체크리스트의 각 항목을 클릭하면 진행 방법에 관한 자세한 정보가 표시됩니다. 온보딩 단계를 완료한 후 각 단계를 체크하세요. 이 단계를 따르면 추천 구현의 전반적인 효과를 개선할 수 있습니다.
속성 데이터
속성 필터링 한도: 속성 필터링 한도가 10개이므로 가장 중요한 속성을 우선적으로 선택하세요. 선택한 맞춤 속성의 패턴을 분석하고 유사한 관련 속성을 카탈로그에 추가합니다. 효과적인 필터링을 사용 설정하고 추천을 개선하려면 카탈로그에서 속성 필터 키의 높은 커버리지를 보장하세요.
속성의 영향 극대화: 속성을 삭제하거나 사용 중지하면 모델에 영향을 미칠 수 있으므로 삭제하거나 사용 중지하지 마세요. 더 많은 제품에 이러한 필드를 작성하여 자동 선택된 속성의 범위를 개선합니다.
속성 설정 확인: 추천은 추천 필터 표현식에 사용할 수 있는 필터링 가능한 속성 설정을 사용합니다. 이 컨트롤은 텍스트 속성에만 적용됩니다.
카테고리
카테고리 분포를 모니터링하고 과도하게 표현된 카테고리를 해결합니다. 고품질 제품 카테고리를 사용하면 규칙 기반 다양성을 통해 다양한 카테고리의 제품을 추천할 수 있습니다.
재고 없음 비율
추천이 왜곡되지 않고 관련 결과를 얻을 수 있도록 품절 비율을 낮게 유지하세요 (90% 미만 권장). 대부분의 제품이 OUT_OF_STOCK (품절)인 경우 예측 응답에 품절 제품이 많이 표시되며 필터를 추가하면 회수 숫자가 줄어듭니다. patchProduct API를 사용하여 Product.availability 필드를 최대한 최신 상태로 유지하거나 readMask를 사용하여 API를 가져옵니다.
변형 및 기본 세부정보
기본 제품과 변형 제품 모두 세부정보가 완전하고 정확해야 합니다. 제품의 SKU 구조를 고려하여 제품을 기본 제품 또는 변형 제품으로 지정합니다. 기본 제품과 변형 제품 모두에 대해 product.categories, product.title, product.attributes, product.prices의 정확성과 완전성을 우선시합니다.
어떠한 제품 또는 제품 그룹이 기본 제품이고 어떤 것이 변형 제품인지 결정할 때 신중하게 생각해야 합니다.
기본 및 변이 항목을 상위 항목과 하위 항목으로 설명하는 경우도 있습니다.
기본 및 옵션의 가격
정확한 추천 및 필터링을 위해 기본 제품과 옵션이 있는 제품의 가격 정보를 정확하게 입력하세요. 제품에 제품 수준 가격이 없고 모든 가격이 항상 오프라인 판매점 인벤토리와 연결되어 있는 경우 제품 수준 가격 정보에 모든 인벤토리 수준 가격의 중간 가격 정보를 입력합니다.
데이터 업로드 빈도
모델은 약 6시간마다 새로운 제품 정보를 가져옵니다.
시간이 지남에 따라 모델 품질이 저하되지 않도록 주기적 카탈로그 가져오기를 사용하여 카탈로그를 정기적으로 (시간별 또는 일별, 실시간이 가장 좋음) 업데이트하는 것이 좋습니다.
BFCM과 같은 피크 이벤트 기간에는 데이터 수집 파이프라인이 전체 카탈로그의 급격한 가격 변화를 처리할 수 있어야 합니다.
브랜치별 업로드 불일치
모델 품질을 저하시킬 수 있는 일부 쿼리의 제품 정보 누락을 방지하기 위해 지점 간에 일관된 제품 업로드를 보장하세요.
추천을 스테이징하고 미리 보거나 결과를 예측할 수 있도록 데이터를 여러 브랜치로 가져옵니다.
필터와 다양성 설정 간의 균형
적용된 필터 수와 다양성 설정 간의 균형을 최적화합니다. 데이터 기반 다양성을 사용하여 관련성과 다양성 간에 균형을 맞추는 추천 결과를 생성합니다. 데이터 기반 다양성은 제품 카탈로그 메타데이터(예: 제목 또는 카테고리)를 학습합니다.
diversityLevel를 RULE_BASED_DIVERSITY, DATA_DRIVEN_DIVERSITY, no-diversity, low-diversity, medium-diversity, high-diversity, auto-diversity과 같은 값으로 설정하여 제품 카테고리에 따라 예측 결과를 조정합니다.
RULE_BASED_DIVERSITY는 제품 카테고리를 기준으로 추천 결과를 다양화합니다.DATA_DRIVEN_DIVERSITY는 제품 메타데이터 학습을 통해 관련성과 카테고리 다양성의 균형을 맞추는 추천을 다양화합니다.
