Ricerca intelligente per e-commerce: oltre SQL LIKE

La ricerca è la funzionalità più utilizzata negli e-commerce con cataloghi superiori a qualche centinaio di prodotti. Quando funziona bene, è invisibile — il cliente digita, trova, acquista. Quando funziona male, il cliente digita "scarpe bianche", non trova le "Scarpe Bianche" presenti nel catalogo, e va ad acquistare dalla concorrenza. Le ricerche UX del Baymard Institute mostrano costantemente che una ricerca scadente è correlata con perdite di conversione fino al 30% tra gli utenti che la utilizzano.

Il problema inizia quando gli e-commerce implementano la ricerca con SQL LIKE '%scarpe%'. Funziona per i casi esatti, fallisce per tutto il resto: accenti, plurale/singolare, errori di digitazione, sinonimi, ordine delle parole. La soluzione per una ricerca rilevante in produzione passa per motori specializzati.

Il Problema di SQL LIKE per le Ricerche in Produzione

LIKE in SQL è una ricerca per sottostringa. Trova esattamente quello che hai digitato, nell'ordine in cui l'hai digitato, senza tolleranza alle variazioni. In pratica, questo significa:

• "scarpe" non trova "Scarpe" (maiuscola)
• "jeans bermuda" non trova "bermuda jeans" (ordine diverso)
• "telefno" non trova "telefono" (errore di digitazione)
• "smartphone" non trova "cellulare" (sinonimo)
• Le performance degradano esponenzialmente con la crescita del catalogo

Inoltre, LIKE '%termine%' non usa gli indici in modo efficiente — la query esegue una scansione full-table su tabelle grandi, generando lentezza che impatta direttamente l'esperienza.

ILIKE di PostgreSQL e FULLTEXT INDEX di MySQL risolvono parte del problema (maiuscole/minuscole, ricerca per parole singole), ma non gestiscono ancora fuzzy search, sinonimi o ranking per rilevanza. Sono miglioramenti marginali su un approccio fondamentalmente inadeguato per una ricerca seria.

Elasticsearch vs Algolia vs Typesense: Confronto

Le tre opzioni dominano il mercato della ricerca per e-commerce, con profili molto diversi:

Criterio	Elasticsearch	Algolia	Typesense
Modello	Self-hosted / Cloud	SaaS	Self-hosted / Cloud
Costo (catalogo medio)	€50-200/mese (infra)	€500-2.000/mese	€30-100/mese (Cloud)
Latenza di ricerca	50-200ms	1-10ms	5-50ms
Configurazione iniziale	Alta	Bassa	Media
Fuzzy search	Configurabile	Automatico	Automatico
Sinonimi	Sì	Sì	Sì
Ranking personalizzato	Alto controllo	Medio controllo	Medio controllo
Scalabilità	Molto alta	Alta (gestita)	Alta
Ideale per	Operazioni complesse, alto volume	Team senza specialisti search	Alternativa open-source ad Algolia

Elasticsearch è la scelta per operazioni che necessitano controllo massimo: ranking personalizzato con segnali multipli (vendite, margine, stock, comportamento dell'utente), analisi dei log di ricerca, correlazione con altre fonti di dati. La curva di apprendimento è alta — configurare analizzatori di testo per l'italiano, mapping dei campi e strategie di rilevanza richiede competenze specializzate.

Algolia è la scelta quando la velocità di implementazione conta più del controllo. L'API è semplice, il dashboard permette di regolare il ranking senza codice e le performance di 1-10ms sono difficili da battere. Il costo scala con il volume di operazioni, il che può renderlo caro per e-commerce ad alto traffico.

Typesense è l'alternativa open-source con UX simile ad Algolia. Può essere self-hosted, eliminando il costo SaaS. La documentazione è eccellente e feature come fuzzy search e sinonimi funzionano bene senza configurazione estesa. Per team che vogliono il comfort di Algolia senza il costo, Typesense è la scelta naturale.

Autocomplete, Fuzzy Search e Sinonimi

Tre feature che trasformano l'esperienza di ricerca:

Autocomplete suggerisce termini mentre l'utente digita. L'implementazione efficiente usa un indice separato di suggerimenti (basato sulla cronologia delle ricerche convertite, non solo sul catalogo) con debounce di 200-300ms per evitare richieste eccessive. L'autocomplete dovrebbe dare priorità a categorie e marchi, non solo a singoli prodotti.

