Búsqueda y emparejamiento en los marketplaces

Por Brian Tr · Actualizado el 7 de octubre de 2026

Un marketplace puede tener muchos compradores y muchos vendedores y aun así fracasar, porque el comprador adecuado nunca se encuentra con el vendedor adecuado. La oferta queda sin verse en la página nueve. La demanda escribe una consulta y no recibe nada. Los dos lados están presentes y no se produce ninguna transacción.

Esa brecha es el trabajo de la búsqueda y el emparejamiento. Es la capa que convierte una pila de anuncios y una multitud de compradores en tratos reales. Este artículo cubre las tres formas principales en que los marketplaces lo hacen, las señales que entran en un ranking, la investigación detrás del emparejamiento bilateral, lo que se exige a las plataformas que digan sobre sus rankings y las métricas que indican si funciona.

Nos mantendremos en lo conceptual. No le diremos qué fórmula de ranking usar, porque eso depende de su categoría. Le daremos el vocabulario, la evidencia y las preguntas que conviene hacerse.

Tres formas de conectar a los compradores con la oferta

La mayoría de los marketplaces usa uno de tres enfoques, o una mezcla.

Búsqueda y ranking. El comprador indica lo que quiere y la plataforma devuelve una lista ordenada. El comprador es quien elige. La búsqueda de Etsy, Airbnb y Upwork funciona así. La influencia de la plataforma está en el orden, los filtros y lo que se pone a la vista.

Emparejamiento algorítmico. La plataforma elige a la contraparte, o una lista muy corta, para el comprador. El transporte con conductor es el ejemplo clásico: el pasajero no navega entre conductores, el sistema le asigna uno. Funciona cuando los bienes son lo bastante intercambiables como para que al comprador le importen más la rapidez y el precio que elegir.

Emparejamiento gestionado. Lo hacen personas. Un operador lee la solicitud, elige a los proveedores y a veces cotiza el trabajo. Cuesta más por transacción y es habitual donde la calidad varía mucho o el trabajo es complejo. Tratamos ese modelo en marketplaces gestionados.

No son excluyentes. Un marketplace puede ordenar los anuncios para la mayoría de los compradores y derivar a una persona sus solicitudes más grandes o más difíciles. La pregunta útil es qué enfoque se ajusta a cuánta elección quiere el comprador y a cuán distinta es la oferta de un vendedor a otro.

Qué entra en un ranking

El ranking es un problema de predicción con un objetivo de negocio asociado. La plataforma estima qué anuncio es más probable que quiera un comprador determinado y ordena los resultados en consecuencia. Las señales suelen agruparse en unas pocas familias.

• Relevancia. Qué tan bien coincide el anuncio con la consulta, la categoría, las fechas o las necesidades indicadas.
• Calidad. Reseñas, historial de cumplimiento, comportamiento de respuesta y pruebas similares de que el vendedor cumple.
• Disponibilidad. Si el vendedor puede realmente hacer el trabajo para las fechas, la cantidad o el momento solicitados.
• Distancia. En bienes locales o entregados, qué tan cerca está la oferta del comprador.
• Precio y ajuste. Si el precio cae dentro del rango que el comprador parece querer.
• Factores comerciales. Tarifas, promociones o ubicación de pago, a los que volveremos más abajo.

Airbnb ha publicado más detalle sobre esto que la mayoría de las empresas. Su artículo de 2018, Applying Deep Learning to Airbnb Search, describe la tarea como responder a un huésped con una lista ordenada de un puñado de anuncios entre miles disponibles. Dice que el primer ranking de búsqueda fue una función de puntuación elaborada a mano, y que sustituirla por un modelo de árboles de decisión con gradient boosting dio una de las mayores mejoras escalonadas en reservas en la historia de la empresa, antes de que las ganancias se estancaran. Las características que alimentaban su red neuronal eran sobre todo propiedades sencillas del anuncio, como el precio, los servicios y el número histórico de reservas.

Dos detalles de ese artículo merecen conservarse. Primero, el modelo se entrena con registros en los que el anuncio reservado es el ejemplo positivo y los demás los negativos, de modo que el ranking aprende de lo que los compradores eligieron realmente, no de lo que una persona pensó que era relevante. Segundo, los autores dicen que este modelo es una pieza de un ecosistema que incluye además modelos que predicen si un anfitrión aceptará una solicitud. En un marketplace de dos lados, un resultado que el proveedor rechazaría no es de verdad un buen resultado.

