Búsqueda dinámica

La barra de búsqueda moderna de comercio electrónico es mucho más que un campo de entrada. Es un asistente interactivo y dinámico que guía a los usuarios a los productos adecuados incluso antes de que terminen de ingresar texto. Esta experiencia de búsqueda mientras escribes (SAYE), que muestra sugerencias de consultas, marcas populares, categorías pertinentes e incluso los principales resultados de productos en tiempo real, impulsa la participación de los usuarios y aumenta la probabilidad de conversión.

Si bien Vertex AI Search for Commerce proporciona APIs distintas para el autocompletado de consultas y la búsqueda de productos, intencionalmente deja abierta la implementación final de una experiencia del usuario de SAYE.

En esta guía para compilar con Vertex AI Search for Commerce, se exploran dos patrones de diseño principales para implementar un widget de SAYE sólido con las APIs de Vertex AI Search for Commerce, y se detallan las ventajas y desventajas de cada enfoque.

Comprende los componentes básicos

Para compilar una función integral de SAYE, debes comprender las dos APIs fundamentales que proporciona Vertex AI Search for Commerce:

1. API de CompleteQuery: Es la base de tus sugerencias de autocompletado.

   • Función: Para una cadena de entrada determinada, como lipst, muestra una lista de sugerencias de autocompletado de consultas, incluidos lipstick y brillo labial, marcas populares asociadas y categorías pertinentes.
   • Costo: Esta API se incluye en los precios del paquete de Vertex AI Search for Commerce.
   • Rendimiento: Es una API de alta capacidad de procesamiento diseñada para las respuestas rápidas y de baja latencia que se requieren para una experiencia de pulsación por pulsación. Aprovecha las funciones de aprendizaje automático, incluidas la corrección ortográfica y las sugerencias diseñadas para generar resultados, todo entrenado en los eventos de búsqueda diarios de tu tienda. Consulta las especificaciones de la API de corrección ortográfica para obtener más detalles.

2. API de Search:Es tu motor principal de descubrimiento de productos.

   • Función:Para una consulta determinada, muestra una lista clasificada de resultados de productos pertinentes.
   • Costo:Esta es una API pagada, y su uso afecta directamente tus costos operativos.
   • Eventos: Para el entrenamiento y el análisis de modelos, cada llamada a la API de Search debe combinarse idealmente con un evento de búsqueda para hacer un seguimiento del comportamiento del usuario y mejorar los modelos de pertinencia con el tiempo.

Para crear la experiencia de SAYE, debes escribir una API de wrapper o una lógica de frontend que llame a ambas APIs y combine sus resultados en una interfaz de usuario única y coherente.

Patrón de implementación 1: Enfoque directo, pero más costoso

Este es el método más sencillo de implementar. La lógica es que, por cada pulsación de tecla, realices llamadas paralelas a las APIs de CompleteQuery y Search.

Flujo

El flujo sigue esta ruta secuencial:

1. Un usuario ingresa un carácter, como l.
2. Tu aplicación envía l a la API de CompleteQuery.
3. Al mismo tiempo, tu aplicación envía l a la API de Search.
4. Los resultados se combinan y se muestran.
5. El usuario ingresa otro carácter (l, lo que hace que la consulta sea li).
6. El proceso se repite para la nueva consulta li.

Ventajas

Entre las ventajas, se incluye la implementación rápida, lo que te permite escribir y, luego, implementar el registro rápidamente.

Desventajas

• Alto volumen de la API Search: Este enfoque aumenta drásticamente la cantidad de llamadas a la API Search. Una consulta como lipstick activaría ocho solicitudes de búsqueda independientes, lo que generaría un aumento significativo en el volumen.
• Aumento del costo: Como la API de Search es un servicio pagado, este alto volumen se traduce directamente en costos operativos más altos, lo que dificulta obtener un retorno de la inversión (ROI) positivo.
• Complejidad de la administración de eventos: Cada llamada a la API de Search debe registrarse con un evento de búsqueda correspondiente para obtener un entrenamiento y una medición precisos del modelo. El alto volumen de llamadas dificulta garantizar que se capture cada evento, lo que podría provocar la pérdida de datos y análisis sesgados.
• Resultados de menor calidad: Las búsquedas de uno o dos caracteres, como l, li pueden mostrar resultados ruidosos o demasiado amplios, lo que genera una experiencia inicial menos pertinente.

Patrón de implementación 2: El enfoque optimizado y recomendado

Este patrón optimiza el costo, el rendimiento y la pertinencia mediante el uso de la API de CompleteQuery para decidir de forma inteligente cuándo llamar a la API de Search.

Flujo

El flujo sigue esta ruta secuencial:

1. Un usuario ingresa una consulta de texto parcial, como lip.
2. Tu aplicación envía lip a la API de CompleteQuery.
3. La API muestra una lista de sugerencias, y es probable que lipstick sea el primer resultado.
4. Tu aplicación toma la primera sugerencia (lipstick) y realiza una sola llamada a la API de Search con ese término.
5. Se muestran las sugerencias de autocompletado y los resultados de productos para lipstick.
6. A medida que el usuario continúa ingresando lips, lipst, ... puedes agregar lógica para realizar una nueva llamada de búsqueda solo si cambia la primera sugerencia de autocompletado.

Ventajas

• Reducción significativa de costos: Al reducir drásticamente la cantidad de llamadas a la API de Search, este método mantiene los costos bajo control.
• Volumen controlado de APIs y eventos: Los volúmenes de APIs y eventos son administrables y predecibles, lo que garantiza datos más confiables para el entrenamiento y el análisis de modelos.
• Mayor pertinencia: Buscas términos más completos y probables, lo que proporciona resultados de productos de mayor calidad en el widget de SAYE.
• Mejor ROI: Los costos más bajos y una mejor experiencia del usuario contribuyen a un mayor retorno de la inversión.

Manejar casos extremos

Este enfoque es superior, pero requiere el manejo de algunos casos extremos:

• Sin sugerencias: Si la API de CompleteQuery no muestra sugerencias, tu lógica debe recurrir a llamar a la API de Search con la entrada sin procesar del usuario.
• Consulta parcial vs. sugerida: En casos excepcionales, es posible que un usuario quiera ver los resultados de su término parcial, como eye en lugar de la sugerencia principal, eye shadow. Si bien esta es una desventaja menor, el enfoque optimizado prioriza la intención del usuario más probable.

Mide el éxito con IDs de experimentos

Independientemente de la implementación que elijas, es importante medir el rendimiento de tu widget de SAYE de forma independiente de la página principal de resultados de la búsqueda. Si usas el mismo seguimiento para ambos, no podrás determinar si la función de SAYE realmente mejora las tasas de clics y las conversiones.

La solución para medir las tