チェックリストの各項目をクリックすると、手順の詳細が表示されます。オンボーディングの各ステップを完了したら、そのステップのチェックボックスをオンにしてください。これらの手順に沿って操作することで、推奨事項の実装の全体的な有効性を高めることができます。
属性データ
属性フィルタリングの上限: 属性フィルタリングの上限が 10 個であるため、最も重要な属性の選択を優先します。選択したカスタム属性のパターンを分析し、類似する関連性の高い属性をカタログに追加します。効果的なフィルタリングとおすすめの絞り込みを可能にするため、カタログ内の属性フィルタキーのカバレッジを高く保ちます。
属性の影響を最大化する: モデルに影響する可能性があるため、属性を削除または無効にしないでください。より多くの商品のフィールドに入力することで、自動選択される属性のカバレッジを改善しました。
属性の設定を確認する: レコメンデーションでは、レコメンデーションのフィルタ式で使用できるフィルタ可能な属性設定が使用されます。このコントロールは、テキスト属性にのみ適用されます。
カテゴリ
カテゴリの分布をモニタリングし、過剰に表示されているカテゴリに対処します。高品質の商品カテゴリを使用すると、ルールベースの多様性によってさまざまなカテゴリの商品をおすすめできます。
在庫切れ率
在庫切れ率を低く保ち（理想的には 90% 未満）、おすすめの偏りを防ぎ、関連性の高い結果を確保します。商品の大部分が OUT_OF_STOCK（販売停止中）の場合、予測レスポンスには販売停止中の商品が多く含まれます。フィルタを追加すると、再現率の数値が減少します。patchProduct API または readMask を使用したインポート API を使用して、Product.availability フィールドをできるだけ最新の状態に保ちます。
バリエーションと主な詳細
プライマリ商品とバリエーション商品の両方に、完全かつ正確な詳細情報が記載されていることを確認します。商品の SKU 構造を考慮して、商品がプライマリかバリエーションかを適切に指定します。メインの商品とバリエーション商品の両方について、product.categories、product.title、product.attributes、product.prices の正確性と完全性を優先します。
どの商品または商品グループがプライマリで、どの商品がバリアントであるかを決定する際は、慎重に検討してください。
プライマリとバリアントは、親アイテムと子アイテムとして説明されることがあります。
メイン商品とバリエーションの価格
プライマリ商品とバリエーション商品の両方の価格情報を正確に入力して、正確な推奨事項とフィルタリングを確保します。商品に商品レベルの価格設定がなく、すべての価格設定が常にローカル在庫に関連付けられている場合は、商品レベルの価格情報にすべてのインベントリ レベルの価格設定の中央値の情報を入力します。
データのアップロード頻度
モデルは、約 6 時間ごとに新しい商品情報を取得します。
理想的には、定期的なカタログのインポートを使用してカタログを定期的に（1 時間ごと、1 日ごと、またはできればリアルタイムで）更新し、時間の経過に伴うモデルの品質低下を防ぐ必要があります。
BFCM などのピーク イベント中は、データの取り込みパイプラインがカタログ全体にわたる価格の急激な変化に対応できることを確認してください。
ブランチごとのアップロード数が一貫していない
モデルの品質低下につながる一部のクエリで商品情報が欠落しないように、すべてのブランチで商品を一貫してアップロードします。
レコメンデーションをステージングしてプレビューしたり、結果を予測したりする方法として、データをさまざまなブランチにインポートします。
フィルタと多様性の設定のバランス
適用されるフィルタの数と多様性設定のバランスを最適化します。データドリブンの多様性を使用して、関連性と多様性のバランスを保つおすすめの結果を生成します。データドリブンの多様性は、タイトルやカテゴリなどの商品カタログ メタデータから学習します。
diversityLevel を RULE_BASED_DIVERSITY、DATA_DRIVEN_DIVERSITY、no-diversity、low-diversity、medium-diversity、high-diversity、auto-diversity などの値に設定して、商品カテゴリに基づいて予測結果を調整します。
