כדי לראות מידע מפורט יותר על אופן הפעולה, לוחצים על כל פריט ברשימת המשימות. מסמנים כל שלב בתהליך ההצטרפות אחרי שמסיימים אותו. אם תפעלו לפי השלבים האלה, תוכלו לשפר את היעילות הכוללת של יישום ההמלצות.
נתוני מאפיינים
מגבלות על סינון מאפיינים: בהתחשב במגבלת הסינון של 10 מאפיינים, חשוב לתת עדיפות לבחירה של המאפיינים החשובים ביותר. לנתח דפוסים במאפיינים מותאמים אישית שנבחרו ולהוסיף לקטלוג מאפיינים דומים ורלוונטיים. כדי שהסינון יהיה יעיל וההמלצות יהיו מדויקות, חשוב לוודא שיש כיסוי גבוה של מפתחות סינון מאפיינים בקטלוג.
מקסום ההשפעה של מאפיינים: לא מומלץ למחוק או להשבית מאפיינים כי זה עלול להשפיע על המודל. כדי לשפר את הכיסוי של מאפיינים שנבחרו אוטומטית, כדאי למלא את השדות האלה עבור יותר מוצרים.
בדיקת הגדרות המאפיינים: ההמלצות משתמשות בהגדרות של מאפיינים שניתנים לסינון, שאפשר להשתמש בהם בביטויי סינון של המלצות. האפשרות הזו רלוונטית רק למאפייני טקסט.
קטגוריות
עוקבים אחרי חלוקת הקטגוריות ומטפלים בקטגוריות עם ייצוג יתר. קטגוריות מוצרים באיכות גבוהה מאפשרות להשתמש בכללים כדי להמליץ על מוצרים ממגוון קטגוריות.
יחס המוצרים שחסרים במלאי
כדי למנוע הטיה בהמלצות ולוודא שהתוצאות רלוונטיות, חשוב לשמור על יחס נמוך של מוצרים שלא במלאי (מומלץ פחות מ-90%). אם רוב המוצרים הם OUT_OF_STOCK (לא במלאי), התגובה של התחזית תכלול הרבה מוצרים שלא במלאי, ואחרי הוספת מסנן, ערכי ה-Recall יקטנו. חשוב לעדכן את השדה Product.availability כמה שיותר באמצעות ממשקי ה-API של patchProduct או ממשקי API לייבוא עם readMask.
וריאציות ופרטים עיקריים
חשוב לוודא שלמוצרים הראשיים ולמשפחת מוצרים יש פרטים מלאים ומדויקים. כדאי לשקול את מבנה המק"טים של המוצרים ולהגדיר מוצרים כראשיים או כווריאציות בהתאם. חשוב לתת עדיפות לדיוק ולשלמות של המאפיינים product.categories, product.title, product.attributes ו-product.prices גם למוצרים ראשיים וגם למשפחות מוצרים.
חשוב לחשוב היטב כשקובעים אילו מוצרים או קבוצות מוצרים הם ראשיים ואילו הם וריאציות.
פריטים ראשיים ופריטי וריאציות נקראים לפעמים פריטי הורה ופריטי צאצא.
המחיר במוצר הראשי ובמוצרי הווריאציות
כדי שההמלצות והסינון יהיו מדויקים, חשוב למלא את פרטי המחיר של המוצרים הראשיים ושל משפחות המוצרים שלהם בצורה מדויקת. אם למוצר אין מחיר ברמת המוצר, וכל המחירים תמיד קשורים למלאי בחנות מקומית, צריך למלא את פרטי המחיר ברמת המוצר עם המחיר החציוני של כל המחירים ברמת המלאי.
תדירות העלאה של נתונים
חשוב לדעת שהמודל אוסף פרטי מוצר חדשים בערך כל שש שעות.
מומלץ לעדכן את הקטלוג באופן קבוע (שעתי, יומי או אפילו בזמן אמת) באמצעות ייבוא קטלוג תקופתי, כדי למנוע ירידה באיכות המודל לאורך זמן.
במהלך אירועים מרכזיים כמו סוף השנה, חשוב לוודא שצינור העברת הנתונים יכול להתמודד עם שינויים מהירים במחירים בכל הקטלוג.
