Cuando un usuario entra en un portal ecommerce con cientos de miles de referencias y escribe en el buscador, dispone de unos pocos segundos de paciencia. Si el buscador no le devuelve lo que busca de forma rápida y relevante, abandona. Y ese abandono cuesta ventas reales.
Este es el problema que BigMat nos planteó. Y la solución fue BigFinder, el motor de búsqueda semántico que TBE desarrolló internamente y que hoy gestiona millones de consultas al mes en sus portales digitales en menos de 100 milisegundos de media.
El reto: catálogos masivos y una búsqueda que no daba la talla
BigMat es una de las cooperativas de distribución de materiales de construcción y bricolaje más grandes de España. Sus portales de ecommerce —BigMat La Plataforma y BigMat Digital— reúnen catálogos con cientos de miles de referencias: desde tornillería hasta maquinaria, pasando por materiales de acabado, fontanería, herramientas y mucho más.
El problema no era la cantidad de producto. El problema era la búsqueda.
El buscador nativo de la plataforma funcionaba con lógica de coincidencia exacta de cadenas de texto. Si un usuario buscaba "regla de albañil" y el catálogo tenía el producto catalogado como "regla de aluminio para construcción", no lo encontraba. Si escribía con un error tipográfico, resultado vacío. Si usaba un término coloquial del sector, nada.
El impacto era directo: tasa de abandono elevada tras la búsqueda, usuarios que no encontraban lo que necesitaban aunque el producto existía en el catálogo, y una pérdida de conversión medible y frustrante.
Las soluciones Finder SaaS del mercado se evaluaron como alternativa. El problema: su modelo de facturación por búsqueda o por volumen de catálogo indexado generaba un coste que crecía de forma directamente proporcional al volumen de uso. Para la escala de BigMat, los números no cuadraban.
La solución: BigFinder, un motor propio con inteligencia semántica
TBE tomó una decisión clara: desarrollar un motor de búsqueda propio. No era la opción más rápida, pero sí la más inteligente a medio plazo.
El resultado fue BigFinder, una solución construida sobre tres pilares tecnológicos:
- Elasticsearch como motor de indexación y recuperación de información
- Docker para contenerización, despliegue y escalabilidad horizontal
- Una capa de inteligencia semántica propia para entender la intención de búsqueda más allá de las palabras exactas
La integración con los portales de BigMat se realizó mediante API REST, sin necesidad de migrar la plataforma ecommerce existente. BigFinder actúa como capa de búsqueda transparente: recibe la consulta, la procesa semánticamente y devuelve los resultados ordenados por relevancia en milisegundos.
Cómo funciona la tecnología detrás de BigFinder
Elasticsearch: indexación a escala real
Elasticsearch es el motor de búsqueda y análisis distribuido más utilizado del mundo para casos de uso que requieren velocidad y escala. Su arquitectura permite indexar cientos de miles de documentos (en este caso, referencias de producto con sus atributos, descripciones, sinónimos y metadatos técnicos) y realizar búsquedas full-text en tiempo prácticamente instantáneo.
Para BigMat, el índice se construyó con los atributos que más importan en el sector: referencia de fabricante, EAN, nombre comercial, descripción técnica, categoría, sinónimos sectoriales y términos alternativos habituales en el lenguaje de los profesionales de la construcción.
Elasticsearch además permite la reindexación en caliente: cuando se añaden nuevos productos o se modifican atributos existentes, el índice se actualiza sin interrumpir el servicio de búsqueda.
Docker: escalabilidad sin fricciones
La infraestructura de BigFinder se despliega en contenedores Docker. Esto resuelve varios problemas a la vez:
- Entornos reproducibles: el mismo stack funciona idéntico en desarrollo, staging y producción, eliminando los clásicos "en mi máquina funciona".
- Escalado horizontal: en momentos de pico de tráfico (campañas, eventos del sector, accesos masivos), se pueden levantar nodos adicionales en minutos sin tocar la configuración del sistema.
