Ecommerce
Datos de producto y visibilidad en ecommerce: mis entrevistas en Radio Universo y Café Tech
En Radio Universo y en Café Tech conversé sobre el estudio de 500.000 productos de ecommerce chilenos: nueve fallas en los datos que leen Google, Meta y la IA.
En la primera semana de octubre de 2026 estuve en dos programas conversando sobre algo que en los ecommerce casi nunca se revisa: la calidad de los datos de producto que una tienda les entrega a Google, a Meta y a las herramientas de inteligencia artificial. El 2 de octubre fue en Universo Emprendedor, el programa de Iván Núñez en Radio Universo, y el 7 de octubre en Café Tech, de Zoom Tecnológico. Las dos conversaciones partieron del estudio que hicimos en Milimetrix con Alicia López, en el que auditamos más de 500.000 productos de más de 40 ecommerce chilenos.
La de Radio Universo coincidió con una nueva edición del Cyber en Chile, cuando miles de productos vuelven a competir por aparecer frente al comprador, y la pregunta de fondo en ambos programas fue justamente esa: qué tan preparadas están las tiendas para que sus productos se encuentren, se entiendan y se recomienden.
Café Tech: el ecommerce chileno frente a la irrupción de la IA
Café Tech es el programa de tecnología de Zoom Tecnológico, conducido por Claus Narr, y su episodio 313 estuvo dedicado al ecommerce y a la irrupción de la IA en Chile. Mi parte giró en torno al estudio de catálogos y a cómo la IA está cambiando la forma de comprar, con tres ideas centrales:
- Muchos productos no se dejan interpretar bien por las plataformas de IA, y eso les resta visibilidad: el 64,2% estaba en una categoría que no le correspondía, el 96,4% no declaraba GTIN y el 43,7% compartía el título con otro producto del mismo catálogo.
- La IA no está reemplazando a Google: el 89% de las personas que usan IA para investigar una compra también usan un buscador, según el informe State of Ecommerce 2026 de Similarweb. Lo que cambia es la forma en que se investiga y se decide.
- El comercio agéntico ya partió, pero todavía va lento. Las marcas que preparen sus datos ahora se van a subir con mucho menos esfuerzo que las que esperen a que tome velocidad.
También conté cómo trabajamos en Milimetrix, una agencia de AEO y de marketing digital para ecommerce formada en su mayoría por ingenieros, que junta performance, SEO, AEO, PR e influencer marketing en un mismo equipo.
Universo Emprendedor: el estudio de catálogos en Radio Universo
La entrevista completa está disponible en Universo Emprendedor, de Radio Universo.
Por qué los datos de producto ya son parte de la visibilidad de un ecommerce
Un ecommerce no compite solo en los resultados orgánicos de Google. Sus productos también aparecen en Google Shopping, en la grilla de productos de la búsqueda, en los catálogos de Meta y, cada vez más, en las respuestas de herramientas como ChatGPT o Gemini. Todos esos espacios se alimentan del mismo material: el feed de Google Merchant Center, el catálogo de Meta y los datos estructurados de cada ficha.
Por eso un error en esos datos no se queda en un detalle de ficha técnica. Si el precio del feed no coincide con el de la página, si el producto está en la categoría equivocada o si no hay forma de saber qué producto es, la plataforma tiene menos razones para mostrarlo y un modelo de IA tiene menos razones para recomendarlo.
Los dos canales ya pesan en el negocio. Las fichas orgánicas de Google Shopping pueden generar entre dos y tres veces más ingreso por sesión que el orgánico tradicional. Y el tráfico desde herramientas de IA hacia sitios de retail creció 393% interanual en el primer trimestre de 2026, según Adobe Analytics, con una conversión cerca de 42% mayor que la del resto del tráfico. Todavía es del orden del 0,1% de las sesiones, y por lo mismo es un canal que hoy se gana barato.
Las nueve inconsistencias que encontramos en los catálogos del ecommerce chileno
creció el tráfico desde herramientas de IA hacia sitios de retail en el primer trimestre de 2026, frente al mismo período de 2025
Fuente: Adobe Analytics, 2026
Para el estudio cruzamos cada producto contra cuatro fuentes: la ficha tal como la ve un comprador, el feed de Google Merchant Center, el catálogo de Meta y el dato estructurado de la página. Revisamos los catálogos completos y no una muestra, porque los errores de catálogo se concentran en una categoría o en una familia de productos, y una muestra puede salir limpia mientras un tercio del inventario está roto en un rincón que nadie miró.
