Klicken Sie auf die einzelnen Elemente in der Checkliste, um detailliertere Informationen zum weiteren Vorgehen zu erhalten. Haken Sie jeden Einführungsschritt ab, nachdem Sie ihn abgeschlossen haben. Wenn Sie diese Schritte ausführen, können Sie die Gesamteffektivität Ihrer Recommendations-Implementierung verbessern.
Attributdaten
Limits für die Attributfilterung: Da das Limit für die Attributfilterung bei 10 liegt, sollten Sie die Auswahl der wichtigsten Attribute priorisieren. Analysieren Sie Muster in ausgewählten benutzerdefinierten Attributen und fügen Sie ähnliche, relevante Attribute dem Katalog hinzu. Achten Sie auf eine hohe Abdeckung für Attributfilterschlüssel im Katalog, um eine effektive Filterung zu ermöglichen und Empfehlungen zu verfeinern.
Auswirkungen von Attributen maximieren: Löschen oder deaktivieren Sie keine Attribute, da dies das Modell beeinträchtigen kann. Verbessern Sie die Abdeckung für automatisch ausgewählte Attribute, indem Sie diese Felder für weitere Produkte ausfüllen.
Attributeinstellungen prüfen: Recommendations verwendet filterbare Attributeinstellungen, die in Empfehlungsfilterausdrücken verwendet werden können. Diese Einstellung gilt nur für Textattribute.
Kategorien
Behalten Sie die Kategorienverteilung im Blick und gehen Sie auf Kategorien mit übermäßiger Darstellung ein. Hochwertige Produktkategorien ermöglichen eine regelbasierte Diversifizierung, um Produkte aus einer Vielzahl von Kategorien zu empfehlen.
Anteil nicht auf Lager
Achten Sie auf einen niedrigen Anteil nicht auf Lager (idealerweise < 90%), um verzerrte Empfehlungen zu vermeiden und relevante Ergebnisse zu gewährleisten. Wenn die meisten Produkte als OUT_OF_STOCK (OOS) gekennzeichnet sind, enthält die Vorhersageantwort viele OOS-Produkte. Wenn Sie einen Filter hinzufügen, sinkt die Anzahl der abgerufenen Produkte. Halten Sie das Feld Product.availability mit den patchProduct-APIs oder Import-APIs mit einer readMask so aktuell wie möglich.
Varianten und primäre Details
Achten Sie darauf, dass sowohl primäre Produkte als auch Artikelvarianten vollständige und korrekte Details haben. Berücksichtigen Sie die SKU-Struktur des Produkts und legen Sie Produkte entsprechend als primär oder Variante fest. Priorisieren Sie die Genauigkeit und Vollständigkeit von product.categories, product.title, product.attributes und product.prices für primäre Produkte und Artikelvarianten.
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 primäre und Variantenprodukte
Geben Sie genaue Preisinformationen für primäre Produkte und Artikelvarianten an, um genaue Empfehlungen und Filterung zu gewährleisten. Wenn das Produkt keine Preise auf Produktebene hat und alle Preise immer an ein lokales Inventar gebunden sind, geben Sie die Medianpreise aller Preise auf Inventarebene in den Preisinformationen auf Produktebene an.
Häufigkeit des Datenuploads
Das Modell erfasst etwa alle sechs Stunden neue Produktinformationen.
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.
Achten Sie bei Spitzenereignissen wie dem Black Friday und Cyber Monday darauf, dass Ihre Datenaufnahmepipeline schnelle Preisänderungen im gesamten Katalog verarbeiten kann.
Inkonsistente Uploads pro Branch
Achten Sie auf konsistente Produkt-Uploads in allen Branches, um zu vermeiden, dass Produktinformationen für einige Abfragen fehlen, was die Modellqualität beeinträchtigen kann.
Sie können Daten in verschiedene Branches importieren, um Empfehlungen oder Vorhersageergebnisse bereitzustellen und in der Vorschau anzuzeigen.
Gleichgewicht zwischen Filtern und Diversitätseinstellungen
Optimieren Sie das Gleichgewicht zwischen der Anzahl der angewendeten Filter und den Diversitätseinstellungen. Verwenden Sie datengestützte Diversität, um Empfehlungsergebnisse zu erzielen, die ein Gleichgewicht zwischen Relevanz und Vielfalt herstellen. Die datengestützte Diversifizierung lernt aus Produktkatalogmetadaten wie Titeln oder Kategorien.
Passen Sie die Vorhersageergebnisse basierend auf der Produktkategorie an, 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 Produktmetadaten, um ein Gleichgewicht zwischen Relevanz und Kategoriediversität herzustellen.