RULE_BASED_DIVERSITYは、商品カテゴリに基づいてレコメンデーションの結果を多様化します。DATA_DRIVEN_DIVERSITYは、商品メタデータからの学習に基づいてレコメンデーションに多様性を持たせ、関連性とカテゴリの多様性のバランスを取ります。
価格による再ランキングのパラメータ
priceRerankLevel パラメータを使用して、商品の価格に基づいて予測結果を調整します。価格の再ランキングなし、低、中、高価格のオプションがあります。
使用できる値は no-price-reranking（設定されていない場合のデフォルト値）、low-price-reranking、medium-price-reranking、high-price-reranking です。
ユーザー イベントの無効なフィルタデータ
ユーザー イベントの複数単語のフィルタが、大文字と小文字の区別を含め、カタログと完全に一致していることを確認します（OnePiece と One-Piece など）。
動的ファセットのパフォーマンスを最大限に引き出すには、フィルタを正確に使用することが重要です。モデルは、予測リクエストに存在するフィルタからファセットの人気度を推測します。
イベントの要件
すべてのイベントタイプ（モデルタイプごと）で、十分な数のイベントを確保します。
取り込まれたイベントがアトリビューション可能であることを確認します。つまり、モデルをトレーニングするには、タイムスタンプ、訪問者 ID、商品 ID の詳細が正確である必要があります。つまり、モデルはイベントからユーザー ジャーニーを構築できる必要があります。
モデルタイプごとのイベント要件については、ドキュメントまたは Gemini Enterprise for Customer Experience の AI Commerce Search でモデルの作成時に確認してください。
商品 1 つあたりの平均インプレッション数
すべてのイベントタイプ（モデルタイプごと）で、商品 ID あたりの平均インプレッション数が 10 を超えることを目指します。「関連商品のおすすめ」モデルと「あなたへのおすすめ」モデルのトレーニングを開始するには、1 ～ 2 週間のページビューの詳細だけで十分です。
購入の平均注文数量
購入の平均注文数量が 1 より大きいことを確認します（該当する場合、アイテムの在庫数は除きます）。複数アイテムが入ったカートを複数の購入イベントに平たん化しないでください。つまり、複数のプロダクトが含まれる 1 つの購入イベントとして残す必要があります。
一部の購入イベントに複数のプロダクトが含まれていることを確認します。これにより、モデルで共同購入パターンを学習できます。特に、よく一緒に購入されている商品モデルなどのモデルで有効です。
API レスポンス: 検索とレコメンデーションで異なる
AI Commerce Search の大きな特徴は、検索 API とレコメンデーション API がレスポンスで商品バリエーションを処理する方法です。この違いを理解することは、実装において非常に重要です。
検索レスポンスには特定の商品バリエーションが含まれますが、レコメンデーション レスポンスには含まれません。
- 検索: ユーザーがクエリ（「赤いランニング シューズ サイズ 10」など）を送信すると、API は上位 5 つのバリエーションに一致するメインの商品と詳細のリストを返します。ユーザーのクエリは、最も関連性の高いバリエーションを特定してランク付けするために必要なコンテキストを提供します。
- レコメンデーション: 「よく一緒に購入されている商品」や「おすすめ」などのモデルのレスポンスでは、プライマリ商品 ID のみが意図的に返されます。これらの推奨事項は広範であり、バリエーションの選択をガイドする特定のユーザー クエリがありません。
この設計により、デベロッパーは独自のバリエーション選択ロジックを柔軟に実装できます。ガイドとなる検索語句がないため、ベストセラー、在庫が最も多いバリエーション、プロモーション中のバリエーションなど、独自のビジネスルールに基づいて表示するバリエーションを制御できます。この設計により、最終的な推奨事項が特定の e コマース戦略に沿ったものになります。
「あなたへのおすすめ」や「関連商品のおすすめ」などのパーソナライズされたモデルは、ユーザーの直近のアクションに適応したときに最も効果を発揮します。この応答性の鍵は、ユーザー インタラクション データ（イベント）の処理方法にあります。
- リアルタイムのパーソナライズ: このアプローチでは、クリックやカートへの追加などのユーザー イベントの継続的なストリームを活用します。これらのイベントをリアルタイムで取り込むことで、レコメンデーション モデルはユーザーの最新の興味に合わせて出力を瞬時に調整できます。これにより、常に最新で関連性の高い候補が表示されます。
