El tendero de barrio no compra para consumir. Compra para revender.
Por qué el buscador de Chiper no podía copiar a Amazon.
Sr. Product Designer · Chiper · 2022
01 · El problema
Don Pepe buscaba una marca específica y no aparecía.
El buscador respondía a la palabra, no al negocio que Don Pepe surtía.
Entra por el producto de la marca que piden sus clientes, la que rota a diario. El buscador le devuelve otras marcas que no son la suya y productos que solo comparten la palabra “arroz”, como avena de arroz o bebidas de arroz. Él se va sin comprar.
02 · El método
8 tiendas de barrio en Bogotá.
Shadowing en campo. Cruce con data histórica.
Visitamos tiendas con una compañera de research y observamos cómo surtían: cuántos proveedores atendían, qué pedían, cómo pedían, con qué frecuencia. Después crucé ese campo con la data interna de queries y compras históricas. El campo dio las preguntas; la data, los patrones.
03 · El insight que ordenó todo
Los tenderos buscan por marca, no por categoría.
El cruce entre observación y data reveló el patrón.
Casi nadie buscaba “arroz” a secas. Buscaban “arroz Diana” — producto + marca. Eso cambió una decisión de arquitectura: los filtros no debían ser por categoría, debían ser por marca. Don Pepe ya sabe qué quiere. Solo necesita encontrar la marca que lleva.
04 · El giro de lógica
Invertir la lógica: del consumo a la rotación.
B2C recomienda por similitud. B2B debe recomendar por co-compra.
En vez de responder “¿qué productos se parecen a lo que buscaste?”, empezamos a responder “¿qué compran los negocios como el tuyo junto a esto?”. Eso es todo. Pero cambia todo.
Resultados con lógica B2C — productos por similitud de palabra.
Resultados con lógica B2B — co-compra del tendero como filtro.
Cada cambio respondía a cómo realmente compra un tendero.
No fue un rediseño de 20 features. Fueron 4 decisiones puntuales.
4.1
Home del search alineado a lo que el tendero realmente busca
Acceso rápido en la home del buscador con “Buscaste y llevaste” + “Bajaron de precio”: productos que ya compró antes y hoy están más baratos. Don Pepe no busca lo que siempre lleva: lo tiene ahí y ahora sabe que está más barato. La tríada que más motiva una compra: necesidad, oferta, menor precio.
4.2
Búsquedas recientes con contexto
4.3
Resultados de typing con Ad labels
4.4
Resultados + co-purchase
05 · Cómo se aprobó
Una conversación con el VP de Tecnología y Producto.
Un solo diagrama cerró la decisión.
Sin deck ni comité. Mostré la realidad de las tiendas y cómo cada decisión de diseño respondía a un problema observado. La aprobación cerró ahí.
Brayan Acebo
VP Tech n' Product · Chiper 2022–2025
Imagen recreada con IA para ilustrar la reunión. La conversación existió; la captura no.
06 · Resultados
Seis semanas.
Un sprint de diseño, dos de desarrollo.
Las features siguen vivas en producción hoy, tres años después.
+8%
Conversión de búsqueda
+13%
Cross-selling
−10%
Tiempo de consulta
“Don Pepe ahora encuentra lo que necesita. Y cuando no está, el sistema le sugiere algo que sí tiene sentido para su negocio.”
07 · Lo que haría diferente hoy (2026)
¿Qué haría hoy usando AI?
En 2022 hice un sistema reactivo. En 2026 sería predictivo.
Con las capacidades de IA actuales, la pregunta no sería “cómo mejorar lo que Don Pepe busca”, sino “¿y si no tuviera que buscar?”. Un sistema predictivo podría:
- ·Anticipar el pedido semanal según su patrón (cada martes: arroz, aceite, panela). Pre-armado al abrir la app.
- ·Detectar fin de stock cruzando frecuencia de compra con tiempo. Si compra leche cada 5 días y van 4, avisar.
- ·Sugerir productos con contexto de zona: no “popular en la app” sino “tiendas como la tuya en tu barrio están vendiendo esto y les funciona”.
- ·Ajustar precios y promociones en tiempo real según demanda zonal, inventario y margen.
“El diseño de 2022 mejoró la búsqueda. El diseño de 2026 reduciría la necesidad de buscar.”