Klik setiap item dalam checklist untuk menampilkan informasi yang lebih mendetail tentang cara melanjutkan. Centang setiap langkah orientasi setelah Anda menyelesaikannya. Dengan mengikuti langkah-langkah ini, Anda dapat meningkatkan efektivitas keseluruhan penerapan rekomendasi.
Data atribut
Batas pemfilteran atribut: Mengingat batas pemfilteran atribut adalah 10, prioritaskan pemilihan atribut yang paling penting. Analisis pola dalam atribut kustom yang dipilih dan tambahkan atribut yang serupa dan relevan ke katalog. Pastikan cakupan tinggi untuk kunci filter atribut dalam katalog guna mengaktifkan pemfilteran yang efektif dan menyempurnakan rekomendasi.
Maksimalkan dampak atribut: Jangan hapus atau nonaktifkan atribut karena dapat memengaruhi model. Tingkatkan cakupan untuk atribut yang dipilih otomatis dengan mengisi kolom ini untuk lebih banyak produk.
Periksa setelan atribut: Rekomendasi menggunakan setelan atribut yang dapat difilter dan dapat digunakan dalam ekspresi filter rekomendasi. Kontrol ini hanya berlaku untuk atribut teks.
Kategori
Pantau distribusi kategori dan atasi kategori dengan representasi berlebihan. Kategori produk berkualitas tinggi memungkinkan keberagaman berbasis aturan untuk merekomendasikan produk dari berbagai kategori.
Rasio produk yang stoknya habis
Pertahankan rasio produk yang stoknya habis yang rendah (ideal < 90%) untuk menghindari rekomendasi yang tidak akurat dan memastikan hasil yang relevan. Jika sebagian besar produk Anda berstatus OUT_OF_STOCK (OOS), respons prediksi akan memiliki banyak produk OOS, dan saat menambahkan filter, jumlah recall akan berkurang. Pastikan kolom Product.availability selalu terbaru menggunakan patchProduct API atau API impor dengan readMask.
Varian dan detail utama
Pastikan produk utama dan varian memiliki detail yang lengkap dan akurat. Pertimbangkan struktur SKU produk dan tetapkan produk sebagai produk utama atau varian. Prioritaskan akurasi dan kelengkapan product.categories, product.title, product.attributes, dan product.prices untuk produk utama dan varian.
Pastikan Anda berpikir dengan cermat saat menentukan produk atau grup produk mana yang utama dan mana yang varian.
Produk utama dan varian terkadang dijelaskan sebagai item induk dan item turunan.
Harga produk utama dan varian
Isi informasi harga secara akurat untuk produk utama dan varian guna memastikan rekomendasi dan pemfilteran yang akurat. Jika produk tidak memiliki harga tingkat produk, dan semua harga selalu terikat dengan inventaris lokal, isi informasi harga median dari semua harga tingkat inventaris di info harga tingkat produk.
Frekuensi upload data
Perlu diketahui bahwa model mengambil informasi produk baru kira-kira setiap enam jam.
Idealnya, Anda harus memperbarui katalog secara rutin (setiap jam atau setiap hari atau lebih baik lagi secara real time) menggunakan impor katalog berkala untuk mencegah kualitas model menurun seiring waktu.
Selama peristiwa puncak seperti BFCM, pastikan pipeline penyerapan data Anda dapat menangani perubahan harga yang cepat di seluruh katalog.
Upload yang tidak konsisten per cabang
Pastikan upload produk konsisten di seluruh cabang untuk menghindari informasi produk yang tidak ada untuk beberapa kueri, yang dapat memperburuk kualitas model.
Impor data ke cabang yang berbeda sebagai cara untuk mengatur dan melihat pratinjau rekomendasi atau memprediksi hasil.
Keseimbangan antara filter dan setelan keberagaman
Optimalkan keseimbangan antara jumlah filter yang diterapkan dan setelan keberagaman. Gunakan keberagaman berbasis data untuk menghasilkan hasil rekomendasi yang menyeimbangkan relevansi dan keberagaman. Keberagaman berbasis data mempelajari metadata katalog produk, seperti judul atau kategori.
Sesuaikan hasil prediksi berdasarkan kategori produk dengan menetapkan diversityLevel ke nilai seperti RULE_BASED_DIVERSITY, DATA_DRIVEN_DIVERSITY, no-diversity, low-diversity, medium-diversity, high-diversity, atau auto-diversity.
RULE_BASED_DIVERSITYmendiversifikasi hasil rekomendasi berdasarkan kategori produk.DATA_DRIVEN_DIVERSITYmendiversifikasi rekomendasi berdasarkan pembelajaran dari metadata produk untuk menyeimbangkan relevansi dan keberagaman kategori.
