Busca interna, navegação facetada e discovery por IA: a vitrine que entende intenção

A barra de busca da sua loja é o equipamento mais subaproveitado do e-commerce brasileiro. A maioria das operações a trata como um campo de texto que casa palavra com produto e devolve uma lista. Quem pensa assim está jogando fora o único lugar do site em que o cliente declara, com as próprias palavras e sem intermediário, exatamente o que quer comprar. A busca interna não é um recurso de site; é um sensor de intenção, e o e-commerce que aprende a lê-la enxerga a demanda antes da concorrência.

A tese deste guia contraria o instinto de quem mede busca por tempo de carregamento e disponibilidade. O indicador que importa não é se a busca funciona; é quantas vezes ela falha em silêncio. Cada busca que devolve “nenhum resultado” é um cliente com intenção altíssima sendo dispensado na porta, e a maioria não volta para tentar de novo. A busca semântica, a navegação facetada e a recomendação não são três features separadas: são a mesma camada de inteligência de intenção, e tratá-las como uma só é o que diferencia uma vitrine que entende o cliente de uma que só reconhece texto.

Este guia desce ao nível de operação. O guia PDP e busca na era da descoberta por IA apresenta a tese panorâmica de que a descoberta migrou para fora do site; aqui, o foco é a mecânica de dentro — como a busca interna casa intenção, por que o zero-results rate é uma métrica de receita e como a navegação que você desenha para humanos vira a infraestrutura que os agentes leem.

Por que a busca interna virou um sensor de intenção?

Resposta direta: porque é o único ponto do site onde o cliente declara o que quer com as próprias palavras, sem escolher dentro de um menu que você desenhou. Navegação revela o que você ofereceu; busca revela o que o cliente realmente procura. A distância entre as duas é o seu mapa de oportunidade.

Quando alguém clica num menu, está escolhendo dentro das opções que você previu. Quando alguém digita na busca, está revelando intenção crua — inclusive intenção que você não previu. Essa diferença é o que faz da busca interna a fonte de dado de demanda mais honesta que existe. Pesquisa de mercado pergunta o que a pessoa acha que quer; a busca registra o que ela foi, naquele instante, com dinheiro na mão, tentar comprar.

O contexto brasileiro torna esse sensor ainda mais valioso. O e-commerce nacional faturou R$ 235,5 bilhões em 2025, alta de 15,3% sobre 2024 (ABComm, fev./2026), com 94,2 milhões de compradores online ativos. Esse volume de busca é um fluxo contínuo de declarações de intenção que a maioria das lojas registra e descarta. O dado já está sendo gerado; falta capturá-lo.

O que a busca diz que a navegação esconde?

A busca diz três coisas que o menu nunca dirá. Primeiro, a linguagem real do cliente: ele chama o produto de “blusa de frio”, não de “moletom canguru SKU 4471”. Segundo, a demanda que você não atende: buscas recorrentes por algo que não está no catálogo são um pedido de sortimento documentado. Terceiro, a intenção composta: “vestido de festa até R$ 400 com entrega em 3 dias” não é uma palavra-chave, é um job inteiro com faixa de preço e prazo embutidos. Ler essas três camadas transforma a busca de utilitário em inteligência.

O que separa busca semântica de busca por palavra-chave?

Resposta direta: a busca por palavra-chave casa o texto digitado com o texto cadastrado e falha quando o cliente usa outro vocabulário. A busca semântica entende a intenção por trás das palavras e recupera o produto certo mesmo quando o cliente o chama por um nome que você não usou no catálogo.

A busca por correspondência exata é frágil por natureza. O cliente busca “tênis para corrida na esteira”; o seu cadastro diz “calçado esportivo indoor”; a busca devolve zero resultados, e a venda morre. O problema não está na falta de produto — você tem o produto —, mas na ausência de ponte entre a linguagem do cliente e a linguagem do catálogo, normalmente herdada do ERP.

A busca semântica, ou busca vetorial, resolve isso ao representar tanto a consulta quanto os produtos como vetores de significado. Em vez de comparar letras, ela compara sentidos. “Sapato para casamento na praia” e “sandália social para festa ao ar livre” ficam próximos no espaço de significado e recuperam o mesmo conjunto de produtos, mesmo sem compartilhar uma única palavra. Para o cliente, parece que a loja finalmente entendeu o que ele quis dizer.