העלאות לא עקביות בכל סניף
כדי למנוע מצב שבו פרטי מוצרים מסוימים לא יופיעו בחלק מהשאילתות, מה שעלול לפגוע באיכות המודל, חשוב לוודא שאתם מעלים את המוצרים באופן עקבי בכל הסניפים.
ייבוא נתונים לענפים שונים כדי להכין תצוגה מקדימה של המלצות או לחזות תוצאות.
איזון בין מסננים לבין הגדרות גיוון
אופטימיזציה של האיזון בין מספר המסננים שהוחלו לבין הגדרות הגיוון. השימוש במגוון מבוסס-נתונים מאפשר להפיק תוצאות של המלצות שמשלבות בין רלוונטיות למגוון. התכונה 'מגוון מבוסס-נתונים' לומדת ממטא-נתונים של קטלוג המוצרים, כמו שמות או קטגוריות.
כדי לשנות את תוצאות התחזית על סמך קטגוריית המוצר, מגדירים את diversityLevel לערכים כמו RULE_BASED_DIVERSITY, DATA_DRIVEN_DIVERSITY, no-diversity, low-diversity, medium-diversity, high-diversity או auto-diversity.
RULE_BASED_DIVERSITYמגוון את תוצאות ההמלצות על סמך קטגוריית המוצר.DATA_DRIVEN_DIVERSITYמגוון ההמלצות מבוסס על למידה ממטא-נתונים של מוצרים, כדי ליצור איזון בין הרלוונטיות לבין מגוון הקטגוריות.
פרמטרים של דירוג מחדש של מחירים
כדי לשנות את תוצאות החיזוי על סמך מחיר המוצר, משתמשים בפרמטר priceRerankLevel עם האפשרויות 'ללא', 'נמוך', 'בינוני' או 'גבוה' לדירוג מחדש של המחיר.
הערכים המותרים הם no-price-reranking (ערך ברירת המחדל אם לא מוגדר ערך), low-price-reranking, medium-price-reranking ו-high-price-reranking.
נתונים שגויים של מסננים באירועים של משתמשים
חשוב לוודא שהמסננים של אירועי משתמשים שמורכבים מכמה מילים תואמים בדיוק לקטלוג, כולל השימוש באותיות רישיות (למשל OnePiece לעומת One-Piece).
שימוש מדויק במסננים הוא חיוני לביצועים אופטימליים של היבטים דינמיים. המודל מסיק את הפופולריות של היבטים מתוך המסננים שמופיעים בבקשות לחיזוי.
דרישות לגבי אירועים
לכל סוג אירוע (לכל סוג מודל), מוודאים שיש מספר מספיק של אירועים.
חשוב לוודא שאפשר לשייך את האירועים שהועברו, כלומר שפרטי חותמות הזמן, מזהה המבקר ומזהה המוצר מדויקים כדי שהמודל יוכל להתאמן. כלומר, המודל צריך להיות מסוגל לבנות תהליך שעובר המשתמש מתוך האירועים.
אפשר לבדוק את דרישות האירועים לפי סוג המודל במסמכי התיעוד או ב-AI Commerce Search ב-Gemini Enterprise for Customer Experience בזמן יצירת המודל.
חשיפה ממוצעת לכל מוצר
לכל סוגי האירועים (לכל סוג מודל), כדאי לשאוף לממוצע של יותר מ-10 חשיפות לכל מזהה מוצר. שבוע עד שבועיים של נתוני צפיות מפורטים בדפים יכולים להספיק כדי להתחיל לאמן את המודלים 'אולי תאהבו' ו'מומלץ בשבילכם'.
ממוצע פריטים להזמנה (AOS)
במקרים הרלוונטיים, מוודאים שגודל ההזמנה הממוצע לרכישה גדול מאחד, לא כולל כמות הפריטים. אל תהפכו עגלות קניות עם כמה פריטים לכמה אירועי רכישה. מומלץ להשאיר אותם כאירועי רכישה יחידים שכוללים כמה מוצרים.
חשוב לוודא שחלק מאירועי הרכישה כוללים כמה מוצרים, כי זה עוזר למודל ללמוד דפוסי רכישה משותפים, במיוחד למודלים כמו 'מוצרים שנרכשים יחד לעיתים קרובות'.
