Clique em cada item na lista de verificação para revelar informações mais detalhadas sobre como proceder. Assinale cada passo de integração depois de o concluir. Seguindo estes passos, pode melhorar a eficácia geral da implementação das recomendações.
Dados de atributos
Limites de filtragem de atributos: tendo em conta o limite de filtragem de atributos de 10, priorize a seleção dos atributos mais importantes. Analise padrões nos atributos personalizados selecionados e adicione atributos semelhantes e relevantes ao catálogo. Garanta uma cobertura elevada para as chaves de filtro de atributos no catálogo para permitir uma filtragem eficaz e refinar as recomendações.
Maximize o impacto dos atributos: não elimine nem desative atributos, pois pode afetar o modelo. Melhore a cobertura dos atributos selecionados automaticamente preenchendo estes campos para mais produtos.
Verifique as definições dos atributos: as recomendações usam definições de atributos filtráveis que podem ser usadas em expressões de filtros de recomendações. Este controlo só é aplicável a atributos de texto.
Categorias
Monitorize a distribuição de categorias e resolva problemas de categorias com representação excessiva. As categorias de produtos de alta qualidade permitem a diversidade baseada em regras para recomendar produtos de várias categorias.
Rácio de esgotamento
Mantenha um rácio de produtos esgotados baixo (idealmente, < 90%) para evitar distorcer as recomendações e garantir resultados relevantes. Se a maioria dos produtos estiver OUT_OF_STOCK (OOS), a resposta de previsão terá muitos produtos OOS e, se adicionar um filtro, os números de recolha vão diminuir. Mantenha o campo Product.availability o mais atualizado possível através das APIs patchProduct ou das APIs de importação com um readMask.
Variantes e detalhes principais
Certifique-se de que os produtos principais e as variantes têm detalhes completos e precisos. Considere a estrutura do SKU do produto e designe os produtos como principais ou variantes em conformidade. Priorize a precisão e a integridade de product.categories, product.title, product.attributes e product.prices para produtos principais e variantes.
Certifique-se de que pensa cuidadosamente ao determinar que produtos ou grupos de produtos são principais e quais são variantes.
Por vezes, os itens principais e as variantes são descritos como itens superiores e secundários.
Preço no produto principal e nas variantes
Preencha corretamente as informações de preços dos produtos principais e das variantes para garantir recomendações e filtragem precisas. Se o produto não tiver preços ao nível do produto e todos os preços estiverem sempre associados a um inventário local, preencha as informações de preço mediano de todos os preços ao nível do inventário nas informações de preço ao nível do produto.
Frequência de carregamento de dados
Tenha em atenção que o modelo recolhe novas informações sobre os produtos aproximadamente a cada seis horas.
Idealmente, deve atualizar o catálogo regularmente (de hora em hora, diariamente ou, de preferência, em tempo real) através de importações periódicas do catálogo para evitar que a qualidade do modelo diminua ao longo do tempo.
Durante eventos de pico, como a BFCM, certifique-se de que o pipeline de carregamento de dados consegue processar alterações rápidas de preços em todo o catálogo.
Carregamentos inconsistentes por filial
Garanta carregamentos de produtos consistentes em todas as filiais para evitar a falta de informações sobre produtos para algumas consultas, o que pode piorar a qualidade do modelo.
Importar dados para diferentes ramificações como forma de preparar e pré-visualizar recomendações ou prever resultados.
Equilibre as definições de diversidade e os filtros
Otimize o equilíbrio entre o número de filtros aplicados e as definições de diversidade. Use a diversidade orientada por dados para produzir resultados de recomendações que equilibrem a relevância e a diversidade. A diversidade orientada por dados aprende com os metadados do catálogo de produtos, como títulos ou categorias.
Ajuste os resultados da previsão com base na categoria do produto definindo diversityLevel para valores como RULE_BASED_DIVERSITY, DATA_DRIVEN_DIVERSITY, no-diversity, low-diversity, medium-diversity, high-diversity ou auto-diversity.
RULE_BASED_DIVERSITYdiversifica os resultados das recomendações com base na categoria do produto.DATA_DRIVEN_DIVERSITYdiversifica as recomendações com base na aprendizagem dos metadados dos produtos para equilibrar a relevância e a diversidade das categorias.
