Dynamische Suche

Die moderne E-Commerce-Suchleiste ist viel mehr als nur ein Eingabefeld. Es handelt sich um einen interaktiven, dynamischen Assistenten, der Ihre Nutzer zu den richtigen Produkten führt, bevor sie überhaupt mit der Eingabe von Text fertig sind. Diese Funktion, bei der Suchvorschläge, beliebte Marken, relevante Kategorien und sogar Top-Produktergebnisse in Echtzeit angezeigt werden, steigert das Nutzer-Engagement und erhöht die Conversion-Wahrscheinlichkeit.

AI Commerce Search bietet zwar separate APIs für die automatische Vervollständigung von Suchanfragen und die Produktsuche, lässt die endgültige Implementierung einer SAYE-Nutzerfreundlichkeit jedoch bewusst offen.

In diesem Leitfaden zum Erstellen mit AI Commerce Search werden zwei primäre Designmuster für die Implementierung eines robusten SAYE-Widgets mit den AI Commerce Search APIs untersucht und die jeweiligen Vor- und Nachteile erläutert.

Hauptkomponenten verstehen

Um eine umfassende SAYE-Funktion zu entwickeln, müssen Sie die beiden grundlegenden APIs von AI Commerce Search kennen:

  1. CompleteQuery API: Diese API ist die Grundlage für Ihre Vorschläge zur automatischen Vervollständigung.

    • Funktion: Für einen bestimmten Eingabestring, z. B. lipst, wird eine Liste mit vorgeschlagenen Suchanfragen zurückgegeben, darunter lipstick und lip gloss, zugehörige beliebte Marken und relevante Kategorien.
    • Kosten: Diese API ist in der Preisgestaltung für das AI Commerce Search-Paket enthalten.
    • Leistung: Die API ist auf hohen Durchsatz ausgelegt und bietet die schnellen Antworten mit niedriger Latenz, die für die Eingabe von Zeichen für Zeichen erforderlich sind. Dabei werden Funktionen für automatisches Lernen genutzt, darunter Rechtschreibkorrektur und Vorschläge, die auf die täglichen Suchvorgänge in Ihrem Shop abgestimmt sind. Weitere Informationen finden Sie in den API-Spezifikationen für die Rechtschreibkorrektur.

  2. Search API:Dies ist Ihre zentrale Engine für die Produktentdeckung.

    • Funktion:Gibt für eine bestimmte Anfrage eine sortierte Liste relevanter Produktergebnisse zurück.
    • Kosten:Dies ist eine kostenpflichtige API. Ihre Nutzung wirkt sich direkt auf Ihre Betriebskosten aus.
    • Ereignisse: Für das Modelltraining und die Analyse sollte jeder Search-API-Aufruf idealerweise mit einem Suchereignis verknüpft werden, um das Nutzerverhalten zu erfassen und die Relevanzmodelle im Laufe der Zeit zu verbessern.

Suche während der Eingabe

Um die SAYE-Funktion zu erstellen, müssen Sie eine Wrapper-API oder Frontend-Logik schreiben, die beide APIs aufruft und ihre Ergebnisse in einer einzigen, zusammenhängenden Benutzeroberfläche kombiniert.

Implementierungsmuster 1: Direkter, aber kostspieliger Ansatz

Dies ist die einfachste Methode zur Implementierung. Bei jedem Tastendruck werden parallele Aufrufe an die APIs CompleteQuery und Search ausgeführt.

Flow

Der Ablauf folgt diesem sequenziellen Pfad:

  1. Ein Nutzer gibt ein Zeichen ein, z. B. l.
  2. Ihre Anwendung sendet l an die CompleteQuery API.
  3. Gleichzeitig sendet Ihre Anwendung l an die Search API.
  4. Die Ergebnisse werden kombiniert und angezeigt.
  5. Der Nutzer gibt ein weiteres Zeichen ein (l), sodass die Anfrage li lautet.
  6. Der Vorgang wird für die neue Abfrage li. wiederholt.

Vorteile

Zu den Vorteilen gehören die schnelle Implementierung, mit der Sie das Log schnell schreiben und bereitstellen können.

Nachteile

  • Hohes Search-API-Volumen: Bei diesem Ansatz steigt die Anzahl der Search-API-Aufrufe erheblich. Eine Anfrage wie Lippenstift würde acht separate Suchanfragen auslösen, was zu einer erheblichen Volumenzunahme führen würde.
  • Höhere Kosten: Da die Search API ein kostenpflichtiger Dienst ist, führt dieses hohe Volumen direkt zu höheren Betriebskosten, was es schwierig macht, einen positiven Return on Investment (ROI) zu erzielen.
  • Komplexität der Ereignisverwaltung: Jeder Search-API-Aufruf sollte mit einem entsprechenden Suchereignis protokolliert werden, um das Modell genau zu trainieren und zu analysieren. Aufgrund der hohen Anzahl von Aufrufen ist es schwierig, dafür zu sorgen, dass jedes Ereignis erfasst wird. Das kann zu Datenverlust und verzerrten Analysen führen.
  • Möglicherweise Ergebnisse von geringerer Qualität: Bei Suchanfragen mit einem oder zwei Zeichen, z. B. l, li, können verrauschte oder zu breit gefasste Ergebnisse zurückgegeben werden, was zu einer weniger relevanten ersten Erfahrung führt.

