Consideraciones y pruebas adicionales

Se deben tener en cuenta consideraciones adicionales para las prácticas recomendadas y las pruebas de la interfaz de tu agente conversacional.

Implementa las prácticas recomendadas

Considera estas prácticas recomendadas cuando implementes la interfaz de tu agente conversacional:

• Coherencia del ID de visitante: Ayuda a garantizar que se envíe un visitor_id único de forma coherente con cada solicitud para un usuario final determinado. Esto es fundamental para la personalización precisa y el entrenamiento de modelos. Lo ideal es que este identificador se mantenga coherente para un usuario final en todas las sesiones y los estados de acceso o cierre de sesión.
• Administración de sucursales: Si bien default_branch es común, asegúrate de usar el ID de sucursal correcto si tu catálogo de productos está estructurado con varias sucursales.
• Interacción con la API de Search: Para SIMPLE_PRODUCT_SEARCH y cualquier caso en el que se proporcione refined_search, recuerda hacer una llamada independiente a la API de Search principal (SearchService.Search) con la query del campo refined_search o la consulta original para obtener los listados de productos reales. La API de Conversational se centra principalmente en la experiencia de conversación y la comprensión de la intención del usuario, en lugar de mostrar directamente los resultados de los productos.
• Diseño de la interfaz de usuario: Diseña tu interfaz web para presentar claramente las opciones conversational_text_response, followup_question y refined_search de una manera intuitiva para guiar al usuario.

Configura atributos para la generación de LLM

Para asegurarte de que el agente conversacional pueda generar respuestas, los atributos deben establecerse como Recuperables en tus Controles de atributos.

Si un atributo es Indexable, pero no Recuperable, el agente conversacional encontrará el producto, pero no podrá leer los detalles para responder las preguntas del usuario. El agente conversacional suele activar una respuesta alternativa, como Lo sentimos, no tenemos ese producto.

Por este motivo, debes establecer los atributos semánticos (Title, Description, Brand, Specs) como Recuperables: Verdadero para que el LLM pueda usarlos. Establece los atributos de la interfaz de usuario o de la app (BrandID, SkuID) como Recuperables: Verdadero si tu frontend los requiere para la renderización. Establece los metadatos de tu backend como Recuperables: Falso para optimizar el uso de la ventana de contexto.

Planifica pruebas A/B

Si bien la relevancia es una métrica de entrada importante, AI Commerce Search también tiene en cuenta otras variables con el objetivo de optimizar los resultados comerciales:

Métricas
Ingresos por visita (RPV)	Los ingresos por visita son la métrica más eficaz para el rendimiento de la búsqueda, ya que tienen en cuenta el porcentaje de conversiones, el AOV y la relevancia.
Conversión: Valor promedio del pedido (AOV)	El porcentaje de conversiones y el AOV contribuyen al RPV.
Relevancia: Capacidad de compra: Precio	La relevancia, entre otras entradas, se usa para producir resultados de la búsqueda de alto rendimiento.

Lista de tareas de preparación para pruebas A/B

Estas son las métricas de éxito que se usan:

Ingresos por visita (RPV)

Porcentaje de conversiones (CVR)

Eventos de agregar al carrito

Tasa de clics

Elemento	Definición	Etapa
Esquema de atribución de eventos	Trabaja con Google para segmentar correctamente los eventos del usuario para la medición.	Antes del experimento
Supervisión de las entradas de datos	Capacidad para comprender rápidamente cuando los datos de entrenamiento contienen anomalías que podrían afectar el rendimiento.	Antes del experimento
Cobertura de eventos	¿Estamos instrumentando todos los resultados posibles asociados con las sesiones de IA de búsqueda o recomendaciones?	Antes del experimento
Criterios de éxito medibles	Definición documentada de tareas que deben completarse (en términos medibles)	Antes del experimento
Capacidad para medir las tendencias de la UX	Garantiza una UX coherente en todos los grupos experimentales.	Durante el experimento
Coherencia entre los datos de VAIS y el consumo	Verifica que los tokens de atribución, los filtros, el orden, el desplazamiento, etc., se pasen de la API a UserEvents. Los VisitorIDs o UserIDs coinciden entre el evento y las solicitudes de la API.	Durante el experimento
Aprobación para realizar ajustes durante el experimento	Planifica las actividades de ajuste, documenta los cambios, ajusta las mediciones y la interpretación en consecuencia.	Durante el experimento

