Haz clic en cada elemento de la lista de comprobación para ver información más detallada sobre cómo proceder. Marca cada paso de incorporación después de completarlo. Si sigues estos pasos, podrás mejorar la eficacia general de la implementación de tus recomendaciones.
Datos de atributos
Límites de filtrado de atributos: dado que el límite de filtrado de atributos es de 10, prioriza la selección de los atributos más importantes. Analiza los patrones de los atributos personalizados seleccionados y añade al catálogo atributos similares y relevantes. Asegúrate de que las claves de filtro de atributos del catálogo tengan una cobertura alta para que el filtrado sea eficaz y las recomendaciones se ajusten.
Maximizar el impacto de los atributos: no elimine ni inhabilite atributos, ya que podría afectar al modelo. Mejore la cobertura de los atributos seleccionados automáticamente rellenando estos campos en más productos.
Compruebe la configuración de los atributos: las recomendaciones usan ajustes de atributos que se pueden filtrar y que se pueden usar en expresiones de filtro de recomendaciones. Este control solo se aplica a los atributos de texto.
Categorías
Monitoriza la distribución de las categorías y aborda las que tengan una representación excesiva. Las categorías de productos de alta calidad permiten que la diversidad basada en reglas recomiende productos de varias categorías.
Ratio de productos agotados
Mantén un porcentaje de productos agotados bajo (lo ideal es que sea inferior al 90%) para evitar que las recomendaciones se sesguen y que los resultados sean relevantes. Si la mayoría de los productos tienen el estado OUT_OF_STOCK (Agotado), la respuesta de predicción tendrá muchos productos con este estado y, al añadir un filtro, se reducirán las cifras de la recuperación. Mantén el campo Product.availability lo más actualizado posible mediante las APIs patchProduct o las APIs de importación con un readMask.
Variantes y detalles principales
Asegúrese de que tanto los productos principales como las variantes tengan detalles completos y precisos. Ten en cuenta la estructura de los SKUs de los productos y designa los productos como principales o variantes según corresponda. Prioriza la precisión y la integridad de product.categories, product.title, product.attributes y product.prices tanto para los productos principales como para las variantes.
Piense detenidamente qué productos o grupos de productos son principales y cuáles son variantes.
A veces, los elementos principales y las variantes se describen como elementos superiores y secundarios.
Precio en el producto principal y en las variantes
Rellene correctamente la información sobre precios de los productos principales y de las variantes para que las recomendaciones y los filtros sean precisos. Si el producto no tiene precios a nivel de producto y todos los precios están siempre vinculados a un inventario local, rellene la información del precio medio de todos los precios a nivel de inventario en la información del precio a nivel de producto.
Frecuencia de subida de datos
Tenga en cuenta que el modelo recoge información de producto nueva cada seis horas aproximadamente.
Lo ideal es que actualice el catálogo con regularidad (cada hora o cada día, o incluso en tiempo real) mediante importaciones periódicas para evitar que la calidad del modelo disminuya con el tiempo.
Durante eventos de gran afluencia, como el BFCM, asegúrate de que tu canalización de ingestión de datos pueda gestionar los cambios de precio rápidos en todo el catálogo.
Subidas incoherentes por sucursal
Asegúrese de que los productos se suban de forma coherente en todas las sucursales para que no falte información de los productos en algunas consultas, lo que puede empeorar la calidad del modelo.
Importar datos a diferentes ramas para organizar y previsualizar recomendaciones o predecir resultados.
Equilibrio entre los filtros y los ajustes de diversidad
Optimiza el equilibrio entre el número de filtros aplicados y los ajustes de diversidad. Utiliza la diversidad basada en datos para generar recomendaciones que equilibren la relevancia y la diversidad. La diversidad basada en datos aprende de los metadatos del catálogo de productos, como los títulos o las categorías.
Ajusta los resultados de las predicciones en función de la categoría de producto. Para ello, asigna a diversityLevel valores como RULE_BASED_DIVERSITY, DATA_DRIVEN_DIVERSITY, no-diversity, low-diversity, medium-diversity, high-diversity o auto-diversity.
RULE_BASED_DIVERSITYdiversifica los resultados de las recomendaciones en función de la categoría de producto.DATA_DRIVEN_DIVERSITYdiversifica las recomendaciones basándose en el aprendizaje de los metadatos de los productos para equilibrar la relevancia y la diversidad de las categorías.
