Klicken Sie auf die einzelnen Elemente in der Checkliste, um detailliertere Informationen zur Vorgehensweise zu erhalten. Haken Sie jeden Einrichtungsschritt nach der Durchführung ab. Wenn Sie diese Schritte ausführen, können Sie die Gesamteffektivität der Umsetzung Ihrer Empfehlungen verbessern.
Attributdaten
Beschränkungen für das Filtern nach Attributen: Da das Limit für das Filtern nach Attributen bei 10 liegt, sollten Sie die Auswahl der wichtigsten Attribute priorisieren. Muster in ausgewählten benutzerdefinierten Attributen analysieren und ähnliche, relevante Attribute dem Katalog hinzufügen Sorgen Sie für eine hohe Abdeckung von Attributfilterschlüsseln im Katalog, um effektive Filterung zu ermöglichen und Empfehlungen zu optimieren.
Wirkung von Attributen maximieren: Löschen oder deaktivieren Sie keine Attribute, da dies sich auf das Modell auswirken kann. Verbessern Sie die Abdeckung für automatisch ausgewählte Attribute, indem Sie diese Felder für mehr Produkte ausfüllen.
Attributeinstellungen prüfen: Für Empfehlungen werden filterbare Attributseinstellungen verwendet, die in Empfehlungsfilterausdrücken verwendet werden können. Dieses Steuerelement gilt nur für Textattribute.
Kategorien
Kategorieverteilung im Blick behalten und Kategorien mit übermäßiger Darstellung angehen Mit hochwertigen Produktkategorien kann die regelbasierte Diversifizierung Produkte aus verschiedenen Kategorien empfehlen.
Anteil der nicht auf Lager befindlichen Produkte
Achten Sie auf ein niedriges Verhältnis von nicht vorrätigen Artikeln (idealerweise unter 90%), um Verzerrungen bei Empfehlungen zu vermeiden und relevante Ergebnisse zu erhalten. Wenn die meisten Produkte als OUT_OF_STOCK (nicht vorrätig) gekennzeichnet sind, enthält die Vorhersageantwort viele Produkte, die nicht vorrätig sind. Wenn Sie einen Filter hinzufügen, sinken die Recall-Zahlen. Halten Sie das Feld Product.availability mit den patchProduct-APIs so aktuell wie möglich oder importieren Sie APIs mit einem readMask.
Varianten und primäre Details
Sorgen Sie dafür, dass sowohl für primäre Produkte als auch für Varianten vollständige und korrekte Details angegeben sind. Berücksichtigen Sie die Artikelnummernstruktur des Produkts und weisen Sie Produkte entsprechend als primäre Produkte oder Varianten zu. Achten Sie bei Primär- und Variantenprodukten auf die Richtigkeit und Vollständigkeit von product.categories, product.title, product.attributes und product.prices.
Überlegen Sie sich genau, welche Produkte oder Produktgruppen primär und welche Varianten sind.
Primäre und Varianten werden manchmal als übergeordnete und untergeordnete Elemente bezeichnet.
Preis für das primäre Produkt und die Varianten
Geben Sie für primäre Produkte und Produktvarianten korrekte Preisinformationen an, damit Empfehlungen und Filter richtig funktionieren. Wenn das Produkt keinen Preis auf Produktebene hat und alle Preise immer an ein lokales Inventar gebunden sind, geben Sie die Informationen zum Medianpreis aller Preise auf Inventarebene als Preisinformationen auf Produktebene an.
Häufigkeit des Datenuploads
Das Modell ruft etwa alle sechs Stunden neue Produktinformationen ab.
Idealerweise sollten Sie den Katalog regelmäßig (stündlich oder täglich oder besser in Echtzeit) mit regelmäßigen Katalogimporten aktualisieren, um zu verhindern, dass die Modellqualität im Laufe der Zeit sinkt.
Bei Spitzenereignissen wie BFCM muss Ihre Datenaufnahmepipeline schnelle Preisänderungen im gesamten Katalog verarbeiten können.
