Fai clic su ogni elemento della lista di controllo per visualizzare informazioni più dettagliate su come procedere. Spunta ogni passaggio di onboarding dopo averlo completato. Se segui questi passaggi, puoi migliorare l'efficacia complessiva dell'implementazione dei suggerimenti.
Dati degli attributi
Limiti di filtraggio degli attributi: dato il limite di 10 per il filtraggio degli attributi, dai la priorità alla selezione degli attributi più importanti. Analizza i pattern negli attributi personalizzati selezionati e aggiungi al catalogo quelli simili e pertinenti. Garantisci un'ampia copertura delle chiavi di filtro degli attributi nel catalogo per consentire un filtraggio efficace e perfezionare i consigli.
Massimizza l'impatto degli attributi: non eliminare o disattivare gli attributi perché potrebbero influire sul modello. Migliora la copertura degli attributi selezionati automaticamente compilando questi campi per più prodotti.
Controlla le impostazioni degli attributi: i suggerimenti utilizzano le impostazioni degli attributi filtrabili che possono essere utilizzate nelle espressioni di filtro dei suggerimenti. Questo controllo è applicabile solo agli attributi di testo.
Categorie
Monitora la distribuzione delle categorie e gestisci quelle con una rappresentazione eccessiva. Le categorie di prodotto di alta qualità consentono alla diversità basata su regole di consigliare prodotti di varie categorie.
Tasso di esaurimento scorte
Mantieni un basso rapporto di esaurimento scorte (idealmente < 90%) per evitare di distorcere i consigli e garantire risultati pertinenti. Se la maggior parte dei prodotti è OUT_OF_STOCK (esaurito), la risposta di previsione conterrà molti prodotti esauriti e, se aggiungi un filtro, i numeri di richiamo diminuiranno. Mantieni il campo Product.availability il più aggiornato possibile utilizzando le API patchProduct o importa le API con un readMask.
Varianti e dettagli principali
Assicurati che sia il prodotto principale sia le varianti abbiano dettagli completi e accurati. Considera la struttura dello SKU del prodotto e designa i prodotti come principali o varianti di conseguenza. Dai la priorità all'accuratezza e alla completezza di product.categories, product.title, product.attributes e product.prices sia per i prodotti principali che per le varianti.
Pensa attentamente quando determini quali prodotti o gruppi di prodotti sono principali e quali sono varianti.
A volte le risorse principali e le varianti vengono descritte come elementi principali e secondari.
Prezzo sulla risorsa principale e sulle varianti
Compila con precisione le informazioni sui prezzi per i prodotti principali e le varianti per garantire consigli e filtri accurati. Se il prodotto non ha prezzi a livello di prodotto e tutti i prezzi sono sempre associati a un inventario locale, inserisci le informazioni sul prezzo mediano di tutti i prezzi a livello di inventario nelle informazioni sul prezzo a livello di prodotto.
Frequenza di caricamento dei dati
Tieni presente che il modello acquisisce nuove informazioni sui prodotti circa ogni sei ore.
Idealmente, dovresti aggiornare regolarmente il catalogo (ogni ora, ogni giorno o meglio ancora in tempo reale) utilizzando importazioni periodiche per evitare che la qualità del modello diminuisca nel tempo.
Durante eventi di picco come il Black Friday e il Cyber Monday, assicurati che la pipeline di importazione dati possa gestire rapidi cambiamenti di prezzo nell'intero catalogo.
Caricamenti non coerenti per filiale
Assicurati che i caricamenti dei prodotti siano coerenti in tutte le filiali per evitare che manchino informazioni sui prodotti per alcune query, il che può peggiorare la qualità del modello.
Importa i dati in rami diversi per organizzare e visualizzare l'anteprima dei consigli o prevedere i risultati.
Equilibrio tra filtri e impostazioni di diversità
Ottimizza l'equilibrio tra il numero di filtri applicati e le impostazioni di diversità. Utilizza la diversificazione basata sui dati per produrre risultati dei suggerimenti che bilanciano pertinenza e diversità. La diversità basata sui dati apprende dai metadati del catalogo prodotti, come titoli o categorie.
Modifica i risultati della previsione in base alla categoria di prodotto impostando diversityLevel su valori come RULE_BASED_DIVERSITY, DATA_DRIVEN_DIVERSITY, no-diversity, low-diversity, medium-diversity, high-diversity o auto-diversity.
