Dynamic re-ranking

Piensa en una tienda física con un escaparate que cambiase cada hora según quién pasa por delante: abrigos si llueve, bañadores si hace sol, zapatillas de running si pasa alguien en ropa deportiva. Eso, trasladado a los resultados de búsqueda de una tienda online, es dynamic re-ranking.

En un buscador interno convencional, el orden de los resultados se calcula una vez y se aplica igual para todos. Se basa en coincidencia textual (cuánto se parece la consulta al título o la descripción del producto) y, como mucho, en algún criterio estático como popularidad global o fecha de alta. El resultado es una lista fija: busques tú o busque cualquier otra persona, el orden es el mismo.

Dynamic re-ranking rompe esa rigidez. En lugar de un único criterio, combina múltiples señales en tiempo real para recalcular el orden en cada búsqueda:

Señales de comportamiento del usuario: qué ha visto, qué ha añadido al carrito, qué ha comprado antes, en qué rango de precios se mueve.

Señales de contexto: dispositivo (móvil o escritorio), geolocalización, hora del día, estacionalidad.

Señales del catálogo: disponibilidad de stock, margen del producto, novedad, tasa de conversión histórica de cada artículo.

Reglas de negocio: promociones activas, liquidación de inventario, priorización de marcas propias o productos patrocinados.

Todas estas señales alimentan un modelo (normalmente de tipo learning-to-rank) que asigna una puntuación a cada producto para esa consulta concreta, en ese momento concreto, para ese usuario concreto. Los productos se reordenan según esa puntuación antes de mostrarse.

Lo que diferencia a un buen sistema de re-ranking de uno mediocre es el bucle de retroalimentación: cada clic, cada compra y cada abandono actualiza las señales, y el modelo ajusta las posiciones en búsquedas futuras. No es una configuración que se hace una vez y se olvida; el sistema aprende continuamente.