Las bases de datos vectoriales almacenan embeddings, que son listas de números que representan el significado de un fragmento de texto, una imagen o un producto. Para los profesionales del marketing, potencian la búsqueda semántica en el sitio, las recomendaciones de contenido, los asistentes de chat de IA que responden a partir de documentos de la empresa y las herramientas que encuentran clientes o páginas similares. Rara vez se compra una directamente; normalmente reside dentro de un producto que ya utiliza.
Un modelo de embedding, como los modelos de text-embedding de OpenAI, los embeddings de Gemini de Google, Cohere Embed o modelos abiertos como los de las familias BGE y E5, convierte el contenido en un vector. Los textos con un significado similar terminan cerca unos de otros. Una base de datos vectorial, como Pinecone, Weaviate, Qdrant, Milvus, Chroma o la extensión pgvector para PostgreSQL, almacena millones de estos vectores y encuentra los más cercanos rápidamente.
¿Qué captura realmente un embedding?
Un embedding captura el significado, no las palabras exactas. “Vuelos baratos a Estambul” y “billetes de avión de bajo coste a Estambul” comparten pocas palabras, pero terminan cerca. La búsqueda por palabras clave los trataría como diferentes; la búsqueda semántica los trata como vecinos cercanos.
Eso es útil, y tiene límites. Los embeddings pueden difuminar diferencias que importan para su negocio, como “funda para iPhone 15” y “funda para iPhone 16”. También heredan sesgos y lagunas de los datos con los que se entrenó el modelo. La mayoría de los sistemas de producción combinan la búsqueda vectorial con la búsqueda por palabras clave, una configuración llamada búsqueda híbrida, para obtener lo mejor de ambos mundos.
¿Dónde se encuentran los profesionales del marketing con las bases de datos vectoriales?
La mayoría de los equipos ya las utilizan sin llamarlas por su nombre. Los lugares comunes incluyen estos.
- Búsqueda en el sitio: las funciones de búsqueda de Algolia, Elasticsearch y Shopify utilizan cada vez más la búsqueda vectorial o híbrida
- Asistentes de IA en sitios web que responden a partir de artículos de ayuda, utilizando retrieval-augmented generation
- Herramientas de conocimiento interno que permiten al personal hacer preguntas sobre resúmenes, informes y directrices de marca
- Recomendaciones de contenido, como “artículos relacionados” elegidos por significado en lugar de etiquetas compartidas
- Herramientas de SEO que agrupan palabras clave o encuentran páginas similares para enlaces internos
- Análisis de clientes que agrupa reseñas o tickets de soporte por tema
¿Cómo los utiliza la retrieval-augmented generation?
La retrieval-augmented generation, generalmente abreviada como RAG, es el patrón detrás de la mayoría de las herramientas de “chatea con tus documentos”. Los documentos se dividen en fragmentos, cada fragmento se incrusta y se almacena. Cuando un usuario hace una pregunta, la pregunta también se incrusta, se recuperan los fragmentos más cercanos y se pasan a un modelo de lenguaje, que escribe una respuesta basada en ellos.
Para el marketing, RAG significa un chatbot que cita su política de devoluciones real en lugar de inventar una, o un asistente interno que encuentra los resultados de la campaña del año pasado en segundos. La calidad depende en gran medida de los documentos fuente. Los PDF obsoletos y las versiones duplicadas producen respuestas confusas, sin importar qué base de datos haya debajo.
Qué hace que las respuestas de RAG sean mejores
- Documentos fuente limpios y actuales con una versión de cada política
- Tamaños de fragmento sensatos, a menudo unos pocos cientos de palabras con algo de superposición
- Metadatos como fecha, producto e idioma, utilizados para filtrar resultados
- Búsqueda híbrida para que no se pierdan términos exactos como códigos de producto
- Una instrucción al modelo para que diga “No lo sé” cuando las fuentes carecen de la respuesta
¿Necesita elegir una base de datos vectorial?
Para la mayoría de los equipos de marketing, no. Si utiliza una plataforma que ofrece búsqueda semántica o un asistente de IA, el proveedor ha elegido por usted. Su trabajo es alimentarlo con buen contenido y medir los resultados.
La elección importa cuando construye algo usted mismo, por ejemplo, un asistente interno para informes de agencia. Entonces las opciones equilibran simplicidad y control. pgvector se adapta a los equipos que ya ejecutan PostgreSQL y tienen volúmenes de datos moderados. Los servicios gestionados como Pinecone eliminan el trabajo de infraestructura. Los motores de código abierto como Qdrant y Weaviate pueden ejecutarse en sus propios servidores, lo que ayuda cuando los datos deben permanecer en un país específico.
¿Cuáles son las preocupaciones sobre privacidad y datos?
Los embeddings se derivan del contenido. Si el contenido incluye datos personales, como correos electrónicos de clientes o chats de soporte, los vectores y los fragmentos almacenados también lo hacen. Trate la base de datos como trataría los datos originales bajo GDPR o KVKK: sepa dónde está alojada, quién puede acceder a ella y cómo eliminar los datos de una persona bajo petición.
También verifique qué hace el proveedor de embeddings con su texto. Los planes de negocios de los principales proveedores generalmente establecen que los datos de la API no se utilizan para el entrenamiento, pero lea los términos del plan que utiliza en lugar de asumir.
¿Cómo mide si funciona?
La medición depende del caso de uso, pero el principio es el mismo: compare con lo que tenía antes.
- Búsqueda en el sitio: tasa de salida de búsqueda, búsquedas de cero resultados, conversión de búsqueda a compra
- Asistentes de chat: porcentaje de preguntas respondidas sin transferencia, calificaciones de los usuarios, precisión en un conjunto de prueba
- Recomendaciones: clics y conversión posterior en comparación con las recomendaciones basadas en etiquetas
- Herramientas internas: tiempo para encontrar un documento, medido con algunos empleados en tareas establecidas
Para los asistentes, cree un conjunto de prueba de 50 a 100 preguntas reales con respuestas correctas y ejecútelo después de cada cambio de contenido o configuración. Detecta regresiones antes que los clientes.
Cómo aplica Alien Road las bases de datos vectoriales y los embeddings
En un compromiso típico, el descubrimiento significa observar dónde fallan hoy la búsqueda o las respuestas: búsquedas de cero resultados en el sitio, preguntas de soporte repetidas o personal que no puede encontrar trabajos anteriores. Luego verificamos si las plataformas actuales del cliente ya ofrecen búsqueda semántica o un asistente que solo necesita mejor contenido.
Cuando una construcción personalizada tiene sentido, la configuración cubre la limpieza de contenido, la fragmentación y los metadatos, una configuración de búsqueda híbrida y un conjunto de prueba de preguntas. Normalmente comenzamos con pgvector o un servicio gestionado, dependiendo de las necesidades de alojamiento y ubicación de datos del cliente. La medición sigue las métricas anteriores, y los informes mensuales incluyen la puntuación del conjunto de prueba y una lista de brechas de contenido que el asistente reveló.
Por dónde empezar esta semana
Abra su informe de búsqueda en el sitio en GA4 o su herramienta de búsqueda y exporte las principales consultas de cero resultados del último mes. Muchas de ellas serán sinónimos o frases que su búsqueda por palabras clave no coincide. Esa lista es el caso de negocio para la búsqueda semántica o híbrida.
Si ya ejecuta un asistente de chat, escriba 30 preguntas reales de clientes con respuestas correctas y pruébelo. Los fallos señalarán primero los problemas de contenido y segundo los problemas de tecnología.
Siga leyendo: Optimización con IA · Optimización con IA