Parameter für das Preis-Reranking
Passen Sie die Vorhersageergebnisse basierend auf dem Produktpreis an, indem Sie den Parameter priceRerankLevel verwenden. Es gibt 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.
Fehlerhafte Filterdaten in Nutzerereignissen
Achten Sie darauf, dass Filter mit mehreren Wörtern in Nutzerereignissen genau mit dem Katalog übereinstimmen, einschließlich 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 Facettenpopularität aus den Filtern ab, die in Vorhersageanfragen vorhanden sind.
Anforderungen an Ereignisse
Achten Sie für alle Ereignistypen (pro Modelltyp) auf eine ausreichende Anzahl von Ereignissen.
Achten Sie darauf, dass aufgenommene Ereignisse zuordenbar sind. Das bedeutet, dass die Zeitstempel, die Besucher-ID und die Produkt-ID-Details für das Training des Modells korrekt sein müssen. Das Modell sollte also in der Lage sein, aus den Ereignissen eine Customer Journey zu erstellen.
Die Anforderungen an Ereignisse pro Modelltyp finden Sie in der Dokumentation oder in der AI Commerce Search in Gemini Enterprise for Customer Experience zum Zeitpunkt der Modellerstellung.
Durchschnittliche Impressionen pro Produkt
Achten Sie für alle Ereignistypen (pro Modelltyp) auf durchschnittlich mehr als 10 Impressionen pro Produkt-ID. Ein bis zwei Wochen mit Detailseiten können ausreichend sein, um die Modelle „Was Ihnen sonst noch gefallen könnte“ und „Empfohlen für Sie“ zu trainieren.
Durchschnittlicher Bestellwert
Achten Sie darauf, dass der durchschnittliche Bestellwert größer als 1 ist, wobei die Artikelmenge gegebenenfalls ausgeschlossen wird. Vereinfachen Sie Einkaufswagen mit mehreren Artikeln nicht zu mehreren Kaufereignissen. Sie sollten weiterhin als einzelne Kaufereignisse verbleiben, die mehrere Produkte enthalten.
Achten Sie darauf, dass einige Kaufereignisse mehrere Produkte enthalten, da dies dem Modell hilft, Muster für gemeinsame Käufe zu lernen, insbesondere für Modelle wie „Häufig zusammen gekaufte Artikel“.
API-Antworten: Suche und Empfehlungen unterscheiden sich
Ein wichtiger Unterschied in der AI Commerce Search besteht darin, wie die Search und Recommendations APIs Produktvarianten in ihren Antworten verarbeiten. Das Verständnis dieses Unterschieds ist für die Implementierung von entscheidender Bedeutung.
Suchantworten enthalten bestimmte Produktvarianten, Empfehlungsantworten nicht.
- Suche: Wenn ein Nutzer eine Abfrage sendet (z. B. rote Laufschuhe Größe 44), gibt die API eine Liste primärer Produkte und Details für die fünf am besten passenden Varianten zurück. Die Abfrage des Nutzers liefert den erforderlichen Kontext, um die relevantesten Varianten zu identifizieren und zu ranken.
- Empfehlungen: Die Antwort für Modelle wie „Häufig zusammen gekaufte Artikel“ oder „Empfohlen für Sie“ gibt absichtlich nur primäre Produkt-IDs zurück. Diese Empfehlungen sind breit gefächert und es fehlt eine spezifische Nutzerabfrage, um die Variantenauswahl zu steuern.
Dieses Design gibt Entwicklern die Flexibilität, ihre eigene Logik zur Variantenauswahl zu implementieren. Da es keine leitende Abfrage 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 anzeigen, die im Angebot ist. Dieses beabsichtigte Design sorgt dafür, 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 zur Nutzerinteraktion oder Ereignissen.
- Echtzeitpersonalisierung:Bei diesem Ansatz wird ein kontinuierlicher Stream von Nutzerereignissen wie Klicks oder Hinzufügungen zu einem Einkaufswagen genutzt. Durch die Aufnahme dieser Ereignisse in Echtzeit können Empfehlungsmodelle ihre Ausgabe sofort an die neuesten 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 der AI Commerce Search wird in der Regel täglich neu trainiert und lernt aus allen Verlaufsdaten.
- Echtzeitpersonalisierung:Dies geschieht zusätzlich zum trainierten Modell. Bei jedem API-Aufruf werden neue, personalisierte Empfehlungen berechnet, die Nutzerereignisse berücksichtigen, die in den letzten Minuten aufgetreten sind.
- Die Aufnahmemethode ist wichtig:Die Geschwindigkeit der Personalisierung hängt direkt davon ab, wie Sie Nutzerereignisse aufnehmen.
