Clique em cada item da lista de verificação para conferir informações mais detalhadas sobre como proceder. Marque cada etapa de integração depois de concluir. Seguindo estas etapas, você pode melhorar a eficácia geral da implementação das recomendações.
Dados de atributos
Limites da filtragem por atributo: considerando o limite de 10, priorize a seleção dos atributos mais importantes. Analise padrões nos atributos personalizados selecionados e adicione ao catálogo atributos semelhantes e relevantes. Garanta alta cobertura para chaves de filtro de atributo no catálogo para permitir uma filtragem eficaz e refinar as recomendações.
Maximize o impacto dos atributos: não exclua nem desative atributos, porque isso pode afetar o modelo. Melhore a cobertura dos atributos selecionados automaticamente preenchendo esses campos para mais produtos.
Verifique as configurações de atributo: as recomendações usam configurações de atributo filtráveis que podem ser usadas em expressões de filtro de recomendação. Esse controle é aplicável apenas a atributos de texto.
Categorias
Monitore a distribuição de categorias e corrija aquelas com representação excessiva. Com categorias de produtos de alta qualidade, a diversidade baseada em regras pode recomendar produtos de várias categorias.
Proporção de itens esgotados
Mantenha uma baixa proporção de produtos esgotados (idealmente < 90%) para evitar distorcer as recomendações e garantir resultados relevantes. Se a maioria dos produtos estiver como OUT_OF_STOCK (OOS), a resposta de previsão terá muitos produtos OOS. Ao adicionar um filtro, os números de recall vão diminuir. Mantenha o campo Product.availability o mais atualizado possível usando as APIs patchProduct ou importe APIs com um readMask.
Variantes e detalhes principais
Verifique se os produtos principais e variantes de produto têm detalhes completos e precisos. Considere a estrutura de SKU do produto e designe os produtos como principais ou variantes de acordo com ela. Priorize a precisão e a integridade de product.categories, product.title, product.attributes e product.prices para produtos principais e variantes de produto.
Pense com cuidado ao determinar quais produtos ou grupos de produtos são principais e quais são variantes.
Às vezes, as primárias e as variantes são descritas como itens pai e filho.
Preço na variante principal e nas outras
Preencha com precisão as informações de preço dos produtos principais e das variantes de produto para garantir recomendações e filtragem precisas. Se o produto não tiver preços no nível do produto e todos os preços estiverem sempre vinculados a um inventário local, preencha as informações de preço mediano de todos os preços no nível de inventário nas informações de preço no nível do produto.
Frequência de upload de dados
Esteja ciente de que o modelo coleta novas informações do produto aproximadamente a cada seis horas.
O ideal é atualizar o catálogo regularmente (a cada hora, diariamente ou, de preferência, em tempo real) usando importações periódicas para evitar que a qualidade do modelo diminua com o tempo.
Durante eventos de pico, como a BFCM, verifique se o pipeline de ingestão de dados consegue lidar com mudanças rápidas de preços em todo o catálogo.
Uploads inconsistentes por ramificação
Garanta uploads de produtos consistentes em todas as filiais para evitar a falta de informações do produto em algumas consultas, o que pode piorar a qualidade do modelo.
Importe dados para diferentes ramificações como uma forma de organizar e visualizar recomendações ou prever resultados.
Equilíbrio entre filtros e configurações de diversidade
Otimize o equilíbrio entre o número de filtros aplicados e as configurações de diversidade. Use a diversidade baseada em dados para gerar resultados de recomendação que equilibrem relevância e diversidade. A diversidade orientada por dados aprende com metadados do catálogo de produtos, como títulos ou categorias.
Ajuste os resultados da previsão com base na categoria do produto definindo diversityLevel como valores como RULE_BASED_DIVERSITY, DATA_DRIVEN_DIVERSITY, no-diversity, low-diversity, medium-diversity, high-diversity ou auto-diversity.
RULE_BASED_DIVERSITYdiversifica os resultados de recomendação com base na categoria do produto.DATA_DRIVEN_DIVERSITYdiversifica as recomendações com base no aprendizado de metadados de produtos para equilibrar a relevância e a diversidade de categorias.
