La estructura de tus categorías de exploración y la paridad correspondiente en los eventos de exploración influyen directamente en la capacidad del modelo para aprender y realizar optimizaciones.
Equilibra el nivel de detalle y el volumen de tráfico
Esta tarea requiere lo siguiente:
Estructura de categorías detallada: El modelo de exploración aprende el comportamiento de clics y compras asociado (a través de eventos de usuario) con cada cadena de categorías única. Si una página de categoría, como Ofertas de electrónica, recibe una cantidad considerable de tráfico, el modelo tendrá un conjunto de datos enriquecido para optimizar las clasificaciones de esa categoría. Esto ayuda al modelo a acumular e interpretar con precisión el comportamiento del usuario (clics, compras) para cada categoría, lo que genera una mejor clasificación y personalización. Evita los identificadores genéricos, como
products, que diluyen el indicador en diferentes categorías.Profundidad de categorías optimizada: Las categorías demasiado específicas con volúmenes de tráfico bajos pueden generar un rendimiento del modelo no óptimo. Si no hay suficientes datos de interacción del usuario, como clics y agregados al carrito, el modelo no puede proporcionar clasificaciones optimizadas para los ingresos de manera eficaz. Logra un equilibrio entre una taxonomía de categorías detallada y la garantía de que cada página de categoría genere suficiente tráfico para un aprendizaje significativo del modelo.
Garantiza la paridad entre las llamadas a la API y los eventos del usuario
Un requisito técnico fundamental para el entrenamiento exitoso del modelo es mantener una coincidencia exacta entre la cadena pageCategory en tus llamadas a la API de navegación y los eventos de usuario de navegación correspondientes. Por ejemplo, si un usuario navega por la categoría Ofertas de electrónica, la llamada a la API para recuperar los resultados de la 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 unir las solicitudes de la API con los eventos de usuario. Una discrepancia también provocará diferencias en la medición del rendimiento. Este alineamiento se supervisa en el panel de calidad de los datos. Si no cumples con el umbral, es posible que tu modelo no alcance niveles más altos.
Supervisa y soluciona problemas relacionados con las recomendaciones
Después de configurar tu sitio web para obtener recomendaciones, te sugerimos que configures alertas. Consulta Configura una alerta para los errores de predicción.
Para solucionar errores, consulta Supervisión y solución de problemas.