para interpretar las consultas.
La búsqueda interna cobra todavía más importancia cuando el catálogo incluye productos sobre los que el comprador necesita cierto asesoramiento antes de decidirse. La iluminación es un buen ejemplo: encontrar una lámpara no significa necesariamente saber qué potencia, temperatura de color o sistema de instalación escoger.
Por eso, además del buscador, Kimera incorpora un asistente conversacional de compra. El usuario puede plantear nuevas preguntas o concretar sus necesidades mientras busca y los resultados se van adaptando a esa información.
Un comprador interesado en tiras LED, por ejemplo, puede explicar en qué habitación quiere colocarlas o qué tipo de ambiente busca crear. A partir de esas preferencias, el sistema puede acotar los productos que muestra y explicar algunas de sus diferencias. La conversación es opcional, por lo que quien conoce exactamente qué producto necesita puede continuar utilizando el buscador de forma convencional.
Más allá de la tecnología concreta utilizada, el experimento deja una conclusión interesante para otros eCommerce: el buscador interno también puede ser una palanca de conversión y merece ser medido como tal.
En tiendas con miles de referencias, un usuario que realiza una búsqueda suele estar mostrando una intención relativamente clara de encontrar un producto. Si el sistema no interpreta correctamente esa consulta o devuelve resultados poco relevantes, parte de ese tráfico puede abandonar la tienda pese a haber llegado con intención de compra.
El caso de GreenIce muestra precisamente el valor de probar este tipo de cambios mediante experimentos controlados, en lugar de implantarlos únicamente por intuición. En este caso, dividir el tráfico permitió comparar compras y conversión manteniendo el resto de variables lo más estables posible.
Eso sí, los resultados corresponden específicamente a GreenIce y el impacto dependerá del catálogo, del funcionamiento del buscador previo, del comportamiento de los clientes y de muchos otros factores. Para quienes gestionen catálogos amplios o productos que requieran asesoramiento, Kimera permite solicitar una demo personalizada de su buscador para comprobar cómo interpreta las búsquedas de una tienda concreta.
Imagen: Kimera
Este contenido es posible gracias al apoyo de Kimera.
Your email address will not be published. Required fields are marked *
Δ