| Inconsistencia | Productos afectados |
|---|---|
| Sin GTIN | 96,4% |
| Declarados en una categoría que no les corresponde | 64,2% |
| Descripción que solo repite el título y la marca | 49,1% |
| Título idéntico al de otro producto del mismo catálogo | 43,7% |
| Descuento aplicado sin declararse como oferta | 40,6% |
| Variantes sin agrupar o agrupadas mal | 33,8% |
| Presentes en Google o en Meta, pero no en ambos | 22,9% |
| Disponibilidad fija que no refleja el stock real | 21,3% |
| Sin precio en el feed | 9,7% |
Ninguno de estos problemas es difícil de corregir. Son campos sin mapear, taxonomías heredadas de una migración y precios que llegan incompletos desde el ERP. Si sobreviven años es porque no se ven desde adentro: el equipo de ecommerce mira la tienda, la tienda se ve bien, y el problema aparece del otro lado, en la plataforma que decide si muestra el producto y en el modelo que decide si lo recomienda.
El GTIN, el dato que falta en el 96,4% de los productos auditados
de los productos auditados no declara GTIN, el identificador global del producto
Fuente: Milimetrix, estudio de catálogos estructurados del ecommerce chileno, 2026
El GTIN es el código global que identifica un producto, el mismo número que va bajo el código de barras. Con él, Google entiende que el televisor de una tienda es el mismo que venden otras cinco, agrupa las ofertas y arma la ficha comparada donde el comprador ve a todos los vendedores. Sin él, el producto entra a Shopping como un objeto suelto que no se puede cruzar con nada, y la tienda queda fuera de esa comparación por bien que posicione en orgánico.
Con un asistente de IA pasa algo parecido. Antes de recomendar un producto necesita confirmar qué producto es, y el GTIN es la forma más directa de hacerlo. Sin ese código, el modelo tiene que deducir la identidad desde el título, que en estos catálogos es justamente donde más se falla: el 43,7% de los productos comparte el título con otro del mismo catálogo.
Es también el arreglo más barato de todo el estudio. El dato casi siempre existe en el ERP, en la ficha del proveedor o impreso en la caja; lo que falta es llevarlo al feed.
Por qué el SEO de un ecommerce ya no se puede medir solo con posiciones orgánicas
Todavía hay agencias que reportan el SEO de un ecommerce con una tabla de posiciones orgánicas. Esa tabla mide un solo espacio, y los productos hoy se encuentran, se comparan y se recomiendan en varios. Para mí, el estudio fue sobre todo un ejercicio de ampliar dónde miramos: más que la lista de nueve inconsistencias, lo valioso fue confirmar que buena parte de la visibilidad de una tienda se decide fuera de los resultados orgánicos.
Por eso, en el seguimiento de un ecommerce sumo cuatro preguntas que una tabla de posiciones no responde:
- ¿Los productos aparecen en Google Shopping y en la grilla de productos de la búsqueda?
- ¿Google entiende qué se está vendiendo, con el identificador, la categoría y el precio correctos?
- ¿Una herramienta de IA puede identificar, comparar y recomendar esos productos?
- ¿Se está midiendo alguno de esos espacios?
Ganar relevancia hoy pasa por entender dónde aparecen los productos y cómo los interpretan las máquinas que deciden mostrarlos.
Qué revisar primero en el catálogo de un ecommerce
- Identificadores: que cada producto declare su GTIN, y no un código interno puesto en el campo del identificador de fabricante.
- Precio: que el descuento se declare como precio de oferta y no como un precio base más bajo. En el estudio, el 40,6% de los productos tenía un descuento aplicado sin declararlo, y perdía el precio tachado y la etiqueta de oferta.
- Categoría: que cada producto esté en la categoría que le corresponde, con los atributos obligatorios de esa categoría completos. El 64,2% estaba en una que no era la suya.
- Consistencia: que el precio y el stock coincidan entre la ficha, el feed de Google, el catálogo de Meta y el dato estructurado de la página.
El detalle de los nueve hallazgos, con la causa y la corrección de cada uno, está en el estudio de catálogos estructurados del ecommerce chileno que publicamos en Milimetrix.
El lado técnico del resto de la tienda (arquitectura, filtros, fichas y datos estructurados) está en la guía de SEO para ecommerce, y lo que cambia cuando un agente de IA compra a partir de esos mismos datos, en la de comercio agéntico.
Auditar catálogos completos, producto por producto, es parte del trabajo que hacemos en Milimetrix, una agencia de SEO que trata el catálogo estructurado como un canal más de visibilidad orgánica.
Un catálogo que una máquina puede leer, verificar y comparar sin dudas ya es una ventaja concreta para una tienda, y va a pesar más a medida que la compra se cierre dentro de la conversación con un asistente. En la mayoría de los ecommerce que auditamos, esa ventaja estaba a unos cuantos campos mal mapeados de distancia.