Inkonsistente Uploads pro Filiale
Achten Sie auf einheitliche Produkt-Uploads in allen Filialen, um fehlende Produktinformationen bei einigen Anfragen zu vermeiden. Das kann die Modellqualität beeinträchtigen.
Sie können Daten in verschiedene Branches importieren, um Empfehlungen bereitzustellen und in der Vorschau anzuzeigen oder Ergebnisse vorherzusagen.
Abwägung zwischen Filtern und Einstellungen für die Vielfalt
Optimieren Sie das Gleichgewicht zwischen der Anzahl der angewendeten Filter und den Einstellungen für die Vielfalt. Mithilfe von datengestützter Diversifizierung werden Empfehlungsergebnisse generiert, bei denen Relevanz und Diversität ausgewogen sind. Die datengestützte Vielfalt basiert auf Metadaten des Produktkatalogs, z. B. Titeln oder Kategorien.
Sie können die Vorhersageergebnisse anhand der Produktkategorie anpassen, indem Sie diversityLevel auf Werte wie RULE_BASED_DIVERSITY, DATA_DRIVEN_DIVERSITY, no-diversity, low-diversity, medium-diversity, high-diversity oder auto-diversity festlegen.
RULE_BASED_DIVERSITYdiversifiziert Empfehlungsergebnisse basierend auf der Produktkategorie.DATA_DRIVEN_DIVERSITYdiversifiziert Empfehlungen basierend auf Informationen aus Produktmetadaten, um ein Gleichgewicht zwischen Relevanz und Kategoriediversität herzustellen.
Parameter für das Preis-Reranking
Sie können die Vorhersageergebnisse anhand des Produktpreises anpassen. Verwenden Sie dazu den Parameter priceRerankLevel mit Optionen für kein, niedriges, mittleres oder hohes Preis-Reranking.
Zulässige Werte sind no-price-reranking (Standardwert, wenn nicht festgelegt), low-price-reranking, medium-price-reranking und high-price-reranking.
Falsche Filterdaten in Nutzerereignissen
Achten Sie darauf, dass Filter mit mehreren Wörtern in Nutzerereignissen genau mit dem Katalog übereinstimmen, einschließlich der Groß- und Kleinschreibung (OnePiece im Vergleich zu One-Piece).
Die korrekte Verwendung von Filtern ist entscheidend für eine optimale Leistung dynamischer Facetten. Das Modell leitet die Beliebtheit von Facetten aus Filtern ab, die in Vorhersageanfragen enthalten sind.
Anforderungen an Veranstaltungen
Achten Sie bei allen Ereignistypen (pro Modelltyp) auf eine ausreichende Anzahl von Ereignissen.
Achten Sie darauf, dass die aufgenommenen Ereignisse zuordenbar sind. Das bedeutet, dass die Zeitstempel, Besucher-ID und Produkt-ID korrekt sein müssen, damit das Modell trainiert werden kann. Das bedeutet, dass das Modell in der Lage sein sollte, einen Nutzerverlauf aus den Ereignissen zu erstellen.
Die Ereignisanforderungen für die einzelnen Modelltypen finden Sie in der Dokumentation oder in der Suche nach Commerce-Daten zum Zeitpunkt der Modellerstellung.
Durchschnittliche Impressionen pro Produkt
Für alle Ereignistypen (pro Modelltyp) sollten Sie eine durchschnittliche Impression pro Produkt-ID von mehr als 10 anstreben. Ein bis zwei Wochen mit Detailseiten können ausreichend sein, um die Modelle „Was Ihnen sonst noch gefallen könnte“ und „Für Sie empfohlen“ zu trainieren.
Durchschnittlicher Bestellwert
Achten Sie darauf, dass die durchschnittliche Bestellgröße für Käufe größer als eins ist, sofern zutreffend, ohne Berücksichtigung der Artikelmenge. Vereinfachen Sie Einkaufswagen mit mehreren Artikeln nicht zu mehreren Kaufereignissen. Sie sollten weiterhin als einzelne Kaufereignisse verbleiben, die mehrere Produkte enthalten.
Prüfen Sie, ob einige Kaufereignisse mehrere Produkte enthalten, da dies dem Modell hilft, Muster für gemeinsame Käufe zu lernen, insbesondere für Modelle wie „Häufig zusammen gekauft“.