Dieses Muster optimiert Kosten, Leistung und Relevanz, indem die CompleteQuery API verwendet wird, um intelligent zu entscheiden, wann die Search API aufgerufen werden soll.

Flow

Der Ablauf folgt diesem sequenziellen Pfad:

  1. Ein Nutzer gibt eine teilweise Textanfrage ein, z. B. Lippen.
  2. Ihre Anwendung sendet lip an die CompleteQuery API.
  3. Die API gibt eine Liste mit Vorschlägen zurück, wobei lipstick (Lippenstift) wahrscheinlich das erste Ergebnis ist.
  4. Ihre Anwendung nimmt den ersten Vorschlag (Lippenstift) und führt damit einen einzelnen Aufruf der Search API aus.
  5. Die automatisch vervollständigten Vorschläge und die Produktergebnisse für Lippenstift werden angezeigt.
  6. Wenn der Nutzer lips, lipst, ... eingibt, können Sie eine Logik hinzufügen, um nur dann einen neuen Suchaufruf zu starten, wenn sich der erste automatisch vervollständigter Vorschlag ändert.

Vorteile

  • Erhebliche Kostensenkung: Durch die drastische Reduzierung der Anzahl der Search API-Aufrufe werden die Kosten mit dieser Methode unter Kontrolle gehalten.
  • Kontrolliertes API- und Ereignisvolumen: API- und Ereignisvolumen sind überschaubar und vorhersehbar, sodass zuverlässigere Daten für das Modelltraining und die Analyse zur Verfügung stehen.
  • Höhere Relevanz: Sie suchen nach vollständigeren und wahrscheinlicheren Begriffen, was zu hochwertigeren Produktergebnissen im SAYE-Widget führt.
  • Höherer ROI: Niedrigere Kosten und eine bessere Nutzererfahrung tragen zu einem höheren ROI bei.

den Umgang mit Grenzfällen

Dieser Ansatz ist besser, erfordert aber die Behandlung einiger Grenzfälle:

  • Keine Vorschläge: Wenn die CompleteQuery API keine Vorschläge zurückgibt, sollte Ihre Logik auf den Aufruf der Search API mit der Rohdateneingabe des Nutzers zurückgreifen.
  • Teilweise Suchanfrage im Vergleich zur vorgeschlagenen Suchanfrage: In seltenen Fällen möchte ein Nutzer möglicherweise Ergebnisse für einen Teilbegriff wie Auge anstelle des Top-Vorschlags Lidschatten sehen. Das ist zwar ein kleiner Kompromiss, aber bei der optimierten Methode wird die wahrscheinlichste Nutzerabsicht priorisiert.

Erfolg mit Test-IDs messen

Unabhängig von der Implementierung, für die Sie sich entscheiden, ist es wichtig, die Leistung Ihres SAYE-Widgets unabhängig von Ihrer Hauptseite mit Suchergebnissen zu messen. Wenn Sie für beide dieselbe Tracking-Methode verwenden, können Sie nicht feststellen, ob die SAYE-Funktion die Klickraten und Conversions tatsächlich verbessert.

Um die Click-through- und Conversion-Raten des SAYE-Widgets zu messen, müssen Sie in Ihren Suchereignissen separate experimentIds verwenden, um diese Messwerte von denen der Hauptsuchereignisse zu unterscheiden.

  • SAYE-Ereignisse: Weisen Sie allen Suchereignissen, die von der Funktion „Suchvorschläge während der Eingabe“ stammen, eine bestimmte ID zu, z. B. "experimentId": "saye-widget".
  • Hauptsuchereignisse: Verwenden Sie eine andere ID (oder keine ID) für Suchanfragen, die gestartet werden, wenn ein Nutzer die Eingabetaste drückt oder auf Suchen klickt, um zur Hauptsuchergebnisseite zu gelangen.

Wenn Sie Ihre Ereignisse auf diese Weise segmentieren, können Sie die Analysedashboards in der Vertex AI-Konsole verwenden, um die Leistung Ihres SAYE-Widgets mit der Standardsuche zu vergleichen. So erhalten Sie klare, umsetzbare Informationen.

Fazit

AI Commerce Search bietet die Komponenten zum Erstellen einer Funktion, bei der die Sucheingabe automatisch vervollständigt wird. Als Architekt, der die Interaktion zwischen den APIs CompleteQuery und Search entwirft, können Sie eine Suchfunktion entwickeln, die die Brücke zwischen Nutzerfreundlichkeit und Leistung schlägt. In den meisten Anwendungsfällen bietet der optimierte Ansatz eine nutzerrelevante Erfahrung, ohne rechenintensive Vorgänge zu erfordern.