Parâmetros de reclassificação de preços
Ajuste os resultados da previsão com base no preço do produto através do parâmetro priceRerankLevel, com opções para reclassificação de preços inexistente, baixa, média ou alta.
Os valores permitidos são no-price-reranking (valor predefinido se não estiver definido), low-price-reranking, medium-price-reranking e high-price-reranking.
Dados de filtros incorretos em eventos de utilizadores
Certifique-se de que os filtros com várias palavras nos eventos do utilizador correspondem exatamente ao catálogo, incluindo as maiúsculas e minúsculas (OnePiece em comparação com One-Piece).
A utilização precisa de filtros é fundamental para o desempenho ideal dos facetas dinâmicos. O modelo infere a popularidade das facetas a partir dos filtros presentes nos pedidos de previsão.
Requisitos de eventos
Para todos os tipos de eventos (por tipo de modelo), certifique-se de que tem um número suficiente de eventos.
Certifique-se de que os eventos carregados são atribuíveis, o que significa que os detalhes das datas/horas, do ID do visitante e do ID do produto devem ser precisos para que o modelo seja preparado. Isto significa que o modelo deve conseguir construir um percurso do utilizador a partir dos eventos.
Verifique o requisito de eventos por tipo de modelo na documentação ou na pesquisa de comércio no momento da criação do modelo.
Impressão média por produto
Para todos os tipos de eventos (por tipo de modelo), procure ter uma média de impressões por ID do produto superior a 10. Uma a duas semanas de visualizações de páginas detalhadas podem ser suficientes para começar a preparar os modelos Outros utilizadores também gostam e Recomendado para si.
Tamanho médio de encomenda de compra
Certifique-se de que a dimensão média da encomenda de compra é superior a um, excluindo a quantidade de artigos, sempre que aplicável. Não reduza os carrinhos com vários artigos a vários eventos purchase. Mantenha-os como eventos purchase únicos que incluem vários produtos.
Verifique se alguns eventos purchase incluem vários produtos, uma vez que isto ajuda o modelo a aprender padrões de compra conjunta, especialmente para modelos como Comprados frequentemente em conjunto.
Respostas da API: a pesquisa e as recomendações diferem
Uma distinção fundamental no Vertex AI Search para comércio é a forma como as APIs Search e Recommendations processam as variantes de produtos nas respetivas respostas. Compreender esta diferença é fundamental para a implementação.
As respostas de pesquisa incluem variantes de produtos específicas; as respostas de recomendações não.
- Pesquisa: quando um utilizador envia uma consulta (como sapatilhas de corrida vermelhas tamanho 44), a API devolve uma lista de produtos principais e detalhes das cinco principais variantes correspondentes. A consulta do utilizador fornece o contexto necessário para identificar e classificar as variantes mais relevantes.
- Recomendações: a resposta para modelos como Comprados frequentemente em conjunto ou Recomendados para si devolve intencionalmente apenas IDs de produtos principais. Estas recomendações são gerais e não têm uma consulta do utilizador específica para orientar a seleção de variantes.
Este design dá aos programadores a flexibilidade de implementarem a sua própria lógica de seleção de variantes. Como não existe uma consulta orientadora, controla a variante que é apresentada com base nas suas próprias regras empresariais, como apresentar o produto mais vendido, a variante com o inventário mais elevado ou uma que esteja em promoção. Este design intencional garante que a recomendação final está alinhada com a sua estratégia de comércio eletrónico específica.
Os modelos personalizados, como Recomendado para si ou Outros que podem interessar-lhe, são mais eficazes quando se adaptam às ações imediatas de um utilizador. A chave desta capacidade de resposta reside na forma como os dados de interação do utilizador, ou eventos, são processados.
- Personalização em tempo real: esta abordagem tira partido de uma stream contínua de eventos do utilizador, como cliques ou adições a um carrinho. Ao ingerir estes eventos em tempo real, os modelos de recomendações podem adaptar instantaneamente o respetivo resultado aos interesses mais recentes de um utilizador. Isto garante que as sugestões são sempre novas e altamente relevantes.
- Treino do modelo vs. personalização: é importante distinguir entre o modelo principal e a camada de personalização.
- Preparação de modelos: o modelo de recomendação subjacente na Vertex AI Search para comércio é normalmente preparado novamente todos os dias, aprendendo com todos os dados do histórico.
