Haz clic en cada elemento de la lista de tareas para obtener 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 el límite de filtrado de atributos de 10, prioriza la selección de los atributos más importantes. Analiza los patrones en los atributos personalizados seleccionados y agrega atributos similares y relevantes al catálogo. Asegúrate de que las claves de filtro de atributos tengan una cobertura alta en el catálogo para permitir un filtrado eficaz y definir mejor las recomendaciones.
Maximiza el impacto de los atributos: No borres ni inhabilites los atributos, ya que esto podría afectar el modelo. Mejora la cobertura de los atributos seleccionados automáticamente completando estos campos para más productos.
Verifica la configuración de los atributos: Las recomendaciones usan parámetros de configuración de atributos filtrables que se pueden usar en expresiones de filtro de recomendaciones. Este control se aplica solo a los atributos de texto.
Categorías
Supervisa la distribución de categorías y aborda las categorías con una representación excesiva. Las categorías de productos de alta calidad permiten la diversidad basada en reglas para recomendar productos de una variedad de categorías.
Proporción de productos agotados
Mantén una proporción baja de productos agotados (lo ideal es que sea inferior al 90%) para evitar sesgar las recomendaciones y garantizar resultados relevantes. Si la mayoría de los productos están marcados como OUT_OF_STOCK (OOS), la respuesta de predicción tendrá muchos productos OOS y, cuando agregues un filtro, se reducirán los números de recuperación. Mantén el campo Product.availability lo más actualizado posible con las APIs de patchProduct o importa APIs con un readMask.
Variantes y detalles principales
Asegúrate de que los productos principales y las variantes tengan detalles completos y precisos. Ten en cuenta la estructura de SKU del producto y designa los productos como principales o variantes según corresponda. Prioriza la exactitud y la integridad de product.categories, product.title, product.attributes y product.prices para los productos principales y las variantes de productos.
Asegúrate de pensar detenidamente cuando determines qué productos o grupos de productos son principales y cuáles son variantes.
A veces, los productos principales y las variantes se describen como elementos superiores y secundarios.
Precio de los productos principales y las variantes
Completa con precisión la información de precios de los productos principales y las variantes para garantizar recomendaciones y filtrado precisos. Si el producto no tiene precios a nivel del producto y todos los precios siempre están vinculados a un inventario local, completa la información del precio medio de todos los precios a nivel del inventario en la información del precio a nivel del producto.
Frecuencia de carga de datos
Ten en cuenta que el modelo recopila información nueva sobre los productos aproximadamente cada seis horas.
Lo ideal es actualizar el catálogo con regularidad (cada hora, a diario o, preferentemente, en tiempo real) mediante importaciones periódicas de catálogo para evitar que la calidad del modelo disminuya con el tiempo.
Durante eventos de alta demanda, como el BFCM, asegúrate de que tu canalización de transferencia de datos pueda manejar cambios rápidos de precios en todo el catálogo.
Cargas inconsistentes por sucursal
Asegúrate de que las cargas de productos sean coherentes en todas las sucursales para evitar que falte información de productos para algunas búsquedas, lo que puede empeorar la calidad del modelo.
Importa datos a diferentes sucursales como forma de almacenar en etapa intermedia las recomendaciones y obtener una vista previa de ellas, o bien predecir resultados.
Equilibrio entre filtros y parámetros de configuración de diversidad
Optimiza el equilibrio entre la cantidad de filtros aplicados y los parámetros de configuración de diversidad. Usa la diversidad basada en datos para producir resultados de 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 predicción según la categoría del producto configurando diversityLevel en 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 según la categoría del producto.DATA_DRIVEN_DIVERSITYdiversifica las recomendaciones en función del aprendizaje de los metadatos del producto para equilibrar la relevancia y la diversidad de categorías.
Parámetros de reclasificación de precios
Ajusta los resultados de predicción según el precio del producto con el parámetro priceRerankLevel, con opciones para reclasificación de precios nula, baja, media o alta.