// Ricerca con Typesense — fuzzy search + filtri + ranking
const risultato = await typesense.collections("prodotti").documents().search({
  q: termineDiRicerca,
  query_by: "nome,descrizione,marca,categoria,tag",
  query_by_weights: "4,2,3,2,1", // Peso maggiore per nome e marca
  num_typos: 2,           // Tolleranza a 2 errori di digitazione
  typo_tokens_threshold: 1,
  filter_by: `stock:>0 && attivo:true`, // Solo prodotti disponibili
  sort_by: "_text_match:desc,vendite_30g:desc,margine:desc",
  facet_by: "categoria,marca,fascia_prezzo",
  per_page: 24,
  highlight_full_fields: "nome,marca",
});

Fuzzy search gestisce gli errori di digitazione usando la distanza di modifica (algoritmo di Levenshtein o simile). Una fuzzy search con tolleranza di 1-2 caratteri risolve "camicia" vs "camiccia", "telefono" vs "telefno", "samsung" vs "samsng". La calibrazione è importante: una tolleranza troppo alta restituisce risultati irrilevanti.

I sinonimi richiedono cura manuale ma hanno un alto impatto. "Smartphone" e "cellulare", "notebook" e "laptop", "scarpe" e "calzature" sono sinonimi che gli utenti alternano e che le ricerche letterali non risolvono. Molti motori permettono sinonimi bidirezionali e unidirezionali — "smartphone → cellulare" può essere unidirezionale se i prodotti sono indicizzati come "cellulare" ma gli utenti digitano "smartphone".

Ranking per Rilevanza, Vendite e Margine

Ordinare i risultati per pura rilevanza testuale è insufficiente. Un prodotto che appare primo nei risultati ma ha zero vendite negli ultimi 30 giorni probabilmente non è quello che il cliente vuole. Il ranking in un e-commerce professionale combina segnali multipli:

Rilevanza testuale: Il motore di ricerca calcola un punteggio di similarità tra il termine cercato e i campi indicizzati. Questo è il punto di partenza.

Segnali di popolarità: Vendite negli ultimi 7/30/90 giorni, numero di visualizzazioni, click-through rate nei risultati di ricerca (CTR) e tasso di conversione dalla ricerca al prodotto. I prodotti popolari sono generalmente i più rilevanti per l'utente.

Segnali di business: Margine di contribuzione, prodotti sponsorizzati, prodotti in promozione attiva, prodotti con alto stock (evitare la frustrazione dell'"esaurito" subito dopo aver cliccato). Il business può voler classificare i prodotti con margine maggiore sopra alternative ugualmente rilevanti.

Segnali di disponibilità: I prodotti fuori stock dovrebbero apparire per ultimi o fuori dai risultati principali. Mostrare prodotti non disponibili in cima distrugge l'esperienza.

La combinazione di questi segnali forma un punteggio composto. Strumenti come Elasticsearch permettono scripted query che calcolano punteggi personalizzati combinando tutti questi fattori. Algolia e Typesense hanno sort_by con più campi, ma meno flessibilità per scoring complesso.

Un pattern efficace è creare un campo ranking_score calcolato offline (aggiornato quotidianamente o in tempo reale tramite evento di vendita) e usarlo per l'ordinamento:

ranking_score = rilevanza_testo * 0.4
               + normalizzare(vendite_30g) * 0.3
               + normalizzare(margine) * 0.2
               + boost_promozione * 0.1

Conclusione

Una ricerca rilevante non è un lusso per grandi e-commerce — è una necessità per qualsiasi negozio con più di 200 prodotti. La differenza tra SQL LIKE e un motore dedicato si traduce direttamente in conversione: gli utenti che trovano quello che cercano acquistano; gli utenti che non trovano se ne vanno.

L'implementazione corretta — scelta del motore adeguato al profilo dell'operazione, configurazione degli analizzatori di testo per l'italiano, sinonimi curati, ranking con segnali di business — richiede esperienza per evitare mesi di trial and error. In SystemForge, implementiamo soluzioni di ricerca per e-commerce da zero, inclusa l'integrazione con Elasticsearch, Algolia e Typesense, con dashboard di analytics per monitorare i termini senza risultati e le opportunità di cura. Parla con il nostro team.