Parâmetros de reclassificação por preço
Ajuste os resultados da previsão com base no preço do produto usando o parâmetro priceRerankLevel, com opções de reclassificação de preço "nenhum", "baixo", "médio" ou "alto".
Os valores permitidos são no-price-reranking (valor padrão se não estiver definido), low-price-reranking, medium-price-reranking e high-price-reranking.
Dados de filtro incorretos em eventos do usuário
Verifique se os filtros com várias palavras nos eventos do usuário correspondem exatamente ao catálogo, incluindo o uso de maiúsculas e minúsculas (OnePiece x One-Piece).
O uso correto de filtros é fundamental para o desempenho ideal de facetas dinâmicas. O modelo infere a popularidade das facetas com base nos filtros presentes nas solicitações de previsão.
Requisitos de eventos
Para todos os tipos de eventos (por tipo de modelo), garanta um número suficiente de eventos.
Verifique se os eventos ingeridos são atribuíveis. Isso significa que os carimbos de data/hora, o ID do visitante e os detalhes do ID do produto precisam ser precisos para o treinamento do modelo. Isso significa que o modelo precisa ser capaz de construir uma jornada do usuário com base nos eventos.
Confira o requisito de evento por tipo de modelo na documentação ou na Pesquisa de comércio com IA no Gemini Enterprise for Customer Experience no momento da criação do modelo.
Média de impressões por produto
Para todos os tipos de eventos (por tipo de modelo), busque uma média de impressões por ID do produto maior que 10. Uma ou duas semanas de visualizações de página detalhadas são suficientes para começar a treinar os modelos "Outros itens que você pode gostar" e "Recomendados para você".
Comprar tamanho médio do pedido
Verifique se o tamanho médio do pedido de compra é maior que um, excluindo a quantidade de itens, sempre que aplicável. Não nivele cestas com vários itens em vários eventos de compra. Mantenha-os como eventos de compra únicos que incluem vários produtos.
Verifique se alguns eventos de compra incluem vários produtos, porque isso ajuda o modelo a aprender padrões de compra conjunta, especialmente para modelos como "Comprados juntos com frequência".
Respostas da API: a pesquisa e as recomendações são diferentes
Uma distinção importante na Pesquisa de e-commerce com IA é como as APIs Search e Recommendations lidam com variantes de produtos nas respostas. Entender essa diferença é fundamental para a implementação.
As respostas da pesquisa incluem variantes específicas de produtos, mas as respostas de recomendações não.
- Pesquisa: quando um usuário envia uma consulta (como tênis de corrida vermelhos tamanho 40), a API retorna uma lista de produtos principais e detalhes das cinco principais variantes correspondentes. A consulta do usuário fornece o contexto necessário para identificar e classificar as variantes mais relevantes.
- Recomendações: a resposta para modelos como "Comprados juntos com frequência" ou "Recomendado para você" retorna intencionalmente apenas IDs de produtos principais. Essas recomendações são gerais e não têm uma consulta específica do usuário para orientar a seleção de variantes.
Esse design dá aos desenvolvedores a flexibilidade de implementar a própria lógica de seleção de variantes. Como não há uma consulta orientadora, você controla qual variante é mostrada com base nas suas próprias regras de negócios, como mostrar o mais vendido, a variante com o maior inventário ou uma que esteja em promoção. Esse design intencional garante que a recomendação final esteja alinhada à sua estratégia específica de e-commerce.
Modelos personalizados, como "Recomendados para você" ou "Outros itens que você pode gostar", são mais eficazes quando se adaptam às ações imediatas de um usuário. A chave dessa capacidade de resposta está na forma como os dados de interação do usuário ou eventos são processados.
- Personalização em tempo real:essa abordagem aproveita um fluxo contínuo de eventos do usuário, como cliques ou adições a um carrinho. Ao ingerir esses eventos em tempo real, os modelos de recomendação podem adaptar instantaneamente a saída aos interesses mais recentes de um usuário. Isso garante que as sugestões estejam sempre atualizadas e sejam altamente relevantes.
- Treinamento de modelo x personalização:é importante distinguir entre o modelo principal e a camada de personalização.
