¿Qué es un Knowledge Graph para ecommerce? Product Knowledge Graphs explicado para marcas en Shopify
Un Knowledge Graph para ecommerce conecta vuestros productos, variantes, colecciones, contenidos, políticas y pedidos para que la IA pueda razonar entre ellos. Así funciona un Product Knowledge Graph y esto es lo que cambia para una marca en Shopify.
By¿Qué es un Knowledge Graph para ecommerce?
Un ecommerce knowledge graph es un mapa estructurado de una tienda online. Guarda productos, variantes, colecciones, contenido, políticas, pedidos y clientes como entidades conectadas, y registra las relaciones entre ellas, como "es variante de", "pertenece a la colección" o "está cubierto por la política". La IA lo usa para razonar sobre esas relaciones en vez de buscar en páginas aisladas, lo que mejora la precisión de las respuestas, las recomendaciones y las acciones automatizadas.
Un cliente pregunta en el chat de vuestra tienda: "¿La chaqueta Alpine shell es impermeable, sigue disponible en XL y puedo devolverla si la compro en rebajas?"
Son tres preguntas cortas. Pero para responder bien, una IA necesita un atributo del producto, el nivel de impermeabilidad, una variante y su stock, XL, la colección en la que está el producto, Rebajas, y la regla de vuestra política de devoluciones que se aplica a los artículos rebajados. Esos datos están repartidos en cuatro páginas distintas de vuestra tienda. Una IA que solo busca páginas encontrará parte de la información. Una IA que entiende cómo se conecta todo encontrará el conjunto completo y dará una sola respuesta que realmente encaja.
Esa estructura conectada se llama knowledge graph. En esta guía explicamos qué es un ecommerce knowledge graph, cómo funciona un product knowledge graph, en qué se diferencia de una base de conocimiento, RAG y una base de datos vectorial, y qué cambia para una marca en Shopify.
¿Qué es un knowledge graph?
Un knowledge graph es una forma de almacenar información como una red de elementos y sus relaciones. Cada elemento es un nodo, también llamado entidad, y cada relación es una arista. La unidad más pequeña de conocimiento es un hecho formado por tres partes, lo que suele llamarse un triple:
- Alpine Shell Jacket → tiene nivel de impermeabilidad → 20.000 mm
- Alpine Shell Jacket XL → es una variante de → Alpine Shell Jacket
- Colección Sale → está cubierta por → regla de devolución de venta final
Cada hecho por sí solo es simple. El valor está en las conexiones: cuando varios hechos comparten nodos, una máquina puede seguir el recorrido de uno a otro y responder preguntas que ninguna página responde por separado.
La idea se hizo popular en 2012, cuando Google presentó su Knowledge Graph para entender entidades del mundo real en vez de limitarse a cruzar palabras clave. Ese mismo principio impulsa hoy la búsqueda de productos en Amazon, los sistemas de recomendación en retail y, cada vez más, los AI agents que hablan con vuestros clientes.
¿Qué es un product knowledge graph?
Un product knowledge graph aplica este modelo al catálogo. Los productos se convierten en nodos, y también todo lo que los describe: marcas, tipos de producto, materiales, tallas, colores, casos de uso y accesorios compatibles. Las aristas registran cómo se relacionan, así que el grafo sabe que una chaqueta es un tipo de prenda exterior, usa una membrana concreta, está disponible en cinco tallas y combina con una capucha determinada.
Un ecommerce knowledge graph, en Flyweight lo llamamos commerce knowledge graph, va un paso más allá. Conecta el catálogo con todo lo demás que sabe vuestra tienda:
| Entidad | Ejemplos en una tienda Shopify | Relaciones habituales |
|---|---|---|
| Productos y variantes | Chaqueta Alpine Shell, talla XL, color azul marino | variante de, en stock, con precio de |
| Colecciones y taxonomía | Ropa de abrigo, Rebajas, Novedades | pertenece a, es un tipo de |
| Atributos del producto | Nivel de impermeabilidad, material, ajuste | tiene el atributo, compatible con |
| Contenido | Guía de tallas, FAQs, artículos del blog | explica, responde |
| Políticas | Devoluciones, envíos, garantía | se aplica a, excluye |
| Pedidos y clientes | Pedido #8412, estado de preparación | contiene, realizado por, apto para |
| Sistemas conectados | Helpdesk, Klaviyo, herramienta de preparación de pedidos | sincronizado con, activa |
La diferencia importa. Un product graph ayuda a una máquina a entender qué vendéis. Un ecommerce knowledge graph le ayuda a entender cómo funciona vuestro negocio: qué reglas se aplican a qué productos, qué ha pedido ya un cliente y qué puede hacer la IA a continuación.
Cómo funciona: una pregunta de cliente, paso a paso
Volvamos a la pregunta sobre la chaqueta. Así responde un AI agent cuando puede razonar sobre un grafo:
- Identifica la entidad. "Alpine shell jacket" se asocia a un nodo de producto concreto, aunque el cliente lo escriba mal o use un sinónimo.
- Lee el atributo. El producto tiene una relación con el nivel de impermeabilidad, así que el agente da el dato real en vez de deducirlo por la palabra "shell".