Ese segundo punto es donde el ranking de un marketplace se diferencia de la búsqueda web ordinaria. Un buscador optimiza para quien busca. Un marketplace tiene que preocuparse por ambos lados.

Equilibrar ambos lados

El artículo de Airbnb de 2023, Optimizing Airbnb Search Journey with Multi-task Learning, plantea el problema directamente. Los huéspedes suelen pasar semanas explorando y comparando antes de hacer una solicitud, el anfitrión puede entonces rechazar o cancelar la solicitud de reserva, y el modelo tiene que equilibrar las preferencias del huésped y del anfitrión. Su respuesta fue usar acciones intermedias del huésped, positivas y negativas, como hitos que acercan al huésped a una reserva exitosa.

Otro artículo del mismo grupo, Learning to Rank Diversely at Airbnb, cuestiona otro supuesto habitual. El ranking tradicional estima la probabilidad de reserva de cada anuncio de forma independiente. Los autores sostienen que las similitudes entre anuncios afectan a las decisiones de los usuarios, y que reducir la redundancia entre resultados similares mejora la diversidad, algo que validaron en pruebas A/B en producción.

Y Improving Deep Learning for Airbnb Search organiza su trabajo en torno a la arquitectura, el sesgo y el arranque en frío (cold start). El sesgo de posición (la gente hace clic en los resultados más altos en parte porque están más arriba) y el arranque en frío (los anuncios nuevos no tienen historial) son problemas con los que se topa el sistema de ranking de todo marketplace.

Estos artículos describen el sistema de una sola empresa. Son evidencia de lo que es posible y de cómo son los problemas, no una plantilla. Un marketplace con 500 anuncios no necesita un ranker de redes neuronales. Sí necesita decidir qué está optimizando.

Emparejamiento bilateral: las raíces de la investigación

La idea del emparejamiento en un mercado tiene una larga historia académica anterior a internet.

El Premio Nobel de Economía de 2012 fue para Alvin Roth y Lloyd Shapley, y el comunicado de prensa de la Real Academia Sueca de Ciencias plantea su tema como un problema económico central: cómo emparejar de la mejor manera posible a distintos agentes. Sus ejemplos son los estudiantes con las escuelas y los donantes de órganos con los pacientes que necesitan un trasplante.

Varias ideas del comunicado importan para los marketplaces.

Estabilidad. Un emparejamiento es estable si no hay dos agentes que se prefieran mutuamente a sus contrapartes actuales. El comunicado atribuye a Shapley y sus colegas métodos, "en particular, el llamado algoritmo de Gale-Shapley", que siempre producen un emparejamiento estable. Piense en ello como una prueba: si un comprador y un vendedor salen ambos ganando al abandonar a sus parejas asignadas para quedarse el uno con el otro, el emparejamiento se romperá, y el sistema no ha resuelto realmente el problema.

Manipulación. El comunicado dice que estos métodos también limitan los motivos de los agentes para manipular el proceso de emparejamiento. Eso importa en cualquier mercado donde los participantes puedan manipular lo que declaran.

Qué lado se beneficia. Añade que Shapley mostró cómo el diseño específico de un método puede beneficiar sistemáticamente a un lado del mercado frente al otro. Las decisiones de diseño no son neutrales. Quién propone, quién acepta y quién ordena cambian los resultados.

Práctica. Roth reconoció que esta teoría podía explicar mercados reales. Él y sus colegas demostraron empíricamente que la estabilidad es la clave para entender el éxito de ciertas instituciones de mercado, y ayudó a rediseñar instituciones para emparejar a médicos recién graduados con hospitales, a estudiantes con escuelas y a donantes de órganos con pacientes. El comunicado señala que esas reformas se basaron en el algoritmo de Gale-Shapley, modificado para circunstancias concretas y restricciones éticas como la exclusión de los pagos compensatorios.

¿Cuánto de esto se traslada a un marketplace comercial? Menos de lo que cabría esperar, con franqueza. Esos emparejamientos centralizados suelen hacer que ambos lados presenten preferencias ordenadas y que una cámara de compensación las resuelva de una sola vez. La mayoría de los marketplaces en línea funcionan de forma continua, las preferencias no se declaran por completo y los precios se mueven. Lo que sí se traslada es el planteamiento. El emparejamiento es un problema de diseño, la estabilidad es un estándar útil y las reglas del mecanismo determinan quién gana.