תשובות ל-API: יש הבדל בין חיפוש להמלצות
ההבדל העיקרי ב-AI Commerce Search הוא האופן שבו ממשקי ה-API של החיפוש וההמלצות מטפלים בווריאציות של מוצרים בתשובות שלהם. חשוב להבין את ההבדל הזה כדי להטמיע את התכונה.
תשובות החיפוש כוללות וריאציות ספציפיות של מוצרים, אבל תשובות ההמלצות לא.
- חיפוש: כשמשתמש שולח שאילתה (למשל נעלי ריצה אדומות מידה 10), ה-API מחזיר רשימה של מוצרים ראשיים ופרטים לגבי חמש הווריאציות התואמות המובילות. השאילתה של המשתמש מספקת את ההקשר הדרוש כדי לזהות את הווריאציות הרלוונטיות ביותר ולדרג אותן.
- המלצות: התשובה למודלים כמו 'בדרך כלל, אנשים קונים את המוצר עם' או 'מומלץ בשבילך' מחזירה בכוונה רק מזהי מוצרים ראשיים. ההמלצות האלה כלליות ולא מבוססות על שאילתת משתמש ספציפית שתעזור לבחור את הווריאציה.
העיצוב הזה מאפשר למפתחים גמישות בהטמעה של לוגיקה משלהם לבחירת וריאנטים. מכיוון שאין שאילתה מכוונת, אתם קובעים איזו וריאציה תוצג על סמך הכללים העסקיים שלכם, למשל הצגת המוצר הנמכר ביותר, הווריאציה עם המלאי הגבוה ביותר או מוצר במבצע. העיצוב המכוון הזה מבטיח שההמלצה הסופית תתאים לאסטרטגיית המסחר האלקטרוני הספציפית שלכם.
מודלים מותאמים אישית כמו 'מומלץ בשבילך' או 'עוד תוכן שאולי תאהב/י' יעילים במיוחד כשהם מותאמים לפעולות המיידיות של המשתמש. הסיבה לכך שהמערכת מגיבה במהירות היא אופן העיבוד של נתוני האינטראקציות של המשתמשים, או האירועים.
- התאמה אישית בזמן אמת: הגישה הזו מתבססת על זרם רציף של אירועים שקשורים למשתמשים, כמו קליקים או הוספות לעגלת קניות. המודלים של ההמלצות מקבלים את האירועים האלה בזמן אמת, ולכן יכולים להתאים את הפלט שלהם באופן מיידי לתחומי העניין האחרונים של המשתמש. כך אפשר לוודא שההצעות תמיד עדכניות ורלוונטיות מאוד.
- אימון המודל לעומת התאמה אישית: חשוב להבחין בין מודל הליבה לבין שכבת ההתאמה האישית.
- אימון המודל: מודל ההמלצות הבסיסי בחיפוש AI למסחר מתאמן מחדש בדרך כלל מדי יום, ולומד מכל הנתונים ההיסטוריים.
- התאמה אישית בזמן אמת: מתבצעת בנוסף למודל שאומן. בכל קריאה ל-API, המערכת מחשבת המלצות חדשות ומותאמות אישית שכוללות אירועים של משתמשים שהתרחשו בדקות האחרונות.
- שיטת ההטמעה חשובה: מהירות ההתאמה האישית קשורה ישירות לשיטה שבה אתם מטמיעים אירועים של משתמשים.
- הוספה בזמן אמת: זה חשוב מאוד להתאמה אישית מיידית. אם העסק שלכם צריך לנצל את כוונת המשתמשים ברגע נתון, חשוב לתת עדיפות לזרם אירועים בזמן אמת.
- העלאה באצווה: שימוש בתהליך אצווה יוביל לעיכוב בהתאמה האישית, שיהיה שווה לתדירות של לוח הזמנים של האצווה. השיטה הזו לא רעה כשלעצמה, אבל חשוב לשקול את החסרונות שלה בהתאם לדרישות העסק.