- Echtzeitaufnahme:Dies ist entscheidend für die sofortige Personalisierung. Wenn Ihr Unternehmen die Nutzerabsicht im Moment nutzen muss, ist die Priorisierung eines Echtzeit-Ereignisstreams unerlässlich.
- Batchaufnahme:Bei der Verwendung eines Batchprozesses wird die Personalisierung um die Häufigkeit Ihres Batchzeitplans verzögert. Das ist zwar nicht grundsätzlich schlecht, aber ein wichtiger Kompromiss, den Sie je nach Ihren geschäftlichen Anforderungen berücksichtigen sollten.
Die Effektivität von KI-gestützten Produktempfehlungen hängt von ihrer strategischen Platzierung ab. Das richtige Modell auf der richtigen Seite zu platzieren ist entscheidend, um die Nutzerinteraktion zu maximieren und wichtige Geschäftsmesswerte zu erreichen. Dieser Leitfaden bietet bewährte Strategien für die Platzierung von AI Commerce Search-Modellen und betont gleichzeitig die Flexibilität, die erforderlich ist, um Ihre individuellen Geschäftsziele zu erreichen.
Wichtige Empfehlungsmodelle und ‑platzierungen
Die AI Commerce Search bietet spezielle Modelle für verschiedene Einkaufskontexte. In dieser Tabelle sind unsere wichtigsten Modelle und die empfohlenen Platzierungen für maximale Wirkung zusammengefasst.
| E‑Commerce-Seite | Primäres Ziel | Bestes Modell für die Seite | Alternatives Modell 1 | Alternatives Modell 2 |
|---|---|---|---|---|
| Seite mit Produktdetails | Ähnliche oder alternative Artikel präsentieren | Was Ihnen sonst noch gefallen könnte | Häufig zusammen gekaufte Artikel | Ähnliche Artikel |
| Startseite / Kategorieseite | Personalisierte Suche | Empfohlen für Sie | Noch mal kaufen | Im Angebot |
| Einkaufswagenseite | Durchschnittlichen Bestellwert steigern | Häufig zusammen gekaufte Artikel | Empfohlen für Sie | Im Angebot |
- Empfohlen für Sie: Erstellt eine personalisierte Umgebung, indem die Verlaufsdaten eines Nutzers genutzt werden. Durch die Platzierung auf der Startseite oder auf Kategorieseiten werden wiederkehrende Kunden sofort mit maßgeschneiderten Vorschlägen angesprochen.
- Was Ihnen sonst noch gefallen könnte: Dieses Modell ist ideal für Seiten mit Produktdetails und präsentiert ähnliche oder alternative Artikel zu dem angezeigten Produkt. Es ist ein wichtiges Tool zur Förderung der Produktentdeckung und kann für die Klickrate oder den Umsatz optimiert werden.
- Häufig zusammen gekaufte Artikel: Dieses Modell wurde entwickelt, um den durchschnittlichen Bestellwert zu steigern, indem ergänzende Produkte vorgeschlagen werden. Es ist am effektivsten auf Produktdetailseiten und im Einkaufswagen- oder Bezahlvorgang, wo es zu logischen Zusatzkäufen anregt.
A/B-Test 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 validieren. Sie können beispielsweise testen, ob „Was Ihnen sonst noch gefallen könnte“ oder „Häufig zusammen gekaufte Artikel“ auf Ihren Seiten mit Produktdetails besser abschneidet, indem Sie jedes Modell einer anderen Nutzerkohorte präsentieren.
Wenn Sie Leistungskennzahlen wie Conversion-Raten und Umsatz für jede Gruppe erfassen, können Sie datengestützte Entscheidungen darüber treffen, welches Modell eingesetzt werden soll. Dieser empirische Ansatz vermeidet Vermutungen und sorgt dafür, dass Ihre Platzierungsstrategie genau auf Ihre Geschäftsziele abgestimmt ist.
Richtlinien mit geschäftlichen Anforderungen in Einklang bringen
Betrachten Sie diese Empfehlungen als Ausgangspunkt. Die Flexibilität der KI Commerce Suche ermöglicht Anpassungen, um spezifische strategische Ziele zu erreichen. Für Unternehmen ohne bestehende Placement-Strategie bieten diese bewährten Richtlinien jedoch einen zuverlässigen Weg zum Erfolg. Wenn Sie Ihre Modelle sorgfältig platzieren und Ihren Ansatz durch Tests kontinuierlich verfeinern, können Sie ein ansprechenderes und profitableres E‑Commerce-Erlebnis schaffen.