Los valores permitidos son no-price-reranking (valor predeterminado si no se establece), 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 en los eventos de usuario coincidan exactamente con el catálogo, incluida la capitalización (OnePiece en lugar de One-Piece).
El uso preciso de los filtros es fundamental para un rendimiento óptimo de las facetas dinámicas. El modelo infiere la popularidad de las facetas a partir de los filtros presentes en las solicitudes de predicción.
Requisitos de eventos
Para todos los tipos de eventos (por tipo de modelo), asegúrate de que haya una cantidad suficiente de eventos.
Asegúrate de que los eventos transferidos sean atribuibles, lo que significa que las marcas de tiempo, el ID del visitante y los detalles del ID del producto deben ser precisos para que el modelo se entrene. Esto significa que el modelo debe poder construir un recorrido del usuario a partir de los eventos.
Consulta el requisito de eventos por tipo de modelo en la documentación o en AI Commerce Search en Gemini Enterprise para la experiencia del cliente en el momento de la creación del modelo.
Impresión promedio por producto
Para todos los tipos de eventos (por tipo de modelo), procura obtener una impresión promedio por ID de producto superior a 10. Una o dos semanas de páginas de detalles vistas pueden ser suficientes para comenzar a entrenar los modelos Otros elementos que podrían gustarte y Recomendado para ti.
Tamaño promedio del pedido de compra
Asegúrate de que el tamaño promedio del pedido de compra sea superior a uno, sin incluir la cantidad de artículos, cuando corresponda. No compactes las cestas de varios artículos en varios eventos de compra. Manténlos como eventos únicos de compra que incluyan varios productos.
Verifica que algunos eventos de compra incluyan varios productos, ya que esto ayuda al modelo a aprender patrones de compra conjunta, en especial para modelos como Se suelen comprar juntos.
Respuestas de la API: La búsqueda y las recomendaciones difieren
Una distinción clave en AI Commerce Search es la forma en que las APIs de Search y Recommendations administran las variantes de productos en sus respuestas. Comprender esta diferencia es fundamental para la implementación.
Las respuestas de búsqueda incluyen variantes de productos específicas, mientras que las respuestas de recomendaciones no.
- Búsqueda: Cuando un usuario envía una búsqueda (como zapatillas rojas para correr talla 10), la API devuelve una lista de productos principales y detalles de las cinco variantes que mejor coinciden. La búsqueda del usuario proporciona el contexto necesario para identificar y clasificar las variantes más relevantes.
- Recomendaciones: La respuesta para modelos como Se suelen comprar juntos o Recomendado para ti devuelve intencionalmente solo los IDs de productos principales. Estas recomendaciones son amplias y no tienen una búsqueda específica del usuario para guiar la selección de variantes.
Este diseño les brinda a los desarrolladores la flexibilidad de implementar su propia lógica de selección de variantes. Como no hay una búsqueda guía, tú controlas qué variante se muestra según tus propias reglas comerciales, como mostrar el producto más vendido, la variante con el inventario más alto o una que esté en promoción. Este diseño intencional garantiza que la recomendación final se alinee con tu estrategia de comercio electrónico específica.
Los modelos personalizados, como Recomendado para ti o Otros elementos que podrían gustarte, son más eficaces cuando se adaptan a las acciones inmediatas de un usuario. La clave de esta capacidad de respuesta radica en cómo se procesan los datos de interacción del usuario o los eventos.
- Personalización en tiempo real: Este enfoque aprovecha un flujo continuo de eventos de usuario, como clics o adiciones a un carrito. Al transferir estos eventos en tiempo real, los modelos de recomendaciones pueden adaptar instantáneamente su resultado a los intereses más recientes de un usuario. Esto garantiza que las sugerencias estén siempre actualizadas y sean muy relevantes.
- Entrenamiento de modelos en comparación con la personalización: Es importante distinguir entre el modelo principal y la capa de personalización.
- Entrenamiento de modelos: Por lo general, el modelo de recomendaciones subyacente en AI Commerce Search se vuelve a entrenar a diario y aprende de todos los datos históricos.
