Considerazioni e test aggiuntivi

È necessario tenere conto di ulteriori considerazioni per le best practice e per testare l'interfaccia dell'agente conversazionale.

Implementare le best practice

Tieni presente le seguenti best practice quando implementi l'interfaccia dell'agente conversazionale:

• Coerenza dell'ID visitatore: contribuisci a garantire che un visitor_id univoco venga inviato in modo coerente con ogni richiesta per un determinato utente finale. Questo è fondamentale per una personalizzazione e un addestramento del modello accurati. Idealmente, questo identificatore dovrebbe rimanere coerente per un utente finale tra le sessioni e gli stati di accesso e disconnessione.
• Gestione dei rami: sebbene default_branch sia comune, assicurati di utilizzare l'ID ramo corretto se il catalogo dei prodotti è strutturato con più rami.
• Interazione con l'API Search: per SIMPLE_PRODUCT_SEARCH e per tutti i casi in cui viene fornito refined_search, ricordati di effettuare una chiamata separata all'API Search principale (SearchService.Search) utilizzando la query dal campo refined_search o la query originale per ottenere le schede di prodotto effettive. L'API Conversational si concentra principalmente sull'esperienza conversazionale e sulla comprensione dell'user intent anziché restituire direttamente i risultati dei prodotti.
• Progetto dell'interfaccia utente: progetta l'interfaccia web in modo da presentare chiaramente le opzioni conversational_text_response, followup_question e refined_search in modo intuitivo per guidare l'utente.

Configurare gli attributi per la generazione di LLM

Per assicurarti che l'agente conversazionale possa generare risposte, gli attributi devono essere impostati su Recuperabile in Controlli attributi.

Se un attributo è Indicizzabile ma non Recuperabile, l'agente conversazionale troverà il prodotto, ma non potrà leggere i dettagli per rispondere alle domande dell'utente. L'agente conversazionale spesso attiva una risposta di fallback, ad esempio Ci dispiace, non abbiamo questo prodotto.

Per questo motivo, devi impostare gli attributi semantici (Title, Description, Brand, Specs) su Recuperabile: True in modo che l'LLM possa utilizzarli. Imposta gli attributi dell'interfaccia utente o dell'app (BrandID, SkuID) su Recuperabile: True se il frontend li richiede per il rendering. Imposta i metadati del backend su Recuperabile: False per ottimizzare l'utilizzo della finestra contestuale.

Pianificare i test A/B

Sebbene la pertinenza sia una metrica di input importante, AI Commerce Search tiene conto anche di altre variabili con l'obiettivo di ottimizzare i risultati aziendali:

Metriche
Entrate per visita (RPV)	Le entrate per visita sono la metrica più efficace per il rendimento della ricerca, in quanto tengono conto del tasso di conversione, dell'AOV e della pertinenza.
Conversione: valore medio dell'ordine (AOV)	Sia la percentuale di conversione sia l'AOV contribuiscono all'RPV.
Pertinenza: acquistabilità: prezzo	La pertinenza, tra gli altri input, viene utilizzata per produrre risultati di ricerca con un rendimento elevato.

Elenco di controllo per l'idoneità ai test A/B

Queste sono le metriche di successo utilizzate:

Entrate per visita (RPV)

Tasso di conversione (CVR)

Eventi di aggiunta al carrello

Percentuale di clic

Elemento	Definizione	Fase
Schema di attribuzione degli eventi	Collabora con Google per segmentare correttamente gli eventi utente per la misurazione.	Pre-esperimento
Monitoraggio degli input di dati	Possibilità di comprendere rapidamente quando i dati di addestramento contengono anomalie che potrebbero influire sul rendimento.	Pre-esperimento
Copertura degli eventi	Stiamo strumentando tutti i risultati possibili associati alle sessioni di ricerca o di AI per le raccomandazioni?	Pre-esperimento
Criteri di successo misurabili	Definizione di "fine" documentata (in termini misurabili).	Pre-esperimento
Possibilità di misurare i bias dell'esperienza utente	Garantisci un'esperienza utente coerente tra i gruppi sperimentali.	Durante l'esperimento
Coerenza tra i dati VAIS e il consumo	Verifica che i token di attribuzione, i filtri, l'ordinamento, l'offset e così via vengano passati dall'API a UserEvents. Gli ID visitatore/utente corrispondono tra gli eventi e le richieste API.	Durante l'esperimento
Approvazione per l'ottimizzazione durante l'esperimento	Pianifica le attività di ottimizzazione, documenta le modifiche, regola le misurazioni e l'interpretazione di conseguenza.	Durante l'esperimento