RULE_BASED_DIVERSITYdiversifica i risultati dei suggerimenti in base alla categoria di prodotto.DATA_DRIVEN_DIVERSITYdiversifica i consigli in base all'apprendimento dai metadati di prodotto per bilanciare pertinenza e diversità delle categorie.
Parametri di re-ranking del prezzo
Modifica i risultati della previsione in base al prezzo del prodotto utilizzando il parametro priceRerankLevel, con opzioni per il re-ranking del prezzo basso, medio o alto.
I valori consentiti sono no-price-reranking (valore predefinito se non impostato), low-price-reranking, medium-price-reranking e high-price-reranking.
Dati di filtro errati negli eventi utente
Assicurati che i filtri composti da più parole negli eventi utente corrispondano esattamente al catalogo, inclusa la combinazione di lettere maiuscole e minuscole (OnePiece anziché One-Piece).
L'utilizzo accurato dei filtri è fondamentale per un rendimento ottimale delle sfaccettature dinamiche. Il modello deduce la popolarità delle sfaccettature dai filtri presenti nelle richieste di previsione.
Requisiti per gli eventi
Per tutti i tipi di eventi (per tipo di modello), assicurati che il numero di eventi sia sufficiente.
Assicurati che gli eventi importati siano attribuibili, il che significa che i timestamp, l'ID visitatore e i dettagli dell'ID prodotto devono essere accurati per l'addestramento del modello. Ciò significa che il modello deve essere in grado di ricostruire un percorso utente a partire dagli eventi.
Controlla il requisito dell'evento per tipo di modello nella documentazione o nella ricerca di attività commerciali al momento della creazione del modello.
Impressioni medie per prodotto
Per tutti i tipi di eventi (per tipo di modello), punta a una media di impressioni per ID prodotto superiore a 10. Una o due settimane di visualizzazioni di pagine dettagliate possono essere sufficienti per iniziare ad addestrare i modelli Altri video che ti potrebbero piacere e Consigliati per te.
Volume medio degli ordini di acquisto
Assicurati che la dimensione media dell'ordine di acquisto sia superiore a uno, escludendo la quantità di articoli, ove applicabile. Non appiattire i carrelli con più articoli in più eventi di acquisto. Mantienili come singoli eventi di acquisto che includono più prodotti.
Verifica che alcuni eventi di acquisto includano più prodotti, in quanto ciò aiuta il modello a conoscere i pattern di acquisto congiunto, in particolare per modelli come Acquisti frequenti insieme.
Risposte API: la ricerca e i suggerimenti sono diversi
Una distinzione fondamentale in Vertex AI Search for Commerce è il modo in cui le API Search e Recommendations gestiscono le varianti di prodotto nelle loro risposte. Comprendere questa differenza è fondamentale per l'implementazione.
Le risposte alla ricerca includono varianti di prodotto specifiche, mentre le risposte ai consigli no.
- Ricerca: quando un utente invia una query (ad esempio scarpe da corsa rosse taglia 10), l'API restituisce un elenco di prodotti principali e i dettagli delle prime cinque varianti corrispondenti. La query dell'utente fornisce il contesto necessario per identificare e classificare le varianti più pertinenti.
- Consigli: la risposta per modelli come "Acquistati spesso insieme" o "Consigliati per te" restituisce intenzionalmente solo gli ID prodotto principali. Questi consigli sono generici e non includono una query specifica dell'utente per guidare la selezione delle varianti.
Questo design offre agli sviluppatori la flessibilità di implementare la propria logica di selezione delle varianti. Poiché non esiste una query guida, puoi controllare quale variante viene visualizzata in base alle tue regole aziendali, ad esempio mostrare il best seller, la variante con l'inventario più alto o quella in promozione. Questo design intenzionale garantisce che il consiglio finale sia in linea con la tua strategia di e-commerce specifica.
I modelli personalizzati come Consigliati per te o Altri video che ti potrebbero piacere sono più efficaci quando si adattano alle azioni immediate di un utente. La chiave di questa reattività risiede nel modo in cui vengono elaborati i dati di interazione utente o gli eventi.
- Personalizzazione in tempo reale:questo approccio sfrutta un flusso continuo di eventi utente, come clic o aggiunte a un carrello. Se vengono inseriti in tempo reale, i modelli di consigli possono adattare immediatamente il loro output agli interessi più recenti di un utente. In questo modo, i suggerimenti sono sempre aggiornati e pertinenti.
- Addestramento del modello e personalizzazione: è importante distinguere tra il modello di base e il livello di personalizzazione.