Implementa una prueba de concepto o un producto mínimo viable

Transferencia de datos	Diseño de pruebas A/B	Métricas de rendimiento	Administración y proceso
Transferencia de un catálogo de productos actualizado y completo Cumplimiento de los métodos recomendados de transferencia de eventos para garantizar la sincronización de datos entre Google y tú La recomendación de Google es realizar un seguimiento de eventos en tiempo real, incluidos los datos de impresiones. Transfiere los atributos necesarios, como los IDs de experimento y de visitante, y, cuando corresponda, implementa correctamente los tokens de búsqueda.	Incorpora las prácticas recomendadas de experimentación para garantizar resultados confiables: Verifica la integración. Prueba un solo cambio a la vez. Evita el almacenamiento agresivo en caché. Garantiza la equidad de la interfaz web entre la prueba y el control. Garantiza la equidad del tráfico con la división de tráfico mediante el ID de visitante. Garantiza la coherencia de los datos de productos. Aplica las mismas reglas comerciales en la prueba y el control.	Todos los criterios de evaluación deben ser empíricos, medirse de forma objetiva y basarse en métricas. Es fundamental alinear las definiciones exactas de las métricas que se registran para medir el rendimiento con precisión. Entre las métricas estándares que se registran, se incluyen las siguientes: CTR de la búsqueda (relevancia de los resultados) Tasa de búsquedas nulas (comprensión de la intención) Ingresos por visitante o ingresos por usuario Cantidad de búsquedas para convertir	La integración de datos, las pruebas, el lanzamiento de funciones y la optimización serán un proceso iterativo que requerirá recursos.

Ejemplo de cadencia de experimentos

Satisface las dependencias del producto mínimo viable	Calibra la medición	Implementa el modo oscuro de producción	Decisión de proceder o no proceder
Contrato Modelo entrenado y parámetros de configuración de entrega Transferencia de datos de productos y eventos	Compara los datos (del cliente) con la telemetría de la búsqueda de Commerce y realiza los ajustes necesarios. Alinea las líneas de base de medición.	Realiza una evaluación sin conexión. Ajusta las configuraciones. Realiza una prueba A/A para verificar la división de tráfico.	Obtén la aprobación del control de calidad. Comprométete a avanzar con la adaptación.

Pruebas en curso	Adaptación al X% del tráfico	Mide, ajusta y repite.	Adaptación al X% del tráfico en vivo
Continúa con el ajuste o la optimización. Prueba funciones incrementales.	Analiza el rendimiento en los segmentos de búsqueda. Realiza los ajustes necesarios en los modelos o las reglas.	Verifica el rendimiento. Identifica y explica las anomalías.	Inicia el experimento. Comparte las métricas de rendimiento diariamente. Realiza ajustes.

Componentes de un experimento exitoso

Calibra las mediciones y establece los criterios de éxito.	Mantén la equidad del experimento.	Supervisa la calidad de los datos.
Planifica el tiempo para verificar la coherencia del catálogo, los eventos del usuario y el consumo de la API antes del lanzamiento oficial. Establece criterios de éxito cuantificables por adelantado (lo ideal es que se expresen como un cambio en el RPV). Identifica y explica de forma proactiva las regresiones o anomalías, y luego corrígelas. Comparte las mediciones con frecuencia, comprende y documenta las definiciones de las métricas en todos los grupos experimentales.	Minimiza las diferencias de UX entre los segmentos (diseño y elementos visuales comunes, solo datos diferentes). Ten en cuenta las reglas comerciales o de merchandising (asegúrate de que no introduzcan tendencias).	Mide la desviación del catálogo. Anota correctamente los resultados del experimento (a través de eventos del usuario).

Roles y propiedad del experimento

	Google	Tú
Evaluación de calidad	Resultados de la búsqueda de Commerce	Impacto en la UX
Medidas	Copia de seguridad o validación	Autorizado
Telemetría o datos	Volumetría de la plataforma (validación del rendimiento) Anomalías de eventos y de índices	Tokens de atribución y pasos para reproducir (validación de problemas)
Plataforma de búsqueda	Elementos a nivel del producto Asignación de datos Ajustes de modelos o entrenamiento Anomalías de calidad o entrega Cuotas o límites de la plataforma Defectos de la biblioteca de productos o cliente	Elementos de consulta o entrega Aumento de solicitudes (incluido el enrutamiento de contexto, el almacenamiento en caché y el procesamiento de la intención) Parámetros de configuración de entrega (ajuste) Enriquecimiento de datos de origen Rendimiento del cliente (por ejemplo, subprocesos de WC) Defectos de la UX, la API, la plataforma o la biblioteca
Incluir o no incluir	Recomendar	Aprobar

Realiza experimentos en la consola

1. Ve a la página Experimentos en la consola de AI Commerce Search en Gemini Enterprise for Customer Experience.
   
   Ir a la página Experimentos

2. Usa la consola para obtener estadísticas avanzadas de autoservicio para la incorporación de AI Commerce Search y las pruebas A/B aplicando la metodología de atribución de Google:

• Supervisa la segmentación del tráfico, las métricas comerciales y el rendimiento de la búsqueda y la exploración.

• Aplica métricas por visita de búsqueda en la búsqueda por palabra clave y la exploración.

• Visualiza el rendimiento del experimento como una serie temporal con métricas de importancia estadística.

• Usa la plataforma Looker integrada.