API-Antworten: Unterschiede bei Suche und Empfehlungen
Ein wichtiger Unterschied bei Vertex AI Search for Commerce besteht darin, wie die Search- und Recommendations-APIs Produktvarianten in ihren Antworten verarbeiten. Dieser Unterschied ist für die Implementierung von entscheidender Bedeutung.
Suchantworten enthalten bestimmte Produktvarianten, Empfehlungsantworten nicht.
- Suche: Wenn ein Nutzer eine Anfrage wie rote Laufschuhe Größe 44 eingibt, gibt die API eine Liste mit primären Produkten und Details für die fünf am besten passenden Varianten zurück. Die Anfrage des Nutzers liefert den erforderlichen Kontext, um die relevantesten Varianten zu identifizieren und zu ranken.
- Empfehlungen: Die Antwort für Modelle wie „Häufig zusammen gekauft“ oder „Für Sie empfohlen“ gibt absichtlich nur primäre Produkt-IDs zurück. Diese Empfehlungen sind allgemein gehalten und es fehlt eine spezifische Nutzeranfrage, um die Auswahl der Varianten zu steuern.
Dieses Design gibt Entwicklern die Flexibilität, ihre eigene Logik zur Variantenauswahl zu implementieren. Da es keine Leitfrage gibt, können Sie anhand Ihrer eigenen Geschäftsregeln festlegen, welche Variante angezeigt wird. Sie können beispielsweise den Bestseller, die Variante mit dem größten Inventar oder eine Variante, die im Angebot ist, anzeigen lassen. So wird sichergestellt, dass die endgültige Empfehlung mit Ihrer spezifischen E-Commerce-Strategie übereinstimmt.
Personalisierte Modelle wie „Empfohlen für Sie“ oder „Was Ihnen sonst noch gefallen könnte“ sind am effektivsten, wenn sie sich an die unmittelbaren Aktionen eines Nutzers anpassen. Der Schlüssel zu dieser Reaktionsfähigkeit liegt in der Verarbeitung von Daten zu Nutzerinteraktionen oder Ereignissen.
- Personalisierung in Echtzeit:Bei diesem Ansatz wird ein kontinuierlicher Stream von Nutzerereignissen wie Klicks oder Hinzufügungen zu einem Einkaufswagen genutzt. Wenn diese Ereignisse in Echtzeit erfasst werden, können Empfehlungsmodelle ihre Ausgabe sofort an die aktuellen Interessen eines Nutzers anpassen. So sind die Vorschläge immer aktuell und hochrelevant.
- Modelltraining im Vergleich zur Personalisierung:Es ist wichtig, zwischen dem Kernmodell und der Personalisierungsebene zu unterscheiden.
- Modelltraining:Das zugrunde liegende Empfehlungsmodell in Vertex AI Search for Commerce wird in der Regel täglich neu trainiert und lernt aus allen Verlaufsdaten.
- Personalisierung in Echtzeit:Diese erfolgt zusätzlich zum trainierten Modell. Bei jedem API-Aufruf werden neue, personalisierte Empfehlungen berechnet, die Nutzerereignisse der letzten Minuten berücksichtigen.
- Die Erfassungsmethode ist wichtig:Die Geschwindigkeit der Personalisierung hängt direkt davon ab, wie Sie Nutzerereignisse erfassen.
- Echtzeit-Aufnahme:Dies ist entscheidend für die sofortige Personalisierung. Wenn Ihr Unternehmen von der aktuellen Nutzerintention profitieren möchte, ist es wichtig, einen Echtzeit-Ereignisstream zu priorisieren.
- Batch-Aufnahme:Wenn Sie einen Batchprozess verwenden, kommt es zu einer Verzögerung bei der Personalisierung, die der Häufigkeit Ihres Batch-Zeitplans entspricht. Das ist zwar nicht grundsätzlich schlecht, aber ein wichtiger Kompromiss, den Sie je nach Ihren Geschäftsanforderungen in Betracht ziehen sollten.