- Personalización en tiempo real: Esto sucede sobre el modelo entrenado. Con cada llamada a la API, calcula recomendaciones personalizadas y actualizadas que incorporan eventos de usuario que ocurrieron en los últimos minutos.
- El método de transferencia es importante: La velocidad de la personalización está directamente relacionada con la forma en que transfieres los eventos de usuario.
- Transferencia en tiempo real: Esto es fundamental para la personalización instantánea. Si tu empresa necesita aprovechar la intención del usuario en el momento, es esencial priorizar un flujo de eventos en tiempo real.
- Transferencia por lotes: El uso de un proceso por lotes introducirá una demora en la personalización, equivalente a la frecuencia de tu programación por lotes. Si bien no es intrínsecamente malo, es una compensación fundamental que debes tener en cuenta según los requisitos de tu empresa.
La eficacia de las recomendaciones de productos basadas en IA depende de su posición estratégica. Posicionar el modelo correcto en la página correcta es fundamental para maximizar la participación de los usuarios y alcanzar las métricas comerciales clave. En esta guía, se ofrecen estrategias comprobadas para posicionar modelos de AI Commerce Search, a la vez que se enfatiza la flexibilidad necesaria para satisfacer tus objetivos comerciales únicos.
Modelos y posiciones de recomendaciones principales
AI Commerce Search ofrece modelos especializados para diferentes contextos de compra. En esta tabla, se resumen nuestros modelos principales y sus posiciones recomendadas para lograr el máximo impacto.
| Página de comercio electrónico | Objetivo principal | Mejor modelo para la página | Modelo alternativo 1 | Modelo alternativo 2 |
|---|---|---|---|---|
| Página de detalles del producto | Mostrar elementos similares o alternativos | Otros elementos que podrían gustarte | Se suelen comprar juntos | Artículos similares |
| Página principal o página de categoría | Descubrimiento personalizado | Recomendado para ti | Comprar nuevamente | Oferta |
| Página del carrito de compras | Aumentar el valor promedio del pedido | Se suelen comprar juntos | Recomendado para ti | Oferta |
- Recomendado para ti: Crea una experiencia personalizada aprovechando los datos históricos de un usuario. Su posición en la página principal o en las páginas de categorías atrae de inmediato a los clientes recurrentes con sugerencias personalizadas.
- Otros elementos que podrían gustarte: Ideal para las páginas de detalles del producto, este modelo presenta elementos similares o alternativos al producto que se está viendo. Es una herramienta clave para impulsar el descubrimiento de productos y se puede optimizar para la tasa de clics (CTR) o los ingresos.
- Se suelen comprar juntos: Está diseñado para aumentar el valor promedio del pedido sugiriendo productos complementarios. Es más eficaz en las páginas de detalles del producto y dentro del proceso de confirmación de compra, donde solicita compras lógicas de complementos.
Prueba A/B para tomar decisiones basadas en datos
Si bien estos lineamientos proporcionan una base sólida, las pruebas A/B son esenciales para validar la estrategia óptima para tu público específico. Por ejemplo, puedes probar si Otros elementos que podrían gustarte o Se suelen comprar juntos funcionan mejor en tus páginas de detalles del producto publicando cada modelo para un grupo de usuarios diferente.
Si haces un seguimiento de los indicadores clave de rendimiento, como los porcentajes de conversiones y los ingresos de cada grupo, puedes tomar decisiones basadas en datos sobre qué modelo implementar. Este enfoque empírico elimina las conjeturas y garantiza que tu estrategia de posicionamiento esté ajustada a tus objetivos comerciales.
Equilibra los lineamientos con las necesidades comerciales
Considera estas recomendaciones como punto de partida. La flexibilidad de AI Commerce Search permite realizar personalizaciones para satisfacer objetivos estratégicos específicos. Sin embargo, para las empresas que no tienen una estrategia de posicionamiento preexistente, estos lineamientos probados proporcionan un camino confiable hacia el éxito. Si posicionas tus modelos de forma inteligente y perfeccionas continuamente tu enfoque a través de pruebas, puedes desbloquear una experiencia de comercio electrónico más atractiva y rentable.