Un producto bien titulado pero mal categorizado no aparece cuando el comprador filtra por talle, marca o color — aparece solo si el comprador escribe esas palabras exactas en el buscador. En MercadoLibre, los atributos deciden más que el título. Esta guía se enfoca en eso: cómo completarlos bien, sin cargar cientos de fichas a mano.

Por qué los atributos importan más de lo que parece

El buscador interno de MELI arma los filtros de cada categoría —talle, color, marca, material, capacidad— a partir de los atributos que cargó el vendedor, no del texto libre del título. Un comprador que busca “zapatillas running” y después filtra por “Talle 42” solo va a ver tu publicación si el atributo Talle está completo y correcto. Si quedó vacío, tu producto queda invisible para ese filtro aunque el título diga “talle 42” en texto plano.

Esto se agrava con el volumen: en un catálogo de cientos o miles de SKUs, completar atributo por atributo a mano es la parte que más tiempo consume de toda la catalogación — más que escribir descripciones.

El problema de fondo: 12.000+ categorías, cada una con su propio set

El árbol de categorías de MercadoLibre Argentina tiene más de 12.000 nodos, y cada categoría define su propio set de atributos obligatorios y opcionales. “Remeras” pide Marca, Género, Talle y Tipo de Cuello. “Zapatillas” pide Talle, Tipo de Calzado y Material de Suela. “Notebooks” pide RAM, Procesador y Almacenamiento. No hay una plantilla universal: cada categoría es un formulario distinto.

Para un catálogo que cruza varias categorías —indumentaria, calzado, accesorios— esto significa aprender y mantener actualizado un formulario distinto por cada una, y MELI los ajusta con cierta frecuencia.

Cómo se resuelve sin cargar categoría por categoría a mano

La alternativa a completar esto manualmente es tener el árbol completo de categorías de MELI precargado (en Catalogistan son 12.379 categorías de MercadoLibre Argentina) con sus atributos y valores permitidos ya mapeados, y asignar la categoría de cada producto por matching automático en lugar de elegirla a mano fila por fila.

Ese matching funciona en capas, de más específico a más general: primero se busca si la clave o código que ya usa el ERP tiene un mapeo directo a una categoría de MELI; si no, se compara el nombre de la categoría “hoja” del ERP contra el árbol de MELI; si tampoco hay match, se revisan alias declarados (sinónimos que el operador carga una vez, tipo “buzo” = “Sudadera con Capucha”); y como última capa, la primera palabra significativa del nombre del producto (“CAMISA RITA AZUL TALLE M” → categoría Camisas). Con nomenclatura de ERP razonablemente consistente, esto resuelve la categorización de la mayoría del catálogo sin que un operador revise producto por producto — y una vez asignada la categoría, los atributos de esa categoría los completa la IA según lo que sabe del producto (marca, color, material, talle) en vez de quedar en blanco esperando carga manual.

El caso especial del atributo Género

Género es uno de los atributos donde más se ve el costo de automatizar mal: una IA que solo mira la foto y “adivina” género se equivoca con frecuencia en productos unisex, de nicho, o donde la imagen no es concluyente. Producto mal generizado significa que aparece en el filtro equivocado — o en ninguno.

La forma correcta de resolverlo es jerárquica, con señales reales en orden de confiabilidad: primero, si el código del ERP tiene un prefijo o segmento reservado para género (muchos ERPs de indumentaria lo tienen); si no, el texto o nombre que carga el ERP; si tampoco, la sección o rubro del catálogo (por ejemplo, un catálogo separado en “Hombre” y “Mujer” a nivel de sección); y solo si ninguna de esas señales existe, recién ahí visión sobre la foto. Si ninguna señal es confiable, el atributo debería quedar vacío para revisión humana en vez de completarse con una IA adivinando — un atributo vacío se corrige rápido, uno mal cargado en un lote de miles pasa desapercibido y sigue penalizando posicionamiento.

La fórmula de título, en breve

El título no compite con los atributos en importancia, pero sigue sumando. La estructura que mejor funciona en MELI es [Producto] [Marca] [Modelo] [Atributo diferenciador] [Talle/Color/Capacidad] — con vocabulario que el comprador argentino efectivamente tipea, no español neutro. El desarrollo completo de esta fórmula, con ejemplos y los errores más comunes de título, está en la guía de carga masiva en MercadoLibre.

Errores de atributos que más bajan posicionamiento

1. Atributos obligatorios vacíos. Es el más común y el más costoso: la publicación queda activa pero invisible para cualquier búsqueda que filtre por ese atributo.

2. Género mal asignado por defecto. Sobre todo en catálogos con productos unisex, cuando la IA o el operador completan el campo “por las dudas” en lugar de dejarlo vacío ante la duda real.

3. Categoría genérica en vez de específica. Elegir “Indumentaria > Hombre > Ropa” cuando existe “Indumentaria > Hombre > Pantalones > Jeans” saca la publicación de los filtros específicos de esa subcategoría, aunque técnicamente esté “categorizada”.

4. Talle o color cargado como texto libre en vez de como atributo estructurado. El comprador que filtra por talle no ve la publicación si esa información solo existe en el título o la descripción.

5. Inconsistencia entre variantes de una misma publicación. Variantes de talle con atributos de marca o material distintos entre sí generan errores de validación y publicaciones pausadas.

Checklist antes de publicar un lote

  • ¿Cada categoría del lote tiene sus atributos obligatorios completos, no solo el título?
  • ¿El atributo Género está basado en una señal real (código, texto ERP, sección) y no en una suposición de la foto?
  • ¿Los productos están en la categoría más específica disponible, no en una genérica?
  • ¿Las variantes de talle/color tienen sus atributos propios completos, dentro de una sola publicación?
  • ¿Revisaste una muestra de productos con nomenclatura de ERP menos consistente, donde el matching automático de categoría es más probable que falle?

Próximo paso

Si tu catálogo es de indumentaria o calzado, las variantes de talle y color tienen reglas propias que van más allá de este post — están desarrolladas en la guía de catalogación para calzado e indumentaria en VTEX y MercadoLibre. Si publicás en más de un canal a la vez, la lógica de atributos por canal está en la guía completa de catalogación con IA.

Conocé Catalogistan o agendá una demo gratuita para ver la normalización de categorías y atributos aplicada a tu catálogo.