Parameter pengurutan ulang harga
Sesuaikan hasil prediksi berdasarkan harga produk menggunakan parameter priceRerankLevel, dengan opsi untuk tidak ada, rendah, sedang, atau tinggi pengurutan ulang harga.
Nilai yang diizinkan adalah no-price-reranking (nilai default jika tidak ditetapkan), low-price-reranking, medium-price-reranking, dan high-price-reranking.
Data filter yang buruk dalam peristiwa pengguna
Pastikan filter multi-kata dalam peristiwa pengguna cocok dengan katalog, termasuk kapitalisasi (OnePiece versus One-Piece).
Penggunaan filter yang akurat sangat penting untuk performa aspek dinamis yang optimal. Model menyimpulkan popularitas aspek dari filter yang ada dalam permintaan prediksi.
Persyaratan peristiwa
Untuk semua jenis peristiwa (per jenis model), pastikan jumlah peristiwa yang memadai.
Pastikan peristiwa yang diserap dapat diatribusikan, yang berarti stempel waktu, ID pengunjung, dan detail ID produk harus akurat agar model dapat dilatih. Artinya, model harus dapat membuat perjalanan pengguna dari peristiwa tersebut.
Periksa persyaratan peristiwa per jenis model dalam dokumentasi atau di AI Commerce Search di Gemini Enterprise for Customer Experience pada saat pembuatan model.
Tayangan rata-rata per produk
Untuk semua jenis peristiwa (per jenis model), targetkan tayangan rata-rata per ID produk lebih dari 10. Satu hingga dua minggu penayangan halaman mendetail dapat cukup untuk mulai melatih model Produk Lain yang Mungkin Anda Sukai dan Direkomendasikan untuk Anda.
Ukuran pesanan rata-rata pembelian
Pastikan ukuran pesanan rata-rata pembelian lebih dari satu, tidak termasuk jumlah item, jika berlaku. Jangan gabungkan keranjang multi-item ke dalam beberapa peristiwa pembelian. Pertahankan sebagai peristiwa pembelian tunggal yang menyertakan beberapa produk.
Pastikan beberapa peristiwa pembelian menyertakan beberapa produk karena hal ini membantu model mempelajari pola pembelian bersama, terutama untuk model seperti Sering Dibeli Bersama.
Respons API: penelusuran dan rekomendasi berbeda
Perbedaan utama dalam AI Commerce Search adalah cara Search dan Recommendations API menangani varian produk dalam responsnya. Memahami perbedaan ini sangat penting untuk penerapan.
Respons penelusuran menyertakan varian produk tertentu; respons rekomendasi tidak.
- Penelusuran: Saat pengguna mengirimkan kueri (seperti sepatu lari merah ukuran 10), API akan menampilkan daftar produk utama dan detail untuk lima varian yang paling cocok. Kueri pengguna memberikan konteks yang diperlukan untuk mengidentifikasi dan memberi peringkat varian yang paling relevan.
- Rekomendasi: Respons untuk model seperti Sering Dibeli Bersama atau Direkomendasikan untuk Anda sengaja hanya menampilkan ID produk utama. Rekomendasi ini bersifat luas dan tidak memiliki kueri pengguna tertentu untuk memandu pemilihan varian.
Desain ini memberi developer fleksibilitas untuk menerapkan logika pemilihan varian mereka sendiri. Karena tidak ada kueri panduan, Anda mengontrol varian mana yang ditampilkan berdasarkan aturan bisnis Anda sendiri, seperti menampilkan produk terlaris, varian dengan inventaris tertinggi, atau varian yang sedang dipromosikan. Desain yang disengaja ini memastikan rekomendasi akhir selaras dengan strategi e-commerce spesifik Anda.
Model yang dipersonalisasi seperti Direkomendasikan untuk Anda atau Produk lain yang mungkin Anda sukai paling efektif saat beradaptasi dengan tindakan langsung pengguna. Kunci responsivitas ini terletak pada cara data interaksi pengguna, atau peristiwa, diproses.
- Personalisasi real-time: Pendekatan ini memanfaatkan aliran peristiwa pengguna yang berkelanjutan, seperti klik atau penambahan ke keranjang. Dengan menyerap peristiwa ini secara real time, model rekomendasi dapat langsung menyesuaikan outputnya dengan minat terbaru pengguna. Hal ini memastikan saran selalu baru dan sangat relevan.
- Pelatihan model vs. personalisasi: Penting untuk membedakan antara model inti dan lapisan personalisasi.
- Pelatihan model: Model rekomendasi yang mendasarinya di AI Commerce Search biasanya dilatih ulang setiap hari, dengan mempelajari semua data historis.
