Las bases de datos vectoriales almacenan embeddings, representaciones numéricas de texto, imágenes o productos, y encuentran los elementos más cercanos en significado a una consulta. Pinecone, Weaviate, Qdrant, Milvus y pgvector para PostgreSQL son opciones comunes. Medir su valor significa realizar un seguimiento de la calidad de recuperación, la velocidad y el coste a nivel técnico, y luego vincularlos a resultados de negocio como conversiones de búsqueda, resolución de chatbots o clics en recomendaciones.
Los equipos de marketing se encuentran con las bases de datos vectoriales en tres lugares principales: búsqueda en el sitio que entiende el significado en lugar de palabras exactas, asistentes de IA que responden desde documentos de la empresa a través de generación aumentada por recuperación, y recomendaciones de productos o contenido. En los tres casos, la base de datos es invisible para los clientes. Por eso necesita su propia medición; de lo contrario, una capa de recuperación débil arrastra silenciosamente todo lo construido sobre ella.
¿Qué son los embeddings y por qué necesitan medición?
Un modelo de embedding, como los de OpenAI, Google, Cohere u opciones de código abierto como la familia sentence-transformers, convierte un fragmento de texto en una lista de números. Los textos con significado similar terminan cerca unos de otros. La base de datos vectorial responde entonces a preguntas como “¿qué diez artículos de ayuda son los más cercanos a esta pregunta del cliente?” en milisegundos.
Dos decisiones determinan la calidad: el modelo de embedding y cómo se divide el contenido en fragmentos antes de incrustarlo. Un modelo que maneja mal el español recuperará coincidencias débiles para consultas en español. Los fragmentos demasiado largos mezclan varios temas; los fragmentos demasiado cortos pierden contexto. Ninguno de los problemas aparece como un mensaje de error. Solo la medición lo revela.
¿Qué KPIs técnicos muestran la calidad de recuperación?
Cree primero un conjunto de prueba: una lista de consultas reales, cada una emparejada con los documentos o productos que un humano acuerda que son respuestas correctas. Cincuenta a doscientas consultas es un comienzo razonable para la mayoría de los casos de uso de marketing. Luego mida el sistema contra él.
- Recall at k: proporción de consultas donde un elemento correcto aparece en los primeros k resultados, a menudo k es igual a 5 o 10.
- Mean reciprocal rank: qué tan alto aparece el primer resultado correcto, en promedio.
- Precision at k: proporción de los primeros k resultados que son realmente relevantes.
- Latencia en el percentil 95: cuánto tiempo toman las consultas lentas, no solo el promedio.
- Coste por mil consultas: llamadas de embedding, uso de base de datos y cualquier modelo de reordenamiento.
Vuelva a ejecutar el conjunto de prueba cada vez que cambie el modelo de embedding, el tamaño del fragmento o la configuración del índice. Un cambio que parece pequeño en la configuración puede mover el recall notablemente en cualquier dirección.
Compensaciones de búsqueda aproximada
La mayoría de las bases de datos vectoriales utilizan índices de vecino más cercano aproximado como HNSW, que intercambian un poco de precisión por grandes ganancias de velocidad. Configuraciones como ef_search en HNSW controlan ese equilibrio. Mida el recall y la latencia juntos al ajustar; maximizar uno solo generalmente perjudica al otro.
¿Qué KPIs de negocio conectan la base de datos con el valor?
Las métricas técnicas convencen a los ingenieros. Los presupuestos se aprueban según métricas de negocio. Elija las que coincidan con el caso de uso.
- Búsqueda en el sitio: tasa de salida de búsqueda, tasa de cero resultados, tasa de conversión de sesiones que usan búsqueda, ingresos por sesión de búsqueda.
- Asistente RAG: tasa de resolución, proporción de respuestas con una fuente citada correcta, tasa de transferencia, tasa de contacto repetido.
- Recomendaciones: tasa de clics en artículos recomendados, añadir al carrito desde recomendaciones, ingresos por visitante frente a un grupo de control.
- Descubrimiento de contenido: páginas por sesión desde módulos de contenido relacionado, visitas recurrentes.