- Comprueba la variante. Sigue la relación hasta la variante XL y consulta el stock actual.
- Encuentra la regla correcta. El producto está dentro de la colección Sale, y esa colección está vinculada a una cláusula concreta de la política de devoluciones.
- Responde de una vez. En esta tienda de ejemplo: "Sí, tiene una clasificación de 20.000 mm, la XL está en stock y los artículos rebajados se pueden devolver en 14 días a cambio de crédito en tienda."
Sin el grafo, la IA recupera unos cuantos fragmentos de texto que se parecen a la pregunta y espera que entre ellos estén los correctos. Si la página de devoluciones explica la regla general de 30 días al principio y la excepción para rebajas al final, el fragmento que recupere será lo que determine si la respuesta es correcta o no. De ahí salen la mayoría de respuestas erróneas de los chatbots: no porque falte información, sino porque faltan conexiones entre piezas de información.
Knowledge graph vs base de conocimiento vs RAG vs base de datos vectorial
Estos términos suelen mezclarse, en parte porque muchas veces se usan juntos. Así se diferencian.
| Enfoque | Qué es | Cómo lo usa la IA | Dónde se queda corto |
|---|---|---|---|
| Base de conocimiento | Una colección de documentos: preguntas frecuentes, artículos de ayuda, páginas de políticas | Busca el artículo más relevante | Los datos quedan encerrados en el texto, y las relaciones entre artículos no son explícitas |
| Base de datos vectorial | Guarda el texto como embeddings, representaciones numéricas del significado | Encuentra fragmentos semánticamente parecidos a la consulta | Parecido no siempre significa correcto, y no puede seguir una cadena como producto → colección → política |
| RAG (generación aumentada con recuperación) | Un método: recupera contenido relevante y luego un modelo de lenguaje genera la respuesta | Basa las respuestas en vuestro contenido, no en los datos de entrenamiento del modelo | Depende de lo que recupere, y en preguntas de varios pasos suele faltar alguna pieza |
| Knowledge Graph | Entidades más relaciones explícitas entre ellas | Sigue las relaciones para reunir justo los datos que necesita una pregunta | Necesita estructura y mantenimiento continuo |
¿Es mejor un knowledge graph que RAG? Resuelven problemas distintos, y los sistemas más sólidos combinan ambos. RAG hace que la IA responda desde vuestros datos y no desde la memoria del modelo. Un knowledge graph hace que los datos recuperados estén conectados correctamente. A esa combinación se la suele llamar GraphRAG: el grafo decide qué hechos van juntos y el modelo de lenguaje los convierte en una respuesta natural.
Lo mismo pasa con base de conocimiento vs knowledge graph. Vuestras FAQs y artículos de ayuda no se quedan obsoletos, pasan a ser inputs. El grafo vincula cada artículo con los productos, colecciones y políticas de los que habla, para que el contenido correcto aparezca para el producto correcto.
Ejemplos de knowledge graph en ecommerce
Los grandes retailers llevan años invirtiendo en product knowledge graphs, sobre todo para potenciar la búsqueda y las recomendaciones.
- Amazon construye su product graph en gran parte de forma automática. Amazon Science explica que su sistema AutoKnow triplicó la cantidad de hechos del grafo al extraer y depurar atributos de producto a escala.
- DoorDash usa LLMs para extraer atributos de producto a partir de datos SKU no estructurados y los añade a su product knowledge graph, que luego alimenta la búsqueda personalizada y las recomendaciones.
- Google mantiene un Shopping Graph de productos, vendedores, precios y reseñas junto a su Knowledge Graph. Los datos estructurados de vuestras páginas de producto son una de las formas en que vuestro catálogo entra ahí.
- Una marca mediana en Shopify puede aplicar la misma lógica a menor escala. Una tienda con 800 SKUs, una guía de tallas, tres zonas de envío y una política de devoluciones con dos excepciones ya tiene todo lo necesario para un grafo útil. Lo que suele faltar es tiempo para montarlo a mano.
Qué permite hacer un ecommerce knowledge graph con IA
Para una marca en Shopify, los casos de uso prácticos tienen menos que ver con data science y más con acertar en las respuestas y acciones del día a día, que es lo que moldea la experiencia del cliente.
Recomendaciones de producto más inteligentes
Las recomendaciones pueden basarse en atributos reales del producto y en las necesidades del cliente, no solo en "otros clientes también compraron". Un comprador que dice "corro largas distancias bajo la lluvia" puede recibir sugerencias según impermeabilidad, peso y ajuste. La personalización basada en atributos también reduce el problema del cold start: un producto nuevo todavía no tiene historial de ventas, pero sí tiene atributos.
Comparaciones claras entre productos y variantes
Cuando los atributos se guardan como campos comparables en vez de texto libre, la IA puede explicar exactamente en qué se diferencian dos modelos o dos variantes, sin mezclar especificaciones de descripciones cercanas.
Compatibilidad y cross-sell
"¿Este filtro encaja en mi máquina?" es una pregunta de relaciones. Con relaciones de compatible con, la IA puede responder con seguridad y sugerir el accesorio correcto en vez de un superventas cualquiera.