Fricciones de búsqueda: por qué se siguen perdiendo buenos emparejamientos

Una línea de investigación aparte explica por qué la oferta y la demanda coexisten sin emparejarse. El Premio Nobel de 2010, según describe el comunicado de la Academia, fue para Peter Diamond, Dale Mortensen y Christopher Pissarides "por su análisis de los mercados con fricciones de búsqueda".

La observación central del comunicado es sencilla. En muchos mercados, compradores y vendedores no entran en contacto de inmediato. El proceso de búsqueda requiere tiempo y recursos, por lo que crea fricciones. En esos mercados, algunas demandas de los compradores quedan sin atender mientras algunos vendedores no pueden vender tanto como quisieran, en el mismo momento. Señala que la teoría se aplica más allá de los mercados laborales, y cita el mercado de la vivienda como un ejemplo.

Para quien opera un marketplace, "fricción" es una palabra útil. Cada una de las siguientes es una fricción:

• Un comprador no puede describir lo que quiere en términos que sus categorías entiendan.
• Los resultados son relevantes, pero el comprador no sabe distinguir qué vendedor es bueno.
• La agenda o las existencias de un vendedor están desactualizadas, de modo que el resultado no se puede cumplir.
• Un comprador contacta a tres vendedores y dos nunca responden.

Una mejor búsqueda y un mejor emparejamiento reducen la fricción. No la eliminan, y cierta fricción es útil: un comprador que compara un poco suele elegir mejor. El objetivo es eliminar la fricción evitable. Parte de ella es un problema de confianza, y por eso los controles de calidad de la oferta pertenecen a la misma conversación que el ranking.

Lo que las plataformas deben decir sobre el ranking

El ranking también es un asunto legal en algunas regiones. En la Unión Europea, el Reglamento (UE) 2019/1150 (conocido a menudo como el Reglamento Platform-to-Business) establece requisitos de transparencia para los servicios de intermediación en línea y los motores de búsqueda.

El reglamento define el "ranking" como la prominencia relativa que se da a los bienes o servicios ofrecidos mediante servicios de intermediación en línea, o la relevancia que los motores de búsqueda en línea dan a los resultados de búsqueda. El artículo 5 exige entonces:

• Que los servicios de intermediación expongan en sus términos y condiciones los principales parámetros que determinan el ranking y los motivos de la importancia relativa de esos parámetros frente a otros.
• Que los motores de búsqueda den una descripción fácilmente accesible y pública, en lenguaje claro e inteligible, de los principales parámetros de ranking, mantenida al día.
• Que la influencia de pago se revele. Cuando el ranking pueda verse influido por un pago, el proveedor debe explicar esa posibilidad y el efecto de la remuneración en el ranking.

El reglamento también dice que los proveedores no tienen que revelar sus algoritmos ni información que pudiera permitir engañar a los consumidores mediante la manipulación de los resultados de búsqueda. Así que la obligación se refiere a los principales parámetros y a su importancia relativa, no a publicar el modelo.

Aunque no opere en la EU, es una buena plantilla para el propio explicativo de ranking de un marketplace. Los vendedores que entienden a grandes rasgos qué impulsa la visibilidad toman mejores decisiones sobre fotos, precios y tiempos de respuesta. Y si existe ubicación de pago, decirlo protege la confianza. Vemos cómo funciona comercialmente la ubicación patrocinada en ingresos por publicidad de un marketplace.

Métricas de búsqueda y emparejamiento

La calidad de la búsqueda es fácil de sentir y difícil de medir. Estas son las métricas que los equipos suelen seguir. Ninguna trae una referencia universal, así que fije las metas con sus propios datos.

Las dos primeras tienen una definición documentada. La documentación de analítica de Algolia define la tasa de cero resultados como el porcentaje de búsquedas sin resultados, y define la tasa de clics como el porcentaje de búsquedas rastreadas con al menos un evento de clic. Las demás filas son definiciones de trabajo propias. "De búsqueda a contacto" y "tasa de emparejamiento" no tienen un significado estándar único, así que escriba el suyo antes de comparar cifras entre equipos o períodos.

Unas cuantas precauciones.