Parámetros de reclasificación de precios
Ajusta los resultados de las predicciones en función del precio del producto mediante el parámetro priceRerankLevel, con opciones para no volver a clasificar los productos por precio o para hacerlo con un precio bajo, medio o alto.
Los valores permitidos son no-price-reranking (valor predeterminado si no se define), low-price-reranking, medium-price-reranking y high-price-reranking.
Datos de filtro incorrectos en eventos de usuario
Asegúrate de que los filtros de varias palabras de los eventos de usuario coincidan exactamente con el catálogo, incluidas las mayúsculas y minúsculas (OnePiece frente a One-Piece).
Es fundamental usar los filtros de forma precisa para que las facetas dinámicas funcionen de forma óptima. El modelo deduce la popularidad de las facetas a partir de los filtros presentes en las solicitudes de predicción.
Requisitos de los eventos
En todos los tipos de eventos (por tipo de modelo), asegúrate de que haya un número suficiente de eventos.
Asegúrese de que los eventos insertados se puedan atribuir, lo que significa que las marcas de tiempo, el ID de visitante y los detalles del ID de producto deben ser precisos para que el modelo se entrene. Es decir, el modelo debe poder construir un recorrido de usuario a partir de los eventos.
Consulta los requisitos de los eventos por tipo de modelo en la documentación o en la búsqueda de comercio en el momento de crear el modelo.
Impresiones medias por producto
En todos los tipos de eventos (por tipo de modelo), el objetivo es que la media de impresiones por ID de producto sea superior a 10. Con una o dos semanas de vistas de página detalladas, puede ser suficiente para empezar a entrenar los modelos Otros que te pueden gustar y Recomendado para ti.
Media de artículos por pedido
Asegúrese de que el tamaño medio de los pedidos de compra sea superior a uno, sin incluir la cantidad de artículos, siempre que sea posible. No convierta cestas con varios artículos en varios eventos de compra. Manténgalos como eventos de compra únicos que incluyan varios productos.
Comprueba que algunos eventos de compra incluyan varios productos, ya que esto ayuda al modelo a aprender patrones de compra conjunta, sobre todo en modelos como Comprados juntos.
Respuestas de la API: diferencias entre las búsquedas y las recomendaciones
Una diferencia clave de Vertex AI Search for commerce es cómo gestionan las APIs Search y Recommendations las variantes de productos en sus respuestas. Es fundamental entender esta diferencia para poder implementar la función.
Las respuestas de búsqueda incluyen variantes de productos específicas, mientras que las respuestas de recomendaciones no.
- Búsqueda: cuando un usuario envía una consulta (por ejemplo, zapatillas de correr rojas de la talla 43), la API devuelve una lista de productos principales y detalles de las cinco variantes que mejor coinciden. La consulta del usuario proporciona el contexto necesario para identificar y clasificar las variantes más relevantes.
- Recomendaciones: la respuesta de modelos como Comprados con frecuencia o Recomendados para ti solo devuelve IDs de producto principales. Estas recomendaciones son generales y no tienen una consulta de usuario específica que guíe la selección de variantes.
Este diseño ofrece a los desarrolladores la flexibilidad de implementar su propia lógica de selección de variantes. Como no hay ninguna consulta que te guíe, puedes controlar qué variante se muestra en función de tus propias reglas de negocio, como mostrar el producto más vendido, la variante con el inventario más alto o una que esté en promoción. Este diseño intencional asegura que la recomendación final se ajuste a tu estrategia de comercio electrónico específica.
Los modelos personalizados, como Recomendado para ti u Otros que te pueden gustar, son más eficaces cuando se adaptan a las acciones inmediatas de los usuarios. La clave de esta capacidad de respuesta reside en cómo se procesan los datos de interacción de los usuarios, es decir, los eventos.
- Personalización en tiempo real: esta estrategia aprovecha un flujo continuo de eventos de usuario, como clics o adiciones al carrito. Al ingerir estos eventos en tiempo real, los modelos de recomendación pueden adaptar al instante sus resultados a los intereses más recientes de un usuario. De esta forma, las sugerencias siempre están actualizadas y son muy relevantes.
- Entrenamiento del modelo frente a personalización: es importante distinguir entre el modelo principal y la capa de personalización.