- Actualizaciones sin downtime: el modelo de despliegue contenerizado permite actualizaciones rolling que no afectan a la disponibilidad del servicio.
Para un portal del volumen de BigMat, donde los picos de tráfico pueden multiplicar por varias veces la carga habitual, esta capacidad de escalado elástico no es un lujo: es un requisito.
La capa semántica: entender lo que el usuario quiere decir
Esta es la parte que convierte un buscador rápido en un buscador inteligente.
La búsqueda tradicional compara cadenas de texto. La búsqueda semántica compara significados. BigFinder utiliza modelos de embeddings que transforman tanto la consulta del usuario como los documentos del catálogo en vectores de alta dimensionalidad que representan su contenido semántico.
El resultado práctico: si un usuario de BigMat busca "pasta para pegar azulejos", BigFinder entiende que está buscando adhesivo cerámico, y devuelve los resultados correctos aunque ninguna referencia del catálogo use exactamente esas palabras. Si escribe "biseladora angulo" con una errata, el motor lo entiende. Si un profesional usa la denominación técnica del gremio en lugar del nombre comercial del producto, lo localiza igualmente.
El modelo semántico fue entrenado y ajustado específicamente para el vocabulario del sector de la construcción y el bricolaje, lo que mejora sustancialmente la precisión respecto a modelos genéricos.
Los resultados
Tras la implantación de BigFinder en los portales de BigMat, los números hablan por sí solos:
La mejora en la relevancia de los resultados tuvo un impacto directo en la tasa de conversión: los usuarios que buscan y encuentran, compran. Los usuarios que buscan y no encuentran, se van.
Además, la arquitectura Docker permitió al equipo de infraestructura de BigMat gestionar los picos de tráfico de las campañas estacionales sin necesidad de sobredimensionar permanentemente los recursos. El coste de infraestructura se optimizó de forma significativa.
Por qué desarrollo propio frente a una solución SaaS
La pregunta legítima es: ¿por qué no usar un Finder SaaS ya construido?
Para casos de uso concretos —una tienda pequeña con catálogo limitado y sin grandes volúmenes de tráfico—, las soluciones SaaS tienen sentido. La puesta en marcha es rápida y el coste inicial es bajo.
Pero el modelo de facturación de estas soluciones tiene un problema estructural: el coste crece con el uso. Pagan por búsqueda, por producto indexado, o por ambas cosas. En un portal como BigMat, con cientos de miles de referencias y millones de búsquedas mensuales, ese modelo genera una factura recurrente que supera con creces el coste de un desarrollo propio amortizado en pocos meses.
Con BigFinder, el esquema es el opuesto:
- Un proyecto cerrado de implementación con coste conocido de antemano
- Una cuota de mantenimiento mensual plana, independiente del volumen
- Sin royalties por búsqueda, sin límites de productos indexados, sin costes sorpresa
- Control total sobre el código, el modelo semántico y la evolución del producto
Cuanto mayor es el volumen, más evidente es la ventaja económica del desarrollo propio frente al SaaS.
A la escala de BigMat, BigFinder se amortizó en menos de un año comparado con el coste de una solución SaaS equivalente. Y a partir de ahí, el ahorro es mensual y acumulado.
Conclusión
BigFinder es el resultado de un problema real resuelto con tecnología propia. Elasticsearch aporta la potencia de indexación y recuperación. Docker garantiza la escalabilidad y fiabilidad en producción. Y la capa semántica convierte consultas en lenguaje humano en resultados precisos, aunque las palabras no coincidan exactamente.
Para BigMat, el impacto ha sido real y medible: más búsquedas gestionadas, en menos tiempo, con mayor relevancia y a un coste radicalmente inferior al de las alternativas del mercado.
Si tienes un ecommerce, un marketplace o un portal de distribución donde la búsqueda es un punto crítico de la experiencia de usuario, BigFinder puede ser la solución.