- Personalização em tempo real: isto ocorre além do modelo preparado. Com cada chamada API, calcula recomendações novas e personalizadas que incorporam eventos de utilizadores ocorridos nos últimos minutos.
- O método de carregamento é importante: a velocidade da personalização está diretamente relacionada com a forma como carrega os eventos do utilizador.
- Carregamento em tempo real: isto é fundamental para a personalização instantânea. Se a sua empresa precisar de tirar partido da intenção do utilizador no momento, é essencial dar prioridade a uma stream de eventos em tempo real.
- Carregamento em lote: a utilização de um processo em lote introduz um atraso na personalização, equivalente à frequência da programação de lotes. Embora não seja inerentemente mau, é uma compensação crítica a considerar com base nos requisitos da sua empresa.
A eficácia das recomendações de produtos com tecnologia de IA depende do respetivo posicionamento estratégico. Posicionar o modelo certo na página certa é fundamental para maximizar a interação dos utilizadores e alcançar as principais métricas empresariais. Este guia oferece estratégias comprovadas para posicionar modelos do Vertex AI Search for commerce, ao mesmo tempo que enfatiza a flexibilidade necessária para cumprir os seus objetivos de negócio únicos.
Modelos de recomendações e posicionamentos principais
O Vertex AI Search for commerce oferece modelos especializados para diferentes contextos de compras. Esta tabela resume os nossos modelos principais e os respetivos posicionamentos recomendados para o máximo impacto.
| Página de comércio eletrónico | Objetivo principal | Melhor modelo para a página | Modelo alternativo 1 | Modelo alternativo 2 |
|---|---|---|---|---|
| Página de detalhes do produto | Apresentar itens semelhantes ou alternativos | Outras pessoas que podem gostar | Frequentemente comprados em conjunto | Artigos semelhantes |
| Página inicial / página de categoria | Descoberta personalizada | Recomendado para si | Volte a comprar | Em promoção |
| Página do carrinho de compras | Aumentar o valor de encomenda médio | Frequentemente comprados em conjunto | Recomendado para si | Em promoção |
- Recomendado para si: cria uma experiência personalizada através da utilização dos dados do histórico de um utilizador. O posicionamento na página inicial ou nas páginas de categorias envolve imediatamente os clientes recorrentes com sugestões personalizadas.
- Outros produtos de que pode gostar: ideal para páginas de detalhes dos produtos, este modelo apresenta artigos semelhantes ou alternativos ao produto que está a ser visualizado. É uma ferramenta fundamental para gerar a descoberta de produtos e pode ser otimizada em função da taxa de cliques (CTR) ou da receita.
- Comprados frequentemente em conjunto: concebidos para aumentar o valor médio da encomenda sugerindo produtos complementares. É mais eficaz nas páginas de detalhes dos produtos e no fluxo do carrinho ou de pagamento, onde solicita compras adicionais lógicas.
Teste A/B para decisões orientadas por dados
Embora estas diretrizes ofereçam uma base sólida, os testes A/B são essenciais para validar a estratégia ideal para o seu público-alvo específico. Por exemplo, pode testar se a secção Outros produtos que podem interessar-lhe ou Comprados frequentemente em conjunto tem um melhor desempenho nas páginas de detalhes dos produtos ao apresentar cada modelo a uma coorte de utilizadores diferente.
Ao acompanhar os indicadores essenciais de desempenho, como as taxas de conversão e a receita de cada grupo, pode tomar decisões orientadas por dados sobre o modelo a implementar. Esta abordagem empírica elimina as conjeturas e garante que a sua estratégia de posicionamento está ajustada com precisão aos objetivos da sua empresa.
Equilibre as diretrizes com as necessidades empresariais
Considere estas recomendações como ponto de partida. A flexibilidade da Pesquisa do Vertex AI para comércio permite personalizações para atingir objetivos estratégicos específicos. No entanto, para empresas sem uma estratégia de posicionamento preexistente, estas diretrizes testadas e comprovadas oferecem um caminho fiável para o sucesso. Ao posicionar cuidadosamente os seus modelos e refinar continuamente a sua abordagem através de testes, pode desbloquear uma experiência de comércio eletrónico mais apelativa e rentável.