- Addestramento del modello:il modello di raccomandazione sottostante in Vertex AI Search for Commerce viene in genere riaddestrato quotidianamente, apprendendo da tutti i dati storici.
- Personalizzazione in tempo reale:questa operazione viene eseguita in aggiunta al modello addestrato. A ogni chiamata API, calcola consigli nuovi e personalizzati che incorporano gli eventi utente verificatisi negli ultimi minuti.
- Il metodo di importazione è importante:la velocità di personalizzazione è direttamente correlata al modo in cui importi gli eventi utente.
- Importazione in tempo reale:è fondamentale per la personalizzazione immediata. Se la tua attività deve sfruttare l'intenzione degli utenti in tempo reale, è essenziale dare la priorità a un flusso di eventi in tempo reale.
- Importazione batch:l'utilizzo di un processo batch introduce un ritardo nella personalizzazione, equivalente alla frequenza della pianificazione batch. Sebbene non sia intrinsecamente negativo, si tratta di un compromesso fondamentale da considerare in base ai requisiti della tua attività.
L'efficacia dei consigli sui prodotti basati sull'AI dipende dal loro posizionamento strategico. Posizionare il modello giusto nella pagina giusta è fondamentale per massimizzare il coinvolgimento degli utenti e raggiungere le metriche aziendali chiave. Questa guida offre strategie comprovate per il posizionamento dei modelli di Vertex AI Search for commerce, sottolineando al contempo la flessibilità necessaria per raggiungere i tuoi obiettivi aziendali unici.
Modelli e posizionamenti principali per i suggerimenti
Vertex AI Search for commerce offre modelli specializzati per diversi contesti di acquisto. Questa tabella riepiloga i nostri modelli principali e i loro posizionamenti consigliati per il massimo impatto.
| Pagina e-commerce | Obiettivo principale | Miglior modello per la pagina | Modello alternativo 1 | Modello alternativo 2 |
|---|---|---|---|---|
| Pagina dei dettagli del prodotto | Mostrare articoli simili o alternativi | Altri che ti potrebbero piacere | Acquistati frequentemente insieme | Articoli simili |
| Home page / Pagina delle categorie | Discovery personalizzato | Consigliati per te | Acquista di nuovo | In offerta |
| Pagina del carrello degli acquisti | Aumentare il valore medio dell'ordine | Acquistati frequentemente insieme | Consigliati per te | In offerta |
- Consigliati per te: crea un'esperienza personalizzata sfruttando i dati storici di un utente. Il posizionamento nella home page o nelle pagine delle categorie coinvolge immediatamente i clienti di ritorno con suggerimenti personalizzati.
- Altri prodotti che potrebbero piacerti: ideale per le pagine dei dettagli del prodotto, questo modello presenta articoli simili o alternativi al prodotto visualizzato. Uno strumento fondamentale per favorire la scoperta dei prodotti, che può essere ottimizzato per la percentuale di clic (CTR) o le entrate.
- Acquistati spesso insieme: progettato per aumentare il valore medio dell'ordine suggerendo prodotti complementari. È più efficace nelle pagine dei dettagli del prodotto e nel flusso del carrello o del pagamento, dove suggerisce acquisti logici di componenti aggiuntivi.
Test A/B per decisioni basate sui dati
Sebbene queste linee guida forniscano una base solida, i test A/B sono essenziali per convalidare la strategia ottimale per il tuo pubblico specifico. Ad esempio, puoi verificare se Altri prodotti che potrebbero piacerti o Acquistati insieme hanno un rendimento migliore nelle pagine dei dettagli prodotto pubblicando ogni modello per una coorte di utenti diversa.
Monitorando gli indicatori chiave di prestazione come i tassi di conversione e le entrate per ogni gruppo, puoi prendere decisioni basate sui dati sul modello da implementare. Questo approccio empirico elimina le congetture e garantisce che la strategia di posizionamento sia ottimizzata in base ai tuoi obiettivi aziendali.
Bilanciare le linee guida con le esigenze aziendali
Prendi in considerazione questi consigli come punto di partenza. La flessibilità di Vertex AI Search for Commerce consente di apportare personalizzazioni per raggiungere obiettivi strategici specifici. Tuttavia, per le attività senza una strategia di posizionamento preesistente, queste linee guida collaudate forniscono un percorso affidabile verso il successo. Posizionando con cura i tuoi modelli e perfezionando continuamente il tuo approccio attraverso i test, puoi sbloccare un'esperienza di e-commerce più coinvolgente e redditizia.