Cliquez sur chaque élément de la checklist pour afficher des informations plus détaillées sur la procédure à suivre. Cochez chaque étape d'intégration une fois que vous l'avez effectuée. En suivant ces étapes, vous pouvez améliorer l'efficacité globale de votre implémentation des recommandations.
Données d'attribut
Limites de filtrage des attributs : étant donné la limite de filtrage des attributs de 10, donnez la priorité à la sélection des attributs les plus importants. Analysez les tendances dans les attributs personnalisés sélectionnés et ajoutez des attributs similaires et pertinents au catalogue. Assurez-vous d'avoir une couverture élevée pour les clés de filtre d'attribut dans le catalogue afin d'activer un filtrage efficace et d'affiner les recommandations.
Maximiser l'impact des attributs : ne supprimez pas ni ne désactivez les attributs, car cela pourrait affecter le modèle. Améliorez la couverture des attributs sélectionnés automatiquement en remplissant ces champs pour davantage de produits.
Vérifier les paramètres d'attribut : les recommandations utilisent des paramètres d'attribut filtrables qui peuvent être utilisés dans les expressions de filtre de recommandation. Ce contrôle ne s'applique qu'aux attributs de texte.
Catégories
Surveillez la distribution des catégories et corrigez les catégories surreprésentées. Les catégories de produits de haute qualité permettent à la diversité basée sur des règles de recommander des produits de différentes catégories.
Taux de produits indisponibles
Maintenez un faible taux de produits indisponibles (idéalement inférieur à 90%) pour éviter de fausser les recommandations et garantir des résultats pertinents. Si la majorité de vos produits sont OUT_OF_STOCK (OOS), la réponse de prédiction comportera de nombreux produits OOS. Si vous ajoutez un filtre, les chiffres de rappel seront réduits. Maintenez le champ Product.availability à jour autant que possible à l'aide des API patchProduct ou des API d'importation avec un readMask.
Variantes et informations principales
Assurez-vous que les produits principaux et les variantes disposent d'informations complètes et exactes. Tenez compte de la structure de la SKU du produit et désignez les produits comme principaux ou variantes en conséquence. Donnez la priorité à l'exactitude et à l'exhaustivité de product.categories, product.title, product.attributes et product.prices pour les produits principaux et les variantes de produits.
Réfléchissez bien lorsque vous déterminez quels produits ou groupes de produits sont principaux et lesquels sont des variantes.
Les produits principaux et leurs variantes sont parfois décrits comme des éléments parents et enfants.
Prix sur les produits principaux et les variantes
Renseignez avec précision les informations sur les prix pour les produits principaux et les variantes afin de garantir des recommandations et un filtrage précis. Si le produit n'a pas de prix au niveau du produit et que tous les prix sont toujours liés à un inventaire en magasin, remplissez les informations sur le prix médian de tous les prix au niveau de l'inventaire dans les informations sur le prix au niveau du produit.
Fréquence d'importation des données
Sachez que le modèle récupère de nouvelles informations produit environ toutes les six heures.
Idéalement, vous devez mettre à jour le catalogue régulièrement (toutes les heures, tous les jours ou mieux, de préférence en temps réel) à l'aide d'importations périodiques du catalogue pour éviter que la qualité du modèle ne diminue au fil du temps.
Lors d'événements importants comme le Black Friday et le Cyber Monday, assurez-vous que votre pipeline d'ingestion de données peut gérer les changements de prix rapides dans l'ensemble du catalogue.
Importations incohérentes par branche
Assurez-vous que les mises en ligne de produits sont cohérentes entre les branches pour éviter de manquer des informations produit pour certaines requêtes, ce qui peut nuire à la qualité du modèle.
Importez des données dans différentes branches pour préparer et prévisualiser les recommandations ou prédire les résultats.
Équilibre entre les filtres et les paramètres de diversité
Optimisez l'équilibre entre le nombre de filtres appliqués et les paramètres de diversité. Utilisez la diversité basée sur les données pour produire des résultats de recommandations qui équilibrent la pertinence et la diversité. La diversité basée sur les données apprend à partir des métadonnées du catalogue de produits, telles que les titres ou les catégories.
Ajustez les résultats de prédiction en fonction de la catégorie de produits en définissant diversityLevel sur des valeurs telles que RULE_BASED_DIVERSITY, DATA_DRIVEN_DIVERSITY, no-diversity, low-diversity, medium-diversity, high-diversity ou auto-diversity.
RULE_BASED_DIVERSITYdiversifie les résultats de recommandation en fonction de la catégorie de produits.DATA_DRIVEN_DIVERSITYdiversifie les recommandations en apprenant à partir des métadonnées des produits pour équilibrer la pertinence et la diversité des catégories.