- Treinamento de modelos:o modelo de recomendação da Pesquisa de e-commerce com IA geralmente é treinado novamente todos os dias, aprendendo com todos os dados históricos.
- Personalização em tempo real:acontece com base no modelo treinado. A cada chamada de API, ela calcula recomendações novas e personalizadas que incorporam eventos do usuário ocorridos nos últimos minutos.
- O método de ingestão é importante:a velocidade da personalização está diretamente relacionada à forma como você ingere os eventos do usuário.
- Ingestão em tempo real:é essencial para a personalização instantânea. Se sua empresa precisa aproveitar a intenção do usuário no momento, é essencial priorizar um fluxo de eventos em tempo real.
- Ingestão em lote:usar um processo em lote vai atrasar a personalização, equivalente à frequência da programação em lote. Embora não seja inerentemente ruim, é uma troca importante a ser considerada com base nos requisitos da sua empresa.
A eficácia das recomendações de produtos com tecnologia de IA depende do posicionamento estratégico delas. Posicionar o modelo certo na página certa é fundamental para maximizar o engajamento do usuário e alcançar as principais métricas de negócios. Este guia oferece estratégias comprovadas para posicionar modelos de pesquisa de e-commerce com IA, enfatizando a flexibilidade necessária para atender às suas metas de negócios exclusivas.
Modelos e posições de recomendação principais
A Pesquisa de e-commerce com IA oferece modelos especializados para diferentes contextos de compras. Esta tabela resume nossos principais modelos e os posicionamentos recomendados para maximizar o impacto.
| Página de e-commerce | Objetivo principal | Melhor modelo para a página | Modelo alternativo 1 | Modelo alternativo 2 |
|---|---|---|---|---|
| Página de detalhes do produto | Mostrar itens semelhantes ou alternativos | Outros itens que você marca como "Gostei" | Comprados juntos com frequência | Itens semelhantes |
| Página inicial / Página de categoria | Descoberta personalizada | Recomendados para você | Comprar novamente | Em promoção |
| Página do carrinho de compras | Aumentar o valor médio do pedido | Comprados juntos com frequência | Recomendados para você | Em promoção |
- Recomendado para você: cria uma experiência personalizada usando os dados históricos de um usuário. A posição na página inicial ou nas páginas de categorias envolve imediatamente os clientes recorrentes com sugestões personalizadas.
- Outros produtos que você pode gostar: ideal para páginas de detalhes do produto, esse modelo apresenta itens semelhantes ou alternativos ao produto que está sendo visualizado. Uma ferramenta essencial para impulsionar a descoberta de produtos, que pode ser otimizada para taxa de cliques (CTR) ou receita.
- Comprados juntos com frequência: projetado para aumentar o valor médio do pedido, sugerindo produtos complementares. Ela é mais eficaz em páginas de detalhes do produto e no processo do carrinho ou de finalização da compra, onde solicita compras complementares lógicas.
Teste A/B para decisões baseadas em dados
Embora essas diretrizes ofereçam uma base sólida, o teste A/B é essencial para validar a estratégia ideal para seu público-alvo específico. Por exemplo, você pode testar se "Outros itens que você pode gostar" ou "Comprados juntos com frequência" têm uma performance melhor nas páginas de detalhes do produto veiculando cada modelo para uma coorte de usuários diferente.
Ao acompanhar os indicadores de performance principais, como taxas de conversão e receita de cada grupo, você pode tomar decisões baseadas em dados sobre qual modelo implantar. Essa abordagem empírica elimina as suposições e garante que sua estratégia de posicionamento esteja ajustada aos seus objetivos de negócios.
Equilibrar as diretrizes com as necessidades comerciais
Considere estas recomendações como um ponto de partida. A flexibilidade da Pesquisa de e-commerce com IA permite personalizações para atender a metas estratégicas específicas. No entanto, para empresas sem uma estratégia de posicionamento preexistente, estas diretrizes testadas e comprovadas oferecem um caminho confiável para o sucesso. Ao posicionar seus modelos de forma estratégica e refinar continuamente sua abordagem por meio de testes, você pode criar uma experiência de e-commerce mais envolvente e lucrativa.