このページでは、Vertex AI Search for Commerce の会話型商品フィルタリングを実装するためのガイドを提供します。このドキュメントでは、中規模から大規模の小売業者が会話型の商品フィルタリングを導入する際に成功を収めるための、データに基づいたベスト プラクティスを紹介します。
Vertex AI Search for commerce の会話型商品フィルタリングは、大規模な商品カタログを操作する買い物客をガイドする AI 搭載ツールです。サイトのユーザーが広範な検索（「コーヒー テーブル」や「赤いドレス」など）を行い、数千件の検索結果が返された場合、会話型の商品フィルタリングでは、フォローアップの質問がインテリジェントに表示され、選択肢をすばやく絞り込むことができます。
ビジネス ユースケース
ガイド付き検索の会話型商品フィルタリング機能は、幅広い検索語句、あいまいな検索語句、非常にニュアンスのある検索語句に対応するように設計されています。フィルタを適用して結果を絞り込むと、収益とユーザー エンゲージメントの両方が大幅に向上します。
会話型の商品フィルタリングの主な目的は、買い物客が適切な商品をすばやく直感的に見つけられるようにすることです。
企業は会話型フィルタリングを使用して、次のことを行います。
- 商品検索を加速する: 関連性の高い質問をすることで、買い物客が膨大な商品の中から絞り込みをすばやく行えるようにします（たとえば、5,000 件のラグから数百件のターゲットを絞った結果に絞り込むなど）。
- パーソナライズを絞り込む: 質問と選択肢は、特定のクエリの過去のフィルタ使用データに基づいて、クエリごとにカスタマイズされます（コーヒー テーブルは、サイズよりも色でフィルタされることが多いため、色を最初に尋ねることができます）。
- 実装の簡素化: 色や幅などの商品属性に対して質問が事前に指定されており、属性ごとに 1 つの質問が設定されています。
一方向の会話
会話型の商品フィルタリングは、e コマース サイトでの買い物客の検索ジャーニー全体にわたって、一方通行の会話として機能します。AI モデルが買い物客に質問し、買い物客が回答します。
買い物客が「エリアラグ」などの検索クエリを開始します。
小売サイトは 80 ページ以上の商品結果を返します。
Vertex AI Search for Commerce は、サイトの買い物客に質問して、検索を絞り込むことができます。例: どの色をお探しですか？
買い物客は、多肢選択式のリストから回答を選択します。例: blue
ページの商品検索結果は、購入者の選択に基づいてすぐにフィルタされます。
検索結果には、次に最も関連性の高いフォローアップの質問が表示されます。例: どのような形状をお探しですか？
図 1. 会話型フィルタリングのユーザー ジャーニー。
質問の生成
AI は商品カタログの属性名と値を調べ、属性ごとに 1 つの質問を生成します。
例
- 属性名:
Coffee table shape - 値:
"Round"、"Square"、"Oval" - 生成された質問: どのような形のテーブルがご希望ですか？
質問を編集して承認する
小売業者は、生成された質問の関連性とトーンを確認して編集します。
例
- 質問をスキップ: 体重はどのくらいですか？（不適切/安全でない）
- 質問を編集します。「どのような形の
テーブルが欲しいですか？」→ どのような形状のものを探していますか？（表現を改善）
会話のプランニング
AI は、お客様のフィルタの使用状況データを利用して、質問の最適な順序と最適な選択肢を決定します。
例
- お客様のクエリ: コーヒー テーブル
- 質問 1: シェイプ（最も頻繁に使用されるフィルタ）
- 選択肢: 楕円、正方形、円形
質問の配信
生成された質問と多肢選択式の選択肢は、商品結果と同じ API レスポンスでユーザーに返されます。
チャット インターフェースの視覚的な例
- AI:
どのような形状をお探しですか？
- オプション:
丸 長方形 楕円 正方形 三角形 角
回答の処理
システムは、多肢選択式の選択とユーザーが入力した回答の両方を処理します。
ユーザーは次のいずれかの操作を行います。
- お客様が多肢選択式を選択 →
<Add a filter> - Customer types own answer（お客様のタイプの独自の回答）→