Paramètres de reclassement des prix
Ajustez les résultats de prédiction en fonction du prix du produit à l'aide du paramètre priceRerankLevel, avec des options pour le reclassement des prix (aucun, faible, moyen ou élevé).
Les valeurs autorisées sont no-price-reranking (valeur par défaut si elle n'est pas définie), low-price-reranking, medium-price-reranking et high-price-reranking.
Données de filtre incorrectes dans les événements utilisateur
Assurez-vous que les filtres à plusieurs mots dans les événements utilisateur correspondent exactement au catalogue, y compris la mise en majuscules (OnePiece par rapport à One-Piece).
L'utilisation précise des filtres est essentielle pour des performances optimales des facettes dynamiques. Le modèle déduit la popularité des facettes à partir des filtres présents dans les requêtes de prédiction.
Exigences relatives aux événements
Pour tous les types d'événements (par type de modèle), assurez-vous d'avoir un nombre suffisant d'événements.
Assurez-vous que les événements ingérés sont attribuables, ce qui signifie que les détails sur les codes temporels, l'ID de visiteur et l'ID de produit doivent être exacts pour que le modèle puisse être entraîné. Cela signifie que le modèle doit être en mesure de construire un parcours utilisateur à partir des événements.
Vérifiez les exigences relatives aux événements par type de modèle dans la documentation ou dans AI Commerce Search dans Gemini Enterprise for Customer Experience au moment de la création du modèle.
Impression moyenne par produit
Pour tous les types d'événements (par type de modèle), visez une impression moyenne par ID de produit supérieure à 10. Une à deux semaines de vues des pages d'informations détaillées des produits peuvent suffire pour commencer l'entraînement des modèles "Autres articles susceptibles de vous intéresser" et "Recommandations personnalisées".
Taille moyenne des commandes d'achat
Assurez-vous que la taille moyenne des commandes d'achat est supérieure à un, à l'exclusion de la quantité d'articles, le cas échéant. Ne regroupez pas les paniers multi-articles en plusieurs événements d'achat. Conservez-les sous la forme d'événements d'achat uniques incluant plusieurs produits.
Vérifiez que certains événements d'achat incluent plusieurs produits, car cela aide le modèle à apprendre les tendances d'achat conjoint, en particulier pour les modèles tels que "Articles fréquemment achetés ensemble".
Réponses de l'API : la recherche et les recommandations diffèrent
Une distinction clé dans AI Commerce Search est la façon dont les API de recherche et de recommandations gèrent les variantes de produits dans leurs réponses. Il est essentiel de comprendre cette différence pour l'implémentation.
Les réponses de recherche incluent des variantes de produits spécifiques, contrairement aux réponses de recommandations.
- Recherche : lorsqu'un utilisateur envoie une requête (par exemple, chaussures de course rouges taille 42), l'API renvoie une liste de produits principaux et des informations sur les cinq principales variantes correspondantes. La requête de l'utilisateur fournit le contexte nécessaire pour identifier et classer les variantes les plus pertinentes.
- Recommandations : la réponse pour les modèles tels que "Articles fréquemment achetés ensemble" ou "Recommandations personnalisées" ne renvoie intentionnellement que les ID de produits principaux. Ces recommandations sont générales et ne comportent pas de requête utilisateur spécifique pour guider la sélection des variantes.
Cette conception offre aux développeurs la flexibilité nécessaire pour implémenter leur propre logique de sélection des variantes. Comme il n'y a pas de requête de guidage, vous contrôlez la variante qui s'affiche en fonction de vos propres règles commerciales, par exemple en affichant le best-seller, la variante avec le stock le plus élevé ou celle en promotion. Cette conception intentionnelle garantit que la recommandation finale correspond à votre stratégie d'e-commerce spécifique.
Les modèles personnalisés tels que "Recommandations personnalisées" ou "Autres articles susceptibles de vous intéresser" sont plus efficaces lorsqu'ils s'adaptent aux actions immédiates d'un utilisateur. La clé de cette réactivité réside dans la façon dont les données d'interaction de l'utilisateur, ou événements, sont traitées.
- Personnalisation en temps réel : cette approche exploite un flux continu d'événements utilisateur, tels que les clics ou les ajouts au panier. En ingérant ces événements en temps réel, les modèles de recommandation peuvent adapter instantanément leur résultat aux centres d'intérêt les plus récents d'un utilisateur. Ainsi, les suggestions sont toujours récentes et très pertinentes.