- モデル トレーニングとパーソナライズ: コアモデルとパーソナライズ レイヤを区別することが重要です。
- モデルのトレーニング: AI Commerce Search の基盤となるレコメンデーション モデルは通常、毎日再トレーニングされ、すべての過去のデータから学習します。
- リアルタイムのパーソナライズ: これは、トレーニング済みモデルの上で行われます。API 呼び出しごとに、過去数分間に発生したユーザー イベントを組み込んだ、最新のパーソナライズされたレコメンデーションが計算されます。
- 取り込み方法が重要: パーソナライズの速度は、ユーザー イベントの取り込み方法に直接関係します。
- リアルタイムの取り込み: 瞬時のパーソナライズに不可欠です。ビジネスでユーザーのリアルタイムの意図を活用する必要がある場合は、リアルタイム イベント ストリームを優先することが不可欠です。
- バッチ取り込み: バッチ処理を使用すると、バッチ スケジュールの頻度と同じ遅延がパーソナライズに発生します。本質的に悪いわけではありませんが、ビジネス要件に基づいて検討すべき重要なトレードオフです。
AI を活用した商品のおすすめの有効性は、その戦略的な配置にかかっています。適切なモデルを適切なページに配置することは、ユーザー エンゲージメントを最大化し、重要なビジネス指標を達成するために不可欠です。このガイドでは、AI Commerce Search モデルを配置するための実証済みの戦略を紹介します。また、独自のビジネス目標を達成するために必要な柔軟性についても説明します。
コアのレコメンデーション モデルとプレースメント
AI Commerce Search には、さまざまなショッピング コンテキストに対応した専用モデルが用意されています。次の表は、主なモデルと、効果を最大限に高めるための推奨プレースメントをまとめたものです。
| e コマース ページ | 主要目標 | ページに最適なモデル | 代替モデル 1 | 代替モデル 2 |
|---|---|---|---|---|
| 商品詳細ページ | 類似アイテムや代替アイテムの表示 | 関連商品のおすすめ | よく一緒に購入されている商品 | 似ている商品 |
| ホームページ / カテゴリページ | パーソナライズされた検索 | あなたへのおすすめ | もう一度購入 | セール中 |
| ショッピング カート ページ | 平均注文額の増加 | よく一緒に購入される商品 | あなたへのおすすめ | セール中 |
- おすすめ: ユーザーの過去のデータを活用して、パーソナライズされたエクスペリエンスを作成します。[ホーム] ページや [カテゴリ] ページに配置することで、リピーターにパーソナライズされたおすすめをすぐに表示できます。
- 関連商品のおすすめ: 商品の詳細ページに最適なモデルです。閲覧中の商品と類似した商品や代替商品を提示します。商品の検索を促進する重要なツールであり、クリック率（CTR）または収益を最適化できます。
- よく一緒に購入されている商品: 補完的な商品を提案することで、AOV を高めるように設計されています。商品の詳細ページや、カートまたは購入手続きのフローで最も効果的です。これらのページでは、論理的なアドオン購入を促すことができます。
データドリブンな意思決定のための A/B テスト
これらのガイドラインは強力な基盤となりますが、特定のオーディエンスに最適な戦略を検証するには A/B テストが不可欠です。たとえば、関連商品のおすすめとよく一緒に購入されている商品のどちらが商品詳細ページで効果的かをテストするには、各モデルを異なるユーザー コホートに配信します。
各グループのコンバージョン率や収益などの主要業績評価指標を追跡することで、どのモデルをデプロイするかについてデータに基づいた意思決定を行うことができます。この実証的なアプローチにより、推測が排除され、プレースメント戦略がビジネス目標に合わせて微調整されます。
ガイドラインとビジネスニーズのバランスをとる
これらの推奨事項を出発地としてご検討ください。AI Commerce Search の柔軟性により、特定の戦略目標を達成するためのカスタマイズが可能になります。ただし、既存のプレースメント戦略がない企業にとっては、これらの実績のあるガイドラインが成功への信頼できる道筋となります。モデルを慎重に配置し、テストを通じてアプローチを継続的に改善することで、より魅力的で収益性の高い e コマース エクスペリエンスを実現できます。