La estructura de tus categorías de navegación y la paridad correspondiente en los eventos de navegación influyen directamente en la capacidad del modelo para aprender y optimizar.
Equilibrar la granularidad y el volumen de tráfico
Para llevar a cabo esta tarea, necesitas lo siguiente:
Estructura de categorías granular: el modelo de navegación aprende el comportamiento de clics y compras asociado (a través de eventos de usuario) a cada cadena de categoría única. Si una página de categoría, como Ofertas de electrónica, recibe un tráfico considerable, el modelo tendrá un conjunto de datos amplio para optimizar las clasificaciones de esa categoría. De esta forma, el modelo puede acumular e interpretar con precisión el comportamiento de los usuarios (clics y compras) de cada categoría, lo que se traduce en una mejor clasificación y personalización. Evita los identificadores genéricos, como
products, que diluyen la señal en diferentes categorías.Profundidad de categoría de página optimizada: las categorías demasiado granulares con volúmenes de tráfico bajos pueden dar lugar a un rendimiento del modelo no óptimo. Si no hay suficientes datos de interacción de los usuarios, como clics y adiciones al carrito, el modelo no puede ofrecer clasificaciones optimizadas para los ingresos de forma eficaz. Encuentra el equilibrio entre una taxonomía de categorías detallada y la garantía de que cada página de categoría genere suficiente tráfico para que el modelo aprenda de forma significativa.
Asegurarse de que haya paridad entre las llamadas a la API y los eventos de usuario
Un requisito técnico fundamental para que el entrenamiento del modelo se realice correctamente es que haya una coincidencia exacta entre la cadena pageCategory de las llamadas a la API Browse y los eventos de usuario de Browse correspondientes. Por ejemplo, si un usuario está consultando la categoría Ofertas de electrónica, la llamada a la API para obtener los resultados de navegación y los eventos de usuario generados deben usar la misma cadena de categoría, incluido el delimitador >.
Para el proceso de entrenamiento, el modelo debe combinar las solicitudes de la API con los eventos de usuario. Si hay alguna discrepancia, también se producirán discrepancias en la medición del rendimiento. Este alineamiento se monitoriza en el panel de control de calidad de los datos. Si no alcanzas el umbral, tu modelo no podrá llegar a niveles superiores.
Monitorizar y solucionar problemas de las recomendaciones
Una vez que haya configurado su sitio web para recibir recomendaciones, le recomendamos que configure alertas. Consulta Configurar una alerta de errores de predicción.
Para solucionar errores, consulta Monitorizar y solucionar problemas.