Die Effektivität von KI-basierten Produktempfehlungen hängt von ihrer strategischen Platzierung ab. Das richtige Modell auf der richtigen Seite zu platzieren, ist entscheidend, um das Nutzer-Engagement zu maximieren und wichtige Unternehmensmesswerte zu erreichen. In dieser Anleitung finden Sie bewährte Strategien für die Platzierung von Vertex AI Search for Commerce-Modellen. Dabei wird die Flexibilität betont, die erforderlich ist, um Ihre individuellen Geschäftsziele zu erreichen.
Wichtige Empfehlungsmodelle und ‑platzierungen
Vertex AI Search for Commerce bietet spezielle Modelle für verschiedene Shopping-Kontexte. In dieser Tabelle sind unsere primären Modelle und die empfohlenen Platzierungen für maximale Wirkung zusammengefasst.
| E-Commerce-Seite | Primäres Ziel | Bestes Modell für Seite | Alternatives Modell 1 | Alternatives Modell 2 |
|---|---|---|---|---|
| Seite mit Produktdetails | Ähnliche oder alternative Artikel anzeigen | Was Ihnen sonst noch gefallen könnte | Häufig zusammen gekaufte Artikel | Ähnliche Artikel |
| Startseite / Kategorieseite | Personalisierte Suche | Persönliche Empfehlungen | Noch mal kaufen | Im Angebot |
| Einkaufswagenseite | Durchschnittlichen Bestellwert steigern | Häufig zusammen gekauft | Persönliche Empfehlungen | Im Angebot |
- Für dich empfohlen: Hier wird das Nutzererlebnis durch die Nutzung der Verlaufsdaten eines Nutzers personalisiert. Durch die Platzierung auf der Startseite oder den Kategorieseiten werden wiederkehrende Kunden sofort mit maßgeschneiderten Vorschlägen angesprochen.
- Was Ihnen sonst noch gefallen könnte: Dieses Modell eignet sich ideal für Produktdetailseiten und präsentiert ähnliche oder alternative Artikel zu dem Produkt, das gerade angesehen wird. Sie sind ein wichtiges Tool, um die Produktsuche zu fördern, und können für die Klickrate oder den Umsatz optimiert werden.
- Häufig zusammen gekauft: Diese Empfehlungen sollen den durchschnittlichen Bestellwert steigern, indem ergänzende Produkte vorgeschlagen werden. Am effektivsten ist sie auf Produktdetailseiten und im Einkaufswagen- oder Bezahlvorgang, wo sie zu logischen Zusatzkäufen anregt.
A/B-Tests für datengestützte Entscheidungen
Diese Richtlinien bieten zwar eine solide Grundlage, aber A/B-Tests sind unerlässlich, um die optimale Strategie für Ihre spezifische Zielgruppe zu ermitteln. Sie können beispielsweise testen, ob „Was Ihnen sonst noch gefallen könnte“ oder „Häufig zusammen gekauft Artikel“ auf Ihren Produktdetailseiten besser funktioniert, indem Sie jedes Modell für eine andere Nutzerkohorte bereitstellen.
Wenn Sie Leistungskennzahlen wie Conversion-Raten und Umsatz für jede Gruppe im Blick behalten, können Sie datengestützte Entscheidungen darüber treffen, welches Modell Sie einsetzen. Bei diesem empirischen Ansatz wird nicht geraten, sondern Ihre Placement-Strategie wird genau auf Ihre Geschäftsziele abgestimmt.
Richtlinien mit geschäftlichen Anforderungen in Einklang bringen
Diese Empfehlungen können als Ausgangspunkt dienen. Die Flexibilität von Vertex AI Search for Commerce ermöglicht Anpassungen, um bestimmte strategische Ziele zu erreichen. Für Unternehmen ohne bestehende Platzierungsstrategie bieten diese bewährten Richtlinien jedoch einen zuverlässigen Weg zum Erfolg. Wenn Sie Ihre Modelle sorgfältig platzieren und Ihren Ansatz durch Tests kontinuierlich optimieren, können Sie ein ansprechenderes und rentableres E-Commerce-Erlebnis schaffen.