- Entrenamiento del modelo: el modelo de recomendación subyacente de Vertex AI Search for commerce suele volver a entrenarse a diario y aprende de todo el historial de datos.
- Personalización en tiempo real: se lleva a cabo sobre el modelo entrenado. Con cada llamada a la API, se calculan recomendaciones personalizadas y actualizadas que incorporan los eventos de usuario que se han producido en los últimos minutos.
- El método de ingesta es importante: la velocidad de la personalización está directamente relacionada con la forma en que ingiere los eventos de usuario.
- Ingestión en tiempo real: es fundamental para la personalización instantánea. Si tu empresa necesita aprovechar la intención de los usuarios en el momento, es fundamental priorizar un flujo de eventos en tiempo real.
- Ingestión por lotes: si usas un proceso por lotes, la personalización se retrasará el tiempo equivalente a la frecuencia de tu programación por lotes. Aunque no es intrínsecamente malo, es un aspecto fundamental que debes tener en cuenta en función de los requisitos de tu empresa.
La eficacia de las recomendaciones de productos basadas en IA depende de su ubicación estratégica. Colocar el modelo adecuado en la página correcta es fundamental para maximizar la interacción de los usuarios y alcanzar las métricas empresariales clave. En esta guía se ofrecen estrategias probadas para colocar modelos de Vertex AI Search for commerce, al tiempo que se destaca la flexibilidad necesaria para alcanzar tus objetivos de negocio.
Modelos y emplazamientos de recomendaciones principales
Vertex AI Search for commerce ofrece modelos especializados para diferentes contextos de compra. En esta tabla se resumen nuestros modelos principales y las ubicaciones recomendadas para maximizar el impacto.
| Página de comercio electrónico | Objetivo principal | Mejor modelo para la página | Modelo alternativo 1 | Modelo alternativo 2 |
|---|---|---|---|---|
| Página de detalles del producto | Mostrar artículos similares o alternativos | Otros que te podrían interesar | Artículos que se suelen comprar juntos | Artículos similares |
| Página principal o página de categoría | Descubrimiento personalizado | Recomendado para ti | Comprarlo de nuevo | En oferta |
| Página del carrito de la compra | Aumentar el valor medio de pedido | Artículos que se suelen comprar juntos | Recomendado para ti | En oferta |
- Recomendaciones para ti: crea una experiencia personalizada aprovechando el historial de datos de un usuario. Su colocación en la página principal o en las páginas de categorías permite que los clientes que vuelven interactúen inmediatamente con sugerencias personalizadas.
- Otros que te pueden gustar: ideal para páginas de detalles de productos, este modelo presenta artículos similares o alternativos al producto que se está viendo. Es una herramienta clave para impulsar el descubrimiento de productos y se puede optimizar para conseguir un mayor porcentaje de clics o más ingresos.
- Comprados con frecuencia: se ha diseñado para aumentar el valor medio de los pedidos sugiriendo productos complementarios. Es más eficaz en las páginas de detalles del producto y en el flujo del carrito o de la tramitación de la compra, donde sugiere compras complementarias lógicas.
Prueba A/B para tomar decisiones basadas en datos
Aunque estas directrices proporcionan una base sólida, las pruebas A/B son esenciales para validar la estrategia óptima para tu audiencia específica. Por ejemplo, puede probar si Otros que te pueden gustar o Comprados juntos funcionan mejor en sus páginas de detalles del producto mostrando cada modelo a una cohorte de usuarios diferente.
Si monitorizas los indicadores clave de rendimiento, como las tasas de conversión y los ingresos de cada grupo, podrás tomar decisiones basadas en datos sobre qué modelo implementar. Este enfoque empírico elimina las conjeturas y asegura que tu estrategia de emplazamiento se ajuste a tus objetivos de negocio.
Equilibrar las directrices con las necesidades de la empresa
Estas recomendaciones pueden servirte como punto de partida. La flexibilidad de Vertex AI Search for commerce permite realizar personalizaciones para alcanzar objetivos estratégicos específicos. Sin embargo, para las empresas que no tienen una estrategia de emplazamiento predefinida, estas directrices probadas ofrecen un camino fiable hacia el éxito. Si colocas tus modelos de forma estratégica y perfeccionas continuamente tu enfoque mediante pruebas, podrás ofrecer una experiencia de comercio electrónico más atractiva y rentable.