Implementare il proof of concept o il minimum viable product

Acquisizione dei dati	Progettazione dei test A/B	Metriche delle prestazioni	Governance e processo
Importazione del catalogo dei prodotti aggiornato e completo Rispetto dei metodi di importazione degli eventi consigliati per garantire la sincronizzazione dei dati tra Google e la tua attività. Google consiglia di monitorare gli eventi in tempo reale, inclusi i dati sulle impressioni. Passa gli attributi necessari, come gli ID esperimento e gli ID visitatore, e implementa correttamente i token di ricerca, ove applicabile.	Incorpora le best practice per gli esperimenti per garantire risultati affidabili: Verifica l'integrazione. Testa una singola modifica alla volta. Evita la memorizzazione nella cache aggressiva. Garantisci l'equità dell'interfaccia web tra il test e il controllo. Garantisci l'equità del traffico con la suddivisione del traffico utilizzando l'ID visitatore. Garantisci la coerenza dei dati di prodotto. Applica le stesse regole aziendali al test e al controllo.	Tutti i criteri di valutazione devono essere empirici, misurati oggettivamente e basati sulle metriche. L'allineamento delle definizioni esatte delle metriche monitorate è fondamentale per misurare il rendimento con precisione. Le metriche standard monitorate includono: CTR di ricerca (pertinenza dei risultati) Tasso di ricerca nulla (comprensione dell'intento) Entrate per visitatore / Entrate per utente Numero di ricerche da convertire	L'integrazione dei dati, i test, il lancio delle funzionalità e l'ottimizzazione saranno un processo iterativo che richiede risorse.

Esempio di cadenza dell'esperimento

Soddisfare le dipendenze del minimum viable product	Calibrare la misurazione	Eseguire il deployment della modalità Buio di produzione	Decisione di andare avanti o meno
Contratto Modello addestrato e configurazioni di pubblicazione Acquisizione di dati di prodotto e dati sugli eventi	Confronta i dati (client) con la telemetria di ricerca di Commerce e modificali di conseguenza Allineati alle baseline di misurazione	Esegui la valutazione offline Ottimizza le configurazioni Test A/A per verificare la suddivisione del traffico	Ottieni l'approvazione del QA Impegnati a procedere con l'aumento

Test in corso	Aumenta fino a X% del traffico	Misura, modifica e ripeti	Aumenta fino a X% del traffico in tempo reale
Continua l'ottimizzazione Testa le funzionalità incrementali	Analizza il rendimento nei segmenti di ricerca Apporta eventuali modifiche a modelli/regole	Verifica incrociata del rendimento Identifica e spiega le anomalie	Avvia l'esperimento Condividi le metriche sul rendimento ogni giorno Esegui l'ottimizzazione

Componenti di un esperimento di successo

Calibra le misurazioni e stabilisci i criteri di successo	Mantieni l'equità dell'esperimento	Monitora la qualità dei dati
Pianifica il tempo per verificare la coerenza del catalogo, degli eventi utente e del consumo dell'API prima del lancio ufficiale. Stabilisci in anticipo criteri di successo quantificabili (idealmente, espressi come una modifica dell'RPV). Identifica e spiega in modo proattivo le regressioni o le anomalie, quindi correggile. Condividi spesso le misurazioni, comprendi e documenta le definizioni delle metriche nei gruppi sperimentali.	Riduci al minimo le differenze dell'esperienza utente tra i segmenti (layout e immagini comuni, solo dati diversi). Tieni presente le regole di merchandising / aziendali (assicurati che non introducano bias).	Misura la variazione del catalogo. Annota correttamente i risultati dell'esperimento (tramite eventi utente).

Ruoli e proprietà dell'esperimento

	Google	Tu
Valutazione della qualità	Risultati della ricerca di Commerce	Impatto sull'esperienza utente
Misure	Backup/convalida	Autorevole
Telemetria/dati	Volumetria della piattaforma (convalida del rendimento) Anomalie di eventi e indici	Token di attribuzione e passaggi per riprodurre (convalida dei problemi)
Piattaforma di ricerca	Elementi a livello di prodotto Mappatura dei dati Modifiche a modelli/addestramento Anomalie di qualità/pubblicazione Quote/limiti della piattaforma Difetti della libreria client/prodotto	Elementi di query/pubblicazione Aumento delle richieste (inclusi routing di contesto, memorizzazione nella cache ed elaborazione dell'intento) Configurazioni di pubblicazione (ottimizzazione) Arricchimento dei dati di origine Rendimento del client (ad esempio, thread WC) Difetti di UX/API/piattaforma/libreria
Andare avanti o meno	Consigliare	Approvare

Eseguire esperimenti nella console

1. Vai alla pagina Esperimenti nella console AI Commerce Search su Gemini Enterprise for Customer Experience.
   
   Vai alla pagina Esperimenti

2. Utilizza la console per l'analisi self-service avanzata per l'onboarding di AI Commerce Search e i test A/B applicando la metodologia di attribuzione di Google:

• Monitora la segmentazione del traffico, le metriche aziendali e il rendimento di ricerca e navigazione.

• Applica le metriche a livello di visita per ricerca sia alla ricerca per parole chiave sia alla navigazione.

• Visualizza il rendimento dell'esperimento come una serie temporale con metriche di significatività statistica.

• Utilizza la piattaforma Looker incorporata.