Comercio electrónico a gran escala: Cómo los ingenieros de software resuelven sistemáticamente el caos de atributos

Ordenar atributos de productos puede parecer trivial, hasta que tienes que hacerlo para tres millones de SKUs. La complejidad oculta de los sistemas de comercio electrónico no reside en desafíos mayores como búsqueda distribuida o inventario en tiempo real. La columna vertebral real es la consistencia de datos: tallas, colores, materiales y otros atributos deben estar estructurados de manera precisa y predecible.

El problema es real. En catálogos de productos reales, se observan valores caóticos: tallas como “XL”, “Small”, “12cm”, “Large”, “M”, “S” mezclados. Colores como “RAL 3020”, “Crimson”, “Red”, “Dark Red”. Materiales como “Steel”, “Carbon Steel”, “Stainless”, “Stainless Steel”. Cada inconsistencia individual parece inofensiva, pero multiplicada por millones de productos se vuelve sistémica. Los filtros funcionan de manera impredecible, los motores de búsqueda pierden relevancia y la experiencia del cliente se ve afectada.

La estrategia central: inteligencia híbrida con reglas claras

En lugar de usar una caja negra de IA, un ingeniero de software diseñó una canalización híbrida controlada. El objetivo no era una automatización mística, sino una solución que además de:

• Ser explicable
• Funcionar de manera predecible
• Escalar a millones de registros
• Ser controlada por humanos

Esta canalización combina el pensamiento contextual de grandes modelos de lenguaje (LLMs) con reglas deterministas y control humano. Actúa de manera inteligente, pero siempre transparente — IA con límites, no IA fuera de control.

Procesamiento offline en lugar de en tiempo real: una decisión estratégica

Todo el procesamiento de atributos se realiza en trabajos en segundo plano, no en sistemas en tiempo real. Esto se eligió conscientemente, ya que las canalizaciones en tiempo real a escala de comercio electrónico conducen a:

• Latencia impredecible
• Dependencias frágiles
• Picos de coste costosos
• Inestabilidad operativa

Por otro lado, los trabajos offline ofrecen:

• Alto rendimiento mediante procesamiento por lotes sin afectar sistemas en vivo
• Resiliencia, ya que las fallas no afectan el tráfico de clientes
• Control de costes mediante procesamiento en horas de baja actividad
• Aislamiento de la latencia de LLM respecto a las páginas de producto
• Actualizaciones atómicas y predecibles

Esta separación entre interfaces de cliente y canalizaciones de procesamiento de datos es crucial en millones de SKUs.

La canalización de procesamiento: de datos en bruto a inteligencia

Antes de aplicar IA, se realiza un paso crítico de preprocesamiento:

• Recortar espacios en blanco
• Eliminar valores vacíos
• Deduplciar duplicados
• Estructurar información contextual de categorías

Este paso reduce el ruido de manera significativa y mejora la capacidad de razonamiento del modelo de lenguaje. La regla es simple: entrada limpia = salida confiable. A gran escala, incluso pequeños errores pueden acumularse y causar problemas posteriores.

Luego, el servicio LLM recibe:

• Valores de atributos limpios
• Breadcrumbs de categoría para contextualizar
• Metadatos de atributos

Con este contexto, el modelo puede distinguir, por ejemplo, que “Spannung” en herramientas eléctricas es numérico, que “Tamaño” en ropa sigue tallas estándar, que “Farbe” puede corresponder a estándares RAL. La salida consiste en:

• Valores ordenados en secuencia lógica
• Nombres de atributos refinados
• Una decisión: ordenamiento determinista o contextual

Fallbacks deterministas: IA solo donde es necesario

No todos los atributos requieren procesamiento con IA. La canalización detecta automáticamente qué atributos es mejor manejar con lógica determinista:

• Rangos numéricos (más rápido, predecible)
• Valores basados en unidades (2cm, 5cm, 12cm → 2cm, 5cm, 12cm, 20cm)
• Cantidades simples (sin ambigüedad)

Esto reduce llamadas innecesarias a LLM y mantiene el sistema eficiente.

Control humano y confianza

Cada categoría puede marcarse como LLM_SORT (modelo decide) o MANUAL_SORT (el comerciante define). Este sistema dual garantiza que las decisiones finales las tomen humanos, mientras la IA realiza el trabajo pesado. Los comerciantes pueden sobrescribir en cualquier momento sin interrumpir la canalización, un mecanismo clave para la confianza.

Todos los resultados se almacenan en una base de datos MongoDB:

• Valores de atributos ordenados
• Nombres de atributos refinados
• Etiquetas de orden de clasificación por categoría
• Campos sortOrder relacionados con el producto

Esto facilita la revisión, sobrescritura, reprocesamiento y sincronización con otros sistemas.

La línea de flujo de datos: de datos en bruto a búsqueda

Tras la ordenación, los datos fluyen hacia:

• Elasticsearch para búsqueda por palabras clave con lógica de filtrado coherente
• Vespa para búsqueda semántica y basada en vectores

De esta forma se garantiza que:

• Los filtros aparecen en orden lógico
• Las páginas de producto muestran atributos coherentes
• Los motores de búsqueda clasifican con mayor precisión
• Los clientes navegan por categorías de forma más intuitiva

Arquitectura en resumen

La canalización modular sigue este flujo:

1. Los datos del producto provienen del sistema de información del producto
2. El trabajo de extracción de atributos obtiene valores y contexto de categoría
3. Estos se entregan al servicio de ordenamiento AI
4. Los documentos de producto actualizados se almacenan en MongoDB
5. El trabajo de sincronización saliente actualiza el sistema de información del producto
6. Los trabajos de sincronización en Elasticsearch y Vespa transfieren los datos ordenados a sus sistemas de búsqueda
7. Los servicios API conectan los sistemas de búsqueda con las aplicaciones cliente

Este ciclo asegura que cada valor de atributo ordenado o marcado manualmente se refleje en búsqueda, merchandising y experiencia del cliente.

Resultados en la práctica

La transformación de valores en bruto a salida estructurada:

Estos ejemplos muestran la interacción entre pensamiento contextual y reglas claras.

Impacto medible

• Ordenación coherente de atributos en más de 3M SKUs
• Ordenación numérica predecible mediante fallbacks deterministas
• Control total del comerciante mediante etiquetado manual
• Páginas de producto más limpias y filtros más intuitivos
• Mejor relevancia y ranking en búsqueda
• Mayor confianza del cliente y aumento en tasas de conversión

Conclusiones clave

• Las canalizaciones híbridas superan a la IA pura a gran escala
• El contexto es fundamental para la precisión de los LLM
• Los trabajos offline son esenciales para rendimiento y resiliencia
• Los mecanismos de sobrescritura humana generan confianza
• Datos de entrada limpios son la base para salidas confiables de IA

Lo más importante: los problemas más relevantes en comercio electrónico no suelen ser los espectaculares, sino los desafíos silenciosos que afectan cada día a cada página de producto. Con una arquitectura inteligente y enfoques híbridos de IA, el caos se vuelve sistemático y escalable.