가격 재순위 매개변수
priceRerankLevel 매개변수를 사용하여 제품 가격에 따라 예측 결과를 조정합니다. 가격 재순위 옵션은 없음, 낮음, 중간, 높음이 있습니다.
허용되는 값은 no-price-reranking (설정되지 않은 경우 기본값), low-price-reranking, medium-price-reranking, high-price-reranking입니다.
사용자 이벤트의 잘못된 필터 데이터
사용자 이벤트의 다중 단어 필터가 대소문자를 포함하여 카탈로그와 정확히 일치해야 합니다 (OnePiece와 One-Piece의 차이).
정확한 필터 사용은 동적 패싯 성능을 최적화하는 데 매우 중요합니다. 모델은 예측 요청에 있는 필터에서 패싯 인기를 추론합니다.
이벤트 요구사항
모든 이벤트 유형 (모델 유형별)에 대해 이벤트 수가 충분해야 합니다.
수집된 이벤트가 기여도 분석 가능해야 합니다. 즉, 모델이 학습할 수 있도록 타임스탬프, 방문자 ID, 제품 ID 세부정보가 정확해야 합니다. 즉, 모델이 이벤트에서 사용자 여정을 구성할 수 있어야 합니다.
모델 생성 시 문서 또는 'Google 검색'에서 모델 유형별 이벤트 요구사항을 확인하세요.
제품당 평균 노출수
모든 이벤트 유형 (모델 유형별)의 경우 제품 ID당 평균 노출수가 10보다 커야 합니다. 내가 좋아할 만한 기타 항목 및 추천 서비스 모델 학습을 시작하는 데 1~2주치의 세부정보 페이지 조회로 충분합니다.
구매 평균 주문 규모
해당하는 경우 상품 수량을 제외한 구매 평균 주문 크기가 1보다 큰지 확인합니다. 여러 품목의 바구니를 여러 구매 이벤트로 평면화하지 마세요. 여러 제품이 포함된 단일 구매 이벤트로 유지되어야 합니다.
일부 구매 이벤트에 여러 제품이 포함되어 있는지 확인합니다. 이렇게 하면 모델이 공동 구매 패턴을 학습하는 데 도움이 되며, 특히 자주 함께 구매하는 항목과 같은 모델에 유용합니다.
API 응답: 검색과 추천이 다름
상거래를 위한 Vertex AI Search의 주요 차이점은 검색 및 추천 API가 응답에서 제품 옵션을 처리하는 방식입니다. 이 차이점을 이해하는 것은 구현에 매우 중요합니다.
검색 응답에는 특정 제품 옵션이 포함되지만 추천 응답에는 포함되지 않습니다.
- 검색: 사용자가 빨간색 러닝화 사이즈 10과 같은 쿼리를 제출하면 API는 기본 제품 목록과 일치하는 상위 5개 옵션의 세부정보를 반환합니다. 사용자의 질문은 가장 관련성 높은 변형을 식별하고 순위를 지정하는 데 필요한 컨텍스트를 제공합니다.
- 추천: 함께 자주 구매하는 항목 또는 맞춤 추천과 같은 모델의 응답은 의도적으로 기본 제품 ID만 반환합니다. 이러한 추천은 광범위하며 변형 선택을 안내하는 특정 사용자 쿼리가 없습니다.
이 설계를 통해 개발자는 자체 변형 선택 로직을 유연하게 구현할 수 있습니다. 안내 검색어가 없으므로 베스트셀러, 인벤토리가 가장 많은 옵션, 프로모션 중인 옵션 등 자체 비즈니스 규칙에 따라 표시되는 옵션을 관리할 수 있습니다. 이러한 의도적인 설계를 통해 최종 추천이 특정 전자상거래 전략과 일치합니다.
추천 서비스 또는 내가 좋아할 만한 기타 항목과 같은 맞춤 모델은 사용자의 즉각적인 행동에 적응할 때 가장 효과적입니다. 이러한 응답성의 핵심은 사용자 상호작용 데이터 또는 이벤트가 처리되는 방식에 있습니다.
- 실시간 개인화: 이 접근 방식은 클릭, 장바구니에 추가와 같은 지속적인 사용자 이벤트 스트림을 활용합니다. 이러한 이벤트를 실시간으로 수집하면 추천 모델이 사용자의 가장 최근 관심사에 맞게 출력을 즉시 조정할 수 있습니다. 이렇게 하면 항상 최신 상태의 관련성 높은 추천이 제공됩니다.
- 모델 학습과 맞춤설정: 핵심 모델과 맞춤설정 레이어를 구분하는 것이 중요합니다.