La tasa de cero resultados es una victoria rápida a observar. La búsqueda por palabras clave a menudo no devuelve nada para sinónimos o errores tipográficos. La búsqueda semántica debería reducir eso drásticamente. Si no es así, verifique el soporte de idioma y si los datos del producto se incrustaron en absoluto.
¿Cómo debería construirse el panel?
Use dos capas. La capa de ingeniería rastrea el recall, la latencia, la tasa de error y el coste, idealmente desde el propio monitoreo de la base de datos más una ejecución programada del conjunto de prueba. La capa de negocio, en GA4 y Looker Studio o su herramienta de BI, rastrea las métricas de resultados anteriores.
Conéctelos con un evento compartido. Para la búsqueda en el sitio, envíe un evento de GA4 con la consulta, el número de resultados y el tipo de búsqueda, semántica o palabra clave. Eso le permite comparar resultados por tipo de búsqueda y detectar consultas donde los resultados semánticos tienen un rendimiento inferior.
¿Qué errores hacen que los proyectos vectoriales parezcan mejores de lo que son?
Probar solo con consultas fáciles es lo más común. Si el conjunto de prueba fue escrito por la persona que construyó el sistema, tiende a reflejar la propia redacción del contenido. En su lugar, extraiga consultas reales de registros de búsqueda y tickets de soporte, incluidos errores tipográficos e idiomas mezclados.
El segundo es ignorar la frescura. Cuando los productos se agotan o los artículos se actualizan, los embeddings deben actualizarse. Rastree el retraso del índice: el tiempo entre un cambio de contenido y su vector actualizado. Un módulo de recomendación que sugiere productos descontinuados daña la confianza rápidamente.
El tercero es saltarse una línea base de palabras clave. La búsqueda híbrida, que combina la coincidencia de palabras clave como BM25 con la similitud vectorial, a menudo supera a la búsqueda vectorial pura para nombres y códigos de productos. Mida ambos antes de decidir.
¿Cómo escalan los costes?
Los costes provienen de tres lugares: generar embeddings cuando se añade o cambia contenido, almacenar vectores y ejecutar consultas. Los servicios gestionados como Pinecone cobran por uso o capacidad; las opciones autohospedadas como Qdrant o pgvector trasladan el coste a sus propios servidores y tiempo del personal. A pequeña escala, pgvector dentro de una base de datos PostgreSQL existente es a menudo la ruta más barata.
La dimensión de embedding afecta el almacenamiento y la velocidad. Algunos modelos actuales permiten acortar los embeddings con una pérdida de calidad limitada. Pruebe una dimensión más pequeña contra su conjunto de prueba antes de pagar por almacenar vectores de tamaño completo para millones de elementos.
Cómo aplica Alien Road las bases de datos vectoriales y los embeddings
En un compromiso típico, el descubrimiento comienza con el caso de uso y el contenido: catálogo de productos, centro de ayuda, archivo de blog o los tres. Recopilamos consultas reales de registros de búsqueda y tickets, y construimos un conjunto de prueba etiquetado con el equipo del cliente.
La configuración incluye elegir un modelo de embedding que maneje los idiomas del cliente, probar tamaños de fragmentos, seleccionar una base de datos que se ajuste a su stack, a menudo pgvector cuando PostgreSQL ya está en su lugar, y comparar la búsqueda híbrida contra la búsqueda vectorial pura en el conjunto de prueba.
La elaboración de informes sigue el modelo de dos capas: una verificación técnica mensual de recall, latencia y coste, y un panel de negocio de conversión de búsqueda, resolución de asistente o ingresos por recomendación, según el proyecto.
Por dónde empezar esta semana
Exporte las doscientas consultas principales de su búsqueda en el sitio o bandeja de entrada de soporte. Marque las consultas de cero resultados y aquellas que llevaron a una salida. Esa lista es tanto el comienzo de su conjunto de prueba como una imagen clara de lo que una mejor recuperación necesita arreglar.
Luego etiquete la respuesta correcta para cincuenta de ellas. Con ese pequeño conjunto, puede comparar cualquier configuración vectorial contra su búsqueda actual en una tarde, antes de gastar en infraestructura.
Siga leyendo: Optimización con IA · Optimización con IA