היעילות של המלצות למוצרים שמבוססות על AI תלויה במיקום האסטרטגי שלהן. חשוב מאוד להציב את המודל הנכון בדף הנכון כדי למקסם את ההתעניינות של המשתמשים ולהשיג מדדים עסקיים מרכזיים. במדריך הזה מוצגות אסטרטגיות מוכחות להצבת מודלים של AI Commerce Search, תוך שימת דגש על הגמישות הנדרשת כדי לעמוד ביעדים העסקיים הייחודיים שלכם.
מיקומים ומודלים מרכזיים של המלצות
AI Commerce Search מציע מודלים ייעודיים להקשרים שונים של קניות. בטבלה הזו מופיע סיכום של המודלים העיקריים שלנו והמיקומים המומלצים שלהם להשגת השפעה מקסימלית.
| דף מסחר אלקטרוני | היעד העיקרי | המודל הכי טוב לדף | מודל חלופי 1 | מודל חלופי 2 |
|---|---|---|---|---|
| דף פרטי המוצר | הצגת פריטים דומים או חלופיים | אנשים אחרים שדומים לך | נקנה ביחד לעתים קרובות | פריטים דומים |
| דף הבית / דף קטגוריה | גילוי בהתאמה אישית | מומלץ בשבילך | קנייה חוזרת | במבצע |
| דף עגלת הקניות | הגדלת ערך ההזמנה הממוצע | נקנים ביחד לעיתים קרובות | מומלץ בשבילך | במבצע |
- מומלץ בשבילך: יוצר חוויה מותאמת אישית על ידי שימוש בנתונים היסטוריים של המשתמש. המיקום של המודול בדף הבית או בדפי הקטגוריות מאפשר ללקוחות חוזרים לראות מיד המלצות מותאמות אישית.
- מוצרים נוספים שאולי יעניינו אותך: מודל זה מתאים במיוחד לדפי פרטי מוצר, והוא מציג פריטים דומים או חלופיים למוצר שמוצג. הכלי הזה הוא חשוב מאוד לשיפור החשיפה של המוצרים, ואפשר לבצע בו אופטימיזציה לשיעור קליקים (CTR) או להכנסה.
- בדרך כלל, אנשים קונים את המוצר עם: תכונה שנועדה להגדיל את ערך ההזמנה הממוצע על ידי הצעת מוצרים משלימים. השימוש בה הכי יעיל בדפי פרטי מוצר ובמהלך תהליך ההוספה לעגלת הקניות או תהליך התשלום, שבהם היא מעודדת רכישות הגיוניות של מוצרים משלימים.
בדיקת A/B לקבלת החלטות שמבוססות על נתונים
ההנחיות האלה מספקות בסיס טוב, אבל חשוב לבצע A/B טסטינג כדי לאמת את האסטרטגיה האופטימלית לקהל הספציפי שלכם. לדוגמה, אתם יכולים לבדוק אם התכונה 'מוצרים נוספים שאולי יעניינו אותך' או התכונה 'מוצרים שנרכשים לעיתים קרובות ביחד' מניבות ביצועים טובים יותר בדפי פרטי המוצר, על ידי הצגת כל מודל לקבוצה שונה של משתמשים.
מעקב אחרי מדדי ביצועים מרכזיים כמו שיעורי המרה והכנסות לכל קבוצה מאפשר לכם לקבל החלטות מבוססות-נתונים לגבי המודל שמתאים לכם. הגישה האמפירית הזו מבטלת את הצורך בניחושים ומבטיחה שאסטרטגיית המיקום שלכם תותאם ליעדים העסקיים שלכם.
איזון בין ההנחיות לבין הצרכים העסקיים
ההמלצות האלה יכולות לשמש כנקודת התחלה. הגמישות של AI Commerce Search מאפשרת לבצע התאמות אישיות כדי לעמוד ביעדים אסטרטגיים ספציפיים. עם זאת, לעסקים שאין להם אסטרטגיית מיקום קיימת, ההנחיות האלה שנבדקו והוכחו מספקות דרך אמינה להצלחה. אם תמקמו את המודלים שלכם בצורה מושכלת ותשפרו את הגישה שלכם באופן מתמשך באמצעות בדיקות, תוכלו ליצור חוויית מסחר אלקטרוני מעניינת ורווחית יותר.