このページでは、AI Commerce Search に会話型商品フィルタリングを実装する方法について説明します。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商品フィルタリングを適切に実装するための、データに基づいたベスト プラクティスを紹介します。
AI Commerce Search の会話型商品フィルタリングは、AI を活用したツールです。検索をガイド付きのエクスペリエンスに変え、買い物客が大規模な商品カタログを操作する際にサポートします。サイトのユーザーが幅広い検索（コーヒーテーブルや赤いドレスなど）を実行すると、何千もの検索結果が返されます。会話型商品フィルタリングは、フォローアップの質問をインテリジェントに促し、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、幅広い検索クエリ、曖昧な検索クエリ、非常に微妙な検索クエリ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。
- 商品の発見を加速する: 関連する質問をすることで、買い物客が膨大な商品の中からすばやく絞り込めるようにします（たとえば、5,000 個のエリアラグから数百個のターゲットを絞った結果に絞り込むなど）。
- パーソナライズを改善する: 質問と多肢選択式のオプションは、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、最初に色を尋ねることができます）。
- 実装を簡素化する: 質問は、色や幅などの商品属性に対して事前に指定され、属性ごとに 1 つの質問が設定されます。
一方向の会話
会話型商品フィルタリングは、e コマースサイトでの検索ジャーニー全体を通して買い物客をサポートする一方向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。
AI Commerce Search は、サイトの買い物客に質問して、検索を絞り込むように促します。例: お探しの色はどれですか？
買い物客は、多肢選択式のオプションのリストから回答を選択します。例: 青
ページの商品結果は、買い物客の選択に基づいてすぐにフィルタされます。
検索では、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: お探しのシェイプは何ですか？
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、商品カタログから属性名と値を調べ、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: どのような形状のテーブルをご希望ですか？
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
- 質問をスキップする: 体重はどのくらいですか？（無関係/安全でない）
- 質問を編集する: どのような形状の
テーブルをご希望ですか？→ どのような形状をお探しですか？（言い回しを改善）
会話の計画
AI は、顧客のフィルタ使用データを使用して、質問の最適な順序と最適な多肢選択式のオプションを決定します。
例
- 顧客のクエリ: コーヒーテーブル
- 質問 1: 形状（最もよく使用されるフィルタ）
- 多肢選択式のオプション: 楕円形、正方形、円形
質問の提供
生成された質問と多肢選択式のオプションは、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:
お探しの形状は何ですか？
- オプション:
円形 長方形 楕円形 正方形 三角形 コーナー
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アクションを行います。
- 顧客が多肢選択式を選択する →
<Add a filter> - 顧客が独自の回答を入力する →
<Run synthetic query>
テストによる反復的な改善
会話型商品フィルタリングは、継続的な改善とデータドリブンな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設計を調整することで、ユーザー インサイトを収集する機能の能力を最大限に高めることです。
買い物客の行動は、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、動的で時間とともに変化します。より多くのデータを収集し、買い物客が AI 機能とどのようにやり取りするかを観察しながら、設計のテストと反復を続け、新しいアプローチをテストすることが重要です。実験、データ分析、改善の継続的なサイクルにより、AI 機能が関連性があり、効果的で、進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、改善すべき点とイノベーションの新たな機会を特定します。継続的な反復への取り組みは、AI 機能のデプロイにおける長期的な成功の鍵となります。
学習した内容
連続テストの後、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、最初に試した設計ではないことがよくあります。
- 反復して適応する: ユーザーの行動は変化します。より多くのデータを収集し、買い物客がこの機能とどのようにやり取りするかを観察しながら、設計の反復と新しいアプローチのテストを続けます。
- A/B テスト以外: 2 つのバージョンを比較する A/B テストに限定しないでください。代わりに、多くの A/B/C/D/E/F テストを実施して、幅広い UI デザインと配置オプションを検討します。
最適化の主な指標
AI Commerce Search 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: 購入などのターゲット 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 機能の使用体験に関するユーザーからの直接的なフィードバック。使いやすさと認識された価値に関する定性的な分析情報を提供します。
- 導入率: 会話型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。可視性と認識された有用性を示します。
検索のフォローアップの質問
会話型商品フィルタリングが有効になっている場合、サイトのフォローアップの質問によって会話が続行されます。次の 3 つのシナリオのいずれかが発生するまで続行されます。
- 事前に設定されている最小商品数に達した（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替として使用する
動的ファセットは、幅広いクエリと、検索結果の数が多くなるため、クエリあたりの収益が低くなります。エンドユーザーは、数万件の結果が表示されると圧倒され、検索を放棄する可能性があります。会話型検索ではクエリを絞り込むことができ、動的ファセットと組み合わせて使用できます。会話型商品フィルタリングは、動的ファセットよりも人間的でインタラクティブであり、ページ上のスペースの使用量が少ないという利点があります。
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、Gemini Enterprise for Customer Experience コンソールの AI Commerce Search 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
会話型商品フィルタリングをコマース プラットフォームに統合することで、ユーザー エクスペリエンスを大幅に向上させ、ユーザー コンバージョン率を大幅に向上させることができます。これは、幅広いカテゴリのクエリに当てはまります。ユーザーは、選択肢が多すぎて、好みをすばやく絞り込むことができないことがよくあります。