- Entraînement du modèle par rapport à la personnalisation : il est important de faire la distinction entre le modèle de base et la couche de personnalisation.
- Entraînement de modèle : le modèle de recommandation sous-jacent dans AI Commerce Search est généralement réentraîné quotidiennement, en apprenant à partir de toutes les données historiques.
- Personnalisation en temps réel : cela se produit en plus du modèle entraîné. À chaque appel d'API, il calcule de nouvelles recommandations personnalisées qui intègrent les événements utilisateur survenus au cours des dernières minutes.
- La méthode d'ingestion est importante : la vitesse de personnalisation est directement liée à la façon dont vous ingérez les événements utilisateur.
- Ingestion en temps réel : elle est essentielle pour une personnalisation instantanée. Si votre entreprise doit tirer parti de l'intention utilisateur au moment où elle se manifeste, il est essentiel de donner la priorité à un flux d'événements en temps réel.
- Ingestion par lot : l'utilisation d'un processus par lot introduit un délai dans la personnalisation, équivalent à la fréquence de votre planification par lot. Bien que cela ne soit pas intrinsèquement mauvais, il s'agit d'un compromis essentiel à prendre en compte en fonction des exigences de votre entreprise.
L'efficacité des recommandations de produits basées sur l'IA dépend de leur placement stratégique. Il est essentiel de positionner le bon modèle sur la bonne page pour maximiser l'engagement utilisateur et atteindre les métriques clés de l'entreprise. Ce guide propose des stratégies éprouvées pour placer les modèles AI Commerce Search, tout en soulignant la flexibilité nécessaire pour atteindre vos objectifs commerciaux uniques.
Modèles de recommandation et emplacements principaux
AI Commerce Search propose des modèles spécialisés pour différents contextes d'achat. Ce tableau récapitule nos principaux modèles et leurs emplacements recommandés pour un impact maximal.
| Page d'e-commerce | Objectif principal | Meilleur modèle pour la page | Modèle alternatif 1 | Modèle alternatif 2 |
|---|---|---|---|---|
| Page d'informations détaillées sur le produit | Afficher des articles similaires ou alternatifs | Autres articles susceptibles de vous intéresser | Articles fréquemment achetés ensemble | Articles similaires |
| Page d'accueil / Page de catégorie | Découverte personnalisée | Recommandations personnalisées | Racheter | Promotion |
| Page du panier | Augmenter la valeur moyenne des commandes | Articles fréquemment achetés ensemble | Recommandations personnalisées | Promotion |
- Recommandations personnalisées : crée une expérience personnalisée en exploitant les données historiques d'un utilisateur. Son placement sur la page d'accueil ou les pages de catégorie engage immédiatement les clients qui reviennent avec des suggestions personnalisées.
- Autres articles susceptibles de vous intéresser : idéal pour les pages d'informations détaillées sur les produits, ce modèle présente des articles similaires ou alternatifs au produit consulté. Outil clé pour stimuler la découverte de produits, il peut être optimisé pour le taux de clics (CTR) ou les revenus.
- Articles fréquemment achetés ensemble : conçu pour augmenter la valeur moyenne des commandes en suggérant des produits complémentaires. Il est plus efficace sur les pages d'informations détaillées sur les produits et dans le flux du panier ou le processus de paiement, où il invite à des achats complémentaires logiques.
Test A/B pour les décisions basées sur les données
Bien que ces consignes fournissent une base solide, les tests A/B sont essentiels pour valider la stratégie optimale pour votre audience spécifique. Vous pouvez, par exemple, tester si "Autres articles susceptibles de vous intéresser" ou "Articles fréquemment achetés ensemble" sont plus performants sur vos pages d'informations détaillées sur les produits en diffusant chaque modèle auprès d'une cohorte d'utilisateurs différente.
En suivant les indicateurs clés de performance tels que les taux de conversion et les revenus pour chaque groupe, vous pouvez prendre des décisions basées sur les données concernant le modèle à déployer. Cette approche empirique élimine les incertitudes et garantit que votre stratégie de placement est parfaitement adaptée à vos objectifs commerciaux.
Équilibrer les consignes avec les besoins de l'entreprise
Considérez ces recommandations comme un point de départ. La flexibilité d'AI Commerce Search permet des personnalisations pour atteindre des objectifs stratégiques spécifiques. Toutefois, pour les entreprises sans stratégie de placement préexistante, ces consignes éprouvées constituent une voie fiable vers le succès. En plaçant vos modèles de manière réfléchie et en affinant continuellement votre approche grâce à des tests, vous pouvez offrir une expérience d'e-commerce plus engageante et plus rentable.