<Run synthetic query>
テストによる反復的な改善
会話型の商品フィルタリングは、継続的な改善とデータドリブンの意思決定を必要とする最適化です。目標は、買い物客の行動を理解し、ユーザーの関心を高めるようにデザインを調整することで、ユーザーの分析情報を収集する機能の能力を最大限に引き出すことです。
市場のトレンド、競合他社のサービス、個人の好みの変化など、さまざまな要因の影響を受ける買い物客の行動は動的であり、時間の経過とともに変化します。データを収集し、買い物客が AI 機能とどのようにやり取りしているかを観察しながら、デザインのテストとイテレーションを継続し、新しいアプローチをテストすることが重要です。この継続的なテスト、データ分析、改善のサイクルにより、AI 機能が関連性を保ち、効果的で、変化するユーザーベースに合わせて最適化されるようになります。
パフォーマンス指標を定期的に確認し、ユーザー アンケートを実施し、フィードバックを分析して、改善すべき領域とイノベーションの新たな機会を特定します。この継続的なイテレーションへの取り組みは、AI 機能のデプロイを長期的に成功させるための鍵となります。
学習した内容
連続テスト後に次の教訓が得られました。
- 継続的にテストする: 最適な結果は、最初に試したデザインで得られるとは限りません。
- イテレーションと適応: ユーザーの行動は変化します。データを収集し、購入者がこの機能をどのように利用しているかを観察しながら、設計のイテレーションを続け、新しいアプローチをテストします。
- A/B テストだけではない: 2 つのバージョンを比較する A/B テストだけにとどまらず、代わりに、A/B/C/D/E/F テストを多数実施して、幅広い UI デザインと配置オプションを試してください。
最適化の主な指標
Vertex AI Search for Commerce を効果的に最適化するには、ユーザー エンゲージメント、満足度、機能の全体的な影響に関する分析情報を提供する関連指標を定義して追跡することが重要です。考慮すべき主な指標は次のとおりです。
- コンバージョン率: 購入などの目標アクションを完了したユーザーの割合。
- ユーザー満足度スコア（NPS、CSAT など）: AI 機能の使用感や価値観に関する定性的な分析情報を提供する、ユーザーからの直接的なフィードバック。
- 導入率: 会話型の商品フィルタリングを積極的に使用する買い物客の割合。この指標は、会話型の商品フィルタリングの視認性と有用性の認識度を示します。
検索でのフォローアップの質問
会話型の商品フィルタリングが有効になっている場合、次の 3 つのシナリオのいずれかが発生するまで、サイトでのフォローアップの質問によって会話が続行されます。
- 事前に設定されている最小商品数に達した（たとえば、商品が 2 つしか表示されない場合は、会話は役に立ちません）。
- ユーザーが商品をクリックしてカートに追加した（目標）。
- 会話型の商品フィルタリングで AI 生成の質問が不足している。
動的ファセットの代わりに使用する
動的ファセットは、幅広いクエリと、検索結果の多い検索に関連付けられます。これにより、クエリあたりの収益率が低くなります。エンドユーザーは、数万件もの検索結果が表示されると、検索をあきらめてしまう可能性があります。会話型検索では、クエリを絞り込むことができ、動的ファセットとともに使用できます。会話型の商品フィルタリングは、動的ファセットよりも人間味があり、インタラクティブで、ページ上のスペースをあまり使用しないという点で、いくつかの利点があります。
詳細については、ファセットのページをご覧ください。
生成された質問を編集する
会話型の商品フィルタリングでは、アップロードされたカタログに基づいて、小売業者が好みに応じて AI 生成の質問を事前に編集、上書き、選択解除できるため、生成 AI の質問と人間参加型のやり取りができます。検索に表示する質問を調整するには、コマース向け検索コンソールまたは API で質問を個別または一括で編集または無効にします。
まとめ
コマース プラットフォームに会話型の商品フィルタリングを統合すると、ユーザー エクスペリエンスが大幅に向上し、ユーザーのコンバージョン率が大幅に高まります。これは、ユーザーが圧倒的な選択肢に直面し、好みをすばやく絞り込むのに苦労することが多い、幅広いカテゴリのクエリに当てはまります。