A tabela abaixo compara as duas lógicas em situações reais do varejo especializado brasileiro.

Busca do cliente	Cadastro no catálogo	Busca por palavra-chave	Busca semântica
”blusa de frio para trilha"	"moletom técnico outdoor”	Zero resultados	Recupera o moletom técnico
”óculos para dirigir à noite"	"lente antirreflexo com filtro”	Zero ou resultado fraco	Recupera a lente certa
”aliança que não escurece"	"anel folheado a ródio”	Zero resultados	Recupera a peça com banho de ródio
”tênis 38 para academia"	"calçado esportivo indoor nº 38”	Depende da grafia exata	Recupera com a numeração filtrada

A busca por palavra-chave pune o cliente por não falar a língua do seu ERP. A busca semântica assume que a obrigação de traduzir é da loja, não de quem está tentando comprar. Essa inversão de responsabilidade é a diferença entre uma venda e um zero-results.

Por que o zero-results rate é uma métrica de receita?

Resposta direta: porque cada busca sem resultado é um cliente de intenção altíssima sendo recusado em silêncio. Diferente de quem navega à toa, quem busca já sabe o que quer. A taxa de zero resultados mede receita declarada e perdida — e a maioria desses clientes não tenta uma segunda vez.

O zero-results rate é, entre os KPIs da busca, o que mais se aproxima de medir dinheiro deixado na mesa. A ontologia deste portal lista, para o tópico de busca e descoberta, os indicadores que importam: search conversion, zero-result rate, CTR de recomendação e revenue per search. Desses, o zero-results é o mais acionável porque cada ocorrência aponta para uma causa específica e corrigível.

São três as causas, e cada uma pede uma ação diferente. A lacuna de sortimento — o cliente quer algo que você não vende — é um pedido de compra documentado, e buscas recorrentes pelo mesmo item ausente são a melhor pesquisa de demanda que existe. A lacuna de cadastro — você tem o produto, mas ele está descrito com palavras que o cliente não usa — se resolve com sinônimos, atributos e enriquecimento de dado. A lacuna de linguagem — o cliente chama o produto por um regionalismo ou gíria — se resolve com dicionário de sinônimos e, idealmente, com busca semântica.

Há um agravante brasileiro. Como 62% das compras online no Brasil em 2025 foram feitas por smartphone (Nuvemshop), e a conversão mobile é de 1,8% contra 3,2% no desktop, a tolerância do cliente a uma busca que falha é ainda menor na tela pequena. No celular, digitar já dá trabalho; uma busca que devolve vazio depois desse esforço quase sempre encerra a sessão. Cada ponto de zero-results rate pesa mais no canal que mais converte em volume e menos em taxa.

Como transformar zero-results em sortimento e cadastro?

O caminho é operacional e barato. Exporte semanalmente as buscas que retornaram vazio, ordene por frequência e separe em duas pilhas: “não tenho o produto” e “tenho, mas não acho”. A primeira pilha vai para o time de compras como sinal de demanda real. A segunda vira backlog de enriquecimento de catálogo — sinônimos, atributos faltantes, descrições reescritas na linguagem do cliente. Esse trabalho de transformar busca em dado de catálogo conversa diretamente com o guia structured data e catálogo machine-readable, porque o mesmo atributo que melhora a sua busca interna é o que torna o produto recuperável por um agente externo.

Como a navegação facetada serve humanos e agentes ao mesmo tempo?

Resposta direta: as facetas que um cliente filtra na tela — cor, tamanho, preço, prazo, material — são exatamente os critérios que um agente de IA aplica para incluir ou descartar a sua oferta. Desenhar boa navegação facetada é, ao mesmo tempo, melhorar a experiência humana e construir a infraestrutura que os agentes leem.

A navegação facetada deixou de ser um luxo de usabilidade e virou camada dupla. Para o humano, ela reduz um catálogo de milhares de itens a uma lista gerenciável: filtra por numeração, por faixa de preço, por disponibilidade. Para o agente, cada faceta é um critério estruturado de decisão. Quando um cliente pede a um assistente “tênis de corrida nº 41, até R$ 500, com entrega em três dias”, o agente está aplicando, por baixo, exatamente as facetas que você expôs — ou deixou de expor.