Políticas precisas y específicas de vuestra tienda
Las excepciones de política para artículos rebajados, productos personalizados o pedidos internacionales se vinculan a los productos a los que se aplican. La IA aplica vuestras reglas, no la regla más habitual de internet.
Soporte con contexto y acciones seguras
Conectar pedidos y contexto de cliente permite que la IA responda "¿dónde está mi pedido?" con datos reales. Antes de cambiar una dirección de envío o cancelar un pedido, comprueba primero el estado de fulfilment y vuestras reglas de negocio. Esa comprobación es lo que hace que la automatización de procesos con IA se pueda activar con seguridad.
Mejor descubrimiento de producto y búsqueda
Una búsqueda onsite que entiende que "chaqueta de lluvia" y "shell impermeable" pertenecen al mismo tipo de producto devuelve menos resultados vacíos, hablamos más de esto en nuestra guía sobre AI Búsqueda para Shopify. Esa misma disciplina, atributos limpios y una taxonomía coherente, también hace que Google y los motores de búsqueda con IA entiendan mejor vuestras páginas de producto.
Cómo construir un product knowledge graph, y dónde se complica
Si fuerais a construir uno desde cero, el proceso suele ser así:
- Definid entidades y taxonomía. Decidid qué categorías de producto, tipos de producto, atributos y relaciones importan para vuestro catálogo y para las preguntas de vuestros clientes.
- Extraed atributos de datos no estructurados. La mayor parte de la información de producto está en títulos, descripciones e imágenes, no en campos limpios. El procesamiento del lenguaje natural, NLP, y los modelos de lenguaje grandes se usan para convertir texto en pares atributo-valor.
- Resolved duplicados. "Navy", "azul oscuro" y "marino" pueden ser un mismo color. Dos nombres de proveedor pueden referirse a una sola marca.
- Conectad contenido, políticas y pedidos. Vinculad FAQs, guías y cláusulas de política con los productos y colecciones a los que se refieren, y conectad también los datos de pedidos en vivo.
- Mantenedlo actualizado. Los nuevos productos, los cambios de precio y las actualizaciones de políticas tienen que fluir al grafo de forma continua, o las respuestas se quedan desfasadas.
Los retos son bastante previsibles: datos de producto desordenados y repartidos entre varias fuentes, atributos inconsistentes entre colecciones, el esfuerzo de mantener todo sincronizado y hacer que el setup escale a medida que crece el catálogo. Los grandes retailers resuelven esto con equipos dedicados, pipelines de machine learning y bases de datos de grafos. Precisamente por eso los knowledge graphs han sido poco habituales en tiendas online pequeñas y medianas, aunque los datos ya estuvieran ahí.
¿Siguen siendo relevantes los knowledge graphs en la era de los LLMs?
Más que nunca. Los LLMs son muy buenos con el lenguaje y poco fiables con hechos que no se les han dado. Cuando falta información o hay ambigüedad, tienden a rellenar el hueco con una respuesta que suena plausible, que es lo que se conoce como alucinación de IA. Un knowledge graph le da al modelo una fuente estructurada y verificable sobre la que apoyar sus respuestas.
Google sigue apoyándose en su Knowledge Graph, y los motores de búsqueda con IA priorizan la información clara, estructurada y bien conectada cuando deciden qué marcas y productos mencionar. La dirección de la IA no se aleja de los knowledge graphs, va hacia combinarlos con modelos de lenguaje.
Cómo Flyweight convierte vuestra tienda Shopify en un commerce knowledge graph
La mayoría de marcas en Shopify no necesitan construir nada de esto por su cuenta, porque el material de origen ya está en la tienda. Flyweight conecta productos, variantes, colecciones, páginas, blogs, FAQs, estructura de tienda, información de pedidos, stock, metafields, marketplaces, políticas e idiomas en un Commerce Knowledge Graph. También se pueden añadir fuentes adicionales como Zendesk, content metafields o archivos subidos.
Esta es una forma nativa para commerce de GraphRAG: el grafo decide qué hechos van juntos y un modelo de lenguaje los convierte en una respuesta natural. La diferencia frente a una configuración de GraphRAG basada solo en texto está en el origen del grafo. En lugar de raspar texto y confiar en que la extracción salga bien, Flyweight construye el grafo en gran parte a partir de datos que ya están estructurados en Shopify, donde productos, variantes, pedidos y colecciones son entidades de primer nivel con relaciones reales.
- Sin mantenimiento manual. El grafo se construye a partir del contenido que ya tenéis en vuestra tienda y se actualiza automáticamente cada noche, así que los nuevos productos, contenidos y cambios de política se incorporan sin trabajo manual.
- Una sola fuente para respuestas y acciones. El mismo grafo impulsa las conversaciones de AI Sales & Support y la automatización de procesos con IA, donde el agente comprueba qué está permitido antes de actuar.
- Seguís teniendo el control. Podéis añadir conocimiento mediante metafields y contenido extra, o excluir contenido que no queráis que use la IA.