1. Segmente la tasa de cero resultados. Una cifra agregada oculta las consultas que importan. Mire las principales consultas sin resultados: son una lista gratuita de demanda no atendida y un estímulo para la captación de oferta.
2. Vigile ambos lados. Una tasa de emparejamiento alta con proveedores agotados por leads de baja calidad no es una victoria. Combine las métricas del comprador con los datos de aceptación y respuesta de los proveedores.
3. No optimice solo el clic. El artículo de Airbnb de 2018 entrena con reservas, no solo con clics, porque un clic no es el objetivo. Cuanto más cerca esté su objetivo del resultado real, menos premia la curiosidad.
4. Separe la calidad de la búsqueda de la profundidad de la oferta. Una consulta sin resultados puede significar mala búsqueda u oferta ausente. Requieren soluciones distintas.

También importa dónde sitúa estas métricas a lo largo del recorrido del comprador. Exponemos las etapas en el embudo de conversión de un marketplace, y la forma en que las señales de precio moldean lo que eligen los compradores en el descubrimiento de precios en un marketplace. El modelo de reserva también cambia lo que significa emparejar: con la reserva inmediata (Instant Book) frente a la solicitud de reserva (Request to Book), el paso de aceptación del proveedor se elimina o se hace explícito.

Un orden práctico de operaciones

Si está construyendo o mejorando el emparejamiento, esta es una secuencia razonable. Es razonamiento, no una regla de las fuentes anteriores.

1. Empiece por filtros y ordenación, no por modelos. Deje que los compradores acoten por los atributos que deciden las compras. Un conjunto de filtros pequeño y bien construido supera a un ranker ingenioso sobre datos desordenados.
2. Arregle los datos antes que el algoritmo. El ranking solo puede usar lo que aportan los vendedores. Campos obligatorios, categorías coherentes y disponibilidad al día hacen más que los cambios de modelo a escala pequeña.
3. Elija un solo objetivo. Decida si optimiza las transacciones completadas, la satisfacción del comprador o los ingresos, y tenga presente que pueden entrar en conflicto.
4. Añada restricciones del lado del vendedor. Incluya la probabilidad de aceptación, la disponibilidad y el tiempo de respuesta, para no mostrar a los compradores resultados que no llevan a ninguna parte.
5. Registre todo. Impresiones, posiciones, clics, contactos, resultados. El enfoque de Airbnb de aprender de sesiones registradas solo es posible si usted conservó los registros.
6. Anote los principales parámetros. Incluso un explicativo breve del ranking para los vendedores le obliga a saber qué hace realmente su ranking.
7. Derive los casos difíciles a personas. Donde una solicitud sea compleja o de alto valor, el emparejamiento humano puede superar a cualquier ranker. Vea marketplaces gestionados.

Datos clave: búsqueda y emparejamiento en los marketplaces

• El Premio Nobel de Economía de 2012 reconoció a Alvin Roth y Lloyd Shapley, y el comunicado de la Academia dice que el algoritmo de Gale-Shapley asegura siempre un emparejamiento estable, es decir, que no hay dos agentes que se prefieran mutuamente a sus contrapartes actuales.
• El Premio Nobel de 2010 fue para Diamond, Mortensen y Pissarides por analizar los mercados con fricciones de búsqueda, en los que compradores y vendedores no entran en contacto de inmediato y parte de la demanda y de la oferta queda sin emparejar al mismo tiempo.
• El Reglamento (UE) 2019/1150, artículo 5 exige a los servicios de intermediación revelar los principales parámetros que determinan el ranking y los motivos de su importancia relativa, y explicar el efecto de cualquier pago sobre el ranking.
• El artículo de búsqueda de 2018 de Airbnb dice que sustituir una función de puntuación manual por un modelo de árboles de decisión con gradient boosting dio una de las mayores mejoras escalonadas en reservas en la historia de la empresa, antes de que las ganancias se estancaran.
• El artículo Journey Ranker de Airbnb describe a huéspedes que pasan semanas comparando opciones, anfitriones que pueden rechazar o cancelar solicitudes y la necesidad de equilibrar en el ranking las preferencias del huésped y del anfitrión.
• La documentación de Algolia define la tasa de cero resultados como el porcentaje de búsquedas sin resultados.

Lecturas relacionadas

• Densidad de un marketplace
• Marketplace gestionado
• Embudo de conversión de un marketplace
• Descubrimiento de precios en un marketplace
• Reserva inmediata vs. solicitud de reserva
• Calidad de la oferta en un marketplace
• Ingresos por publicidad de un marketplace