É aqui que o varejo especializado brasileiro ganha ou perde. A complexidade desses segmentos exige facetas que o generalista ignora: moda vive de grade de cor, tamanho e coleção; calçados, da curva de numeração; joalheria, de material, banho e certificado; óticas, de grau, tipo de lente e tratamento. Cada uma dessas dimensões é, ao mesmo tempo, um eixo de navegação humana e uma faceta que o agente precisa conseguir filtrar. Uma loja que não expõe a numeração de calçado como faceta recuperável mapeou o desejo do cliente e perdeu a venda mesmo assim.

A recomendação fecha o triângulo. No varejo especializado, “quem viu também viu” é fraco demais; o que vale é recomendação que entende compatibilidade e ocasião. Sugerir a lente compatível com a armação escolhida, o tamanho de anel que combina com o pingente, o tênis da numeração que o cliente costuma comprar — isso é recomendação que conhece o domínio. A ontologia mede esse trabalho por CTR de recomendação e revenue per search, e ambos sobem quando a sugestão respeita a estrutura real do produto, não a coocorrência cega de cliques.

Onde o time mais erra ao tratar busca e descoberta?

O primeiro erro é medir a busca pela ótica de TI, não de receita. O time olha latência, uptime e índice atualizado, dá tudo verde e considera a busca resolvida. Mas uma busca rápida que devolve vazio para 12% das consultas está falhando exatamente onde dói. A métrica de saúde da busca é o zero-results rate e a search conversion, não o tempo de resposta.

O segundo erro é deixar a busca falar a língua do ERP. O catálogo herda nomes internos — código de coleção, linha de produto, nomenclatura de fornecedor — e a busca casa esses nomes, não a linguagem do cliente. O resultado é uma loja que só encontra o produto se você souber o nome que a empresa deu a ele. Buscar bem é falar a língua do job, e o cliente quase nunca usa o dialeto interno da operação.

O terceiro erro é ignorar o relatório de buscas. As consultas dos clientes ficam registradas, mas ninguém abre o relatório. É como ter um focus group rodando 24 horas por dia e nunca ler a transcrição. As buscas mais frequentes dizem o que destacar na home; as buscas sem resultado dizem o que comprar e o que recadastrar; as buscas compostas dizem quais facetas faltam. Esse dado é gratuito, contínuo e quase sempre desperdiçado.

A fronteira de 2027: da busca interna ao agente que busca por você

Em 2027, a busca relevante deixa de acontecer só dentro do seu site. O tráfego de busca por IA já converte cerca de nove vezes mais que o de redes sociais (Salesforce, festas 2025), e os protocolos de commerce agêntico — UCP anunciado na NRF em jan./2026, ACP estabilizado em v1.0 em abr./2026 — estão padronizando como um agente externo consulta catálogos. A consequência é que a sua busca interna e a busca do agente externo convergem: ambas decompõem intenção em critérios e procuram a melhor resposta para cada um. A loja que estruturou atributos, sinônimos e facetas para a própria busca interna chega a 2027 com a lição de casa feita para ser encontrada pelo agente de fora. A que tratou busca como campo de texto vai descobrir que ficou invisível para os dois — para o cliente que digita e para o agente que filtra antes dele.

O que decidir nesta semana

• Puxe o relatório de zero-results dos últimos 30 dias, ordene por frequência e separe em duas pilhas: “não tenho o produto” (vai para compras) e “tenho, mas não acho” (vira backlog de cadastro e sinônimos). Comece pelos dez termos mais buscados sem resultado.
• Pegue as cinco buscas mais frequentes da sua loja e verifique se cada produto certo aparece nas três primeiras posições. Onde não aparecer, ajuste o ranking ou enriqueça o cadastro com a linguagem do cliente, não a do ERP.
• Mapeie, por vertical, as facetas críticas do seu catálogo — numeração para calçado, grade para moda, banho e certificado para joia, grau e tratamento para ótica — e confirme que cada uma está exposta como filtro recuperável, não escondida na descrição.
• Estabeleça o zero-results rate e a search conversion como métricas de acompanhamento semanal, ao lado de latência e uptime, e atribua a alguém de produto ou comercial, não só de TI, a responsabilidade por reduzi-las.
• Teste a sua busca como um agente faria: escreva três jobs compostos (“tênis nº 41 até R$ 500 com entrega rápida”) e veja se a loja consegue filtrar cada critério. Onde a busca falhar, você encontrou o ponto exato em que está sendo descartado por humanos e por máquinas ao mesmo tempo.