- 모델 학습: 상거래를 위한 Vertex AI Search의 기본 추천 모델은 일반적으로 매일 다시 학습하며 모든 과거 데이터를 학습합니다.
- 실시간 맞춤설정: 학습된 모델을 기반으로 이루어집니다. 각 API 호출을 통해 지난 몇 분 동안 발생한 사용자 이벤트를 통합하는 최신 맞춤 추천을 계산합니다.
- 수집 방법이 중요함: 맞춤설정 속도는 사용자 이벤트 수집 방식과 직접적으로 관련이 있습니다.
- 실시간 수집: 즉각적인 맞춤설정에 매우 중요합니다. 비즈니스에서 순간적인 사용자 의도를 활용해야 하는 경우 실시간 이벤트 스트림을 우선순위로 지정해야 합니다.
- 일괄 수집: 일괄 프로세스를 사용하면 일괄 일정의 빈도에 해당하는 지연이 맞춤설정에 발생합니다. 본질적으로 나쁜 것은 아니지만 비즈니스 요구사항에 따라 고려해야 할 중요한 절충사항입니다.
AI 기반 제품 추천의 효과는 전략적 배치에 달려 있습니다. 적절한 페이지에 적절한 모델을 배치하는 것은 사용자 참여를 극대화하고 주요 비즈니스 측정항목을 달성하는 데 매우 중요합니다. 이 가이드에서는 고유한 비즈니스 목표를 달성하는 데 필요한 유연성을 강조하면서 Vertex AI Search for commerce 모델을 배치하는 데 입증된 전략을 제공합니다.
핵심 추천 모델 및 게재위치
Vertex AI Search for commerce는 다양한 쇼핑 컨텍스트에 맞는 전문 모델을 제공합니다. 다음 표에는 주요 모델과 최대 효과를 위한 권장 게재위치가 요약되어 있습니다.
| 전자상거래 페이지 | 기본 목표 | 페이지에 가장 적합한 모델 | 대체 모델 1 | 대체 모델 2 |
|---|---|---|---|---|
| 제품 세부정보 페이지 | 유사한 항목 또는 대체 항목 표시 | 내가 좋아할 만한 기타 항목 | 자주 함께 구매하는 항목 | 유사 항목 |
| 홈페이지 / 카테고리 페이지 | 맞춤 디스커버리 | 추천 항목 | 다시 구매하기 | 할인 |
| 장바구니 페이지 | 평균 주문 금액 증가 | 자주 함께 구매하는 항목 | 추천 항목 | 할인 |
- 추천: 사용자의 이전 데이터를 활용하여 맞춤 환경을 만듭니다. 홈페이지 또는 카테고리 페이지에 배치하면 맞춤 추천을 통해 재방문 고객의 참여를 즉시 유도할 수 있습니다.
- 내가 좋아할 만한 기타 항목: 제품 세부정보 페이지에 적합한 이 모델은 조회 중인 제품과 유사하거나 대체 가능한 상품을 표시합니다. 제품 검색을 유도하는 핵심 도구로, 클릭률 (CTR) 또는 수익에 맞게 최적화할 수 있습니다.
- 자주 함께 구매하는 항목: 보완 제품을 추천하여 AOV를 늘리도록 설계되었습니다. 제품 세부정보 페이지와 장바구니 또는 결제 흐름에서 가장 효과적이며, 논리적인 부가기능 구매를 유도합니다.
데이터 기반 의사 결정을 위한 A/B 테스트
이 가이드라인은 강력한 기반을 제공하지만, 특정 잠재고객에게 최적의 전략을 검증하려면 A/B 테스트가 필수적입니다. 예를 들어 각 모델을 서로 다른 사용자 동질 집단에 제공하여 제품 세부정보 페이지에서 내가 좋아할 만한 기타 항목 또는 자주 함께 구매하는 항목이 더 나은 실적을 보이는지 테스트할 수 있습니다.
각 그룹의 전환율 및 수익과 같은 핵심 성과 지표를 추적하면 어떤 모델을 배포할지 데이터에 기반하여 결정할 수 있습니다. 이 실증적 접근 방식을 사용하면 추측을 배제하고 게재 전략이 비즈니스 목표에 맞게 조정됩니다.
가이드라인과 비즈니스 요구사항의 균형 유지
다음 권장사항을 출발점으로 삼으세요. 상거래를 위한 Vertex AI Search의 유연성을 통해 특정 전략적 목표를 충족하도록 맞춤설정할 수 있습니다. 하지만 기존 게재 전략이 없는 비즈니스의 경우, 검증된 가이드라인을 통해 성공으로 가는 안정적인 경로를 확보할 수 있습니다. 모델을 신중하게 배치하고 테스트를 통해 접근 방식을 지속적으로 개선하면 더 매력적이고 수익성 있는 전자상거래 환경을 만들 수 있습니다.