- Personalisasi real-time: Hal ini terjadi di atas model terlatih. Dengan setiap panggilan API, model ini menghitung rekomendasi baru yang dipersonalisasi yang menggabungkan peristiwa pengguna yang terjadi dalam beberapa menit terakhir.
- Metode penyerapan penting: Kecepatan personalisasi terkait langsung dengan cara Anda menyerap peristiwa pengguna.
- Penyerapan real-time: Hal ini sangat penting untuk personalisasi instan. Jika bisnis Anda perlu memanfaatkan niat pengguna saat ini, memprioritaskan aliran peristiwa real-time sangat penting.
- Penyerapan batch: Menggunakan proses batch akan menyebabkan penundaan personalisasi, yang setara dengan frekuensi jadwal batch Anda. Meskipun tidak buruk, hal ini merupakan pertukaran penting yang perlu dipertimbangkan berdasarkan persyaratan bisnis Anda.
Efektivitas rekomendasi produk yang didukung AI bergantung pada penempatannya yang strategis. Menempatkan model yang tepat di halaman yang tepat sangat penting untuk memaksimalkan engagement pengguna dan mencapai metrik bisnis utama. Panduan ini menawarkan strategi yang terbukti untuk menempatkan model AI Commerce Search, sekaligus menekankan fleksibilitas yang diperlukan untuk memenuhi sasaran bisnis unik Anda.
Model dan penempatan rekomendasi inti
AI Commerce Search menawarkan model khusus untuk konteks belanja yang berbeda. Tabel ini merangkum model utama kami dan penempatan yang direkomendasikan untuk dampak maksimum.
| Halaman e-commerce | Sasaran Utama | Model terbaik untuk halaman | Model alternatif 1 | Model alternatif 2 |
|---|---|---|---|---|
| Halaman Detail Produk | Menampilkan item serupa atau alternatif | Produk lain yang mungkin Anda sukai | Sering Dibeli Bersama | Produk Serupa |
| Halaman beranda / Halaman kategori | Penemuan yang dipersonalisasi | Direkomendasikan untuk Anda | Beli lagi | Dijual |
| Halaman Keranjang Belanja | Meningkatkan nilai pesanan rata-rata | Sering Dibeli Bersama | Direkomendasikan untuk Anda | Dijual |
- Direkomendasikan untuk Anda: Membuat pengalaman yang dipersonalisasi dengan memanfaatkan data historis pengguna. Penempatannya di Halaman Beranda atau Halaman Kategori akan langsung melibatkan pelanggan yang kembali dengan saran yang disesuaikan.
- Produk Lain yang Mungkin Anda Sukai: Ideal untuk Halaman Detail Produk, model ini menampilkan item serupa atau alternatif untuk produk yang sedang dilihat. Sebagai alat utama untuk mendorong penemuan produk, model ini dapat dioptimalkan untuk rasio klik-tayang (CTR) atau pendapatan.
- Sering Dibeli Bersama: Didesain untuk meningkatkan AOV dengan menyarankan produk pelengkap. Model ini paling efektif di Halaman Detail Produk dan dalam alur keranjang atau checkout, tempat model ini meminta pembelian add-on yang logis.
Pengujian A/B untuk keputusan berbasis data
Meskipun panduan ini memberikan dasar yang kuat, pengujian A/B sangat penting untuk memvalidasi strategi optimal bagi audiens spesifik Anda. Misalnya, Anda dapat menguji apakah Produk Lain yang Mungkin Anda Sukai atau Sering Dibeli Bersama berperforma lebih baik di Halaman Detail Produk Anda dengan menayangkan setiap model ke kelompok pengguna yang berbeda.
Dengan melacak indikator performa utama seperti rasio konversi dan pendapatan untuk setiap grup, Anda dapat membuat keputusan berbasis data tentang model mana yang akan di-deploy. Pendekatan empiris ini menghilangkan tebakan dan memastikan strategi penempatan Anda disesuaikan dengan sasaran bisnis Anda.
Menyeimbangkan panduan dengan kebutuhan bisnis
Pertimbangkan rekomendasi ini sebagai titik awal. Fleksibilitas AI Commerce Search memungkinkan penyesuaian untuk memenuhi sasaran strategis tertentu. Namun, untuk bisnis tanpa strategi penempatan yang sudah ada, panduan yang telah teruji ini memberikan jalur yang andal menuju kesuksesan. Dengan menempatkan model secara cermat dan terus menyempurnakan pendekatan Anda melalui pengujian, Anda dapat membuka pengalaman e-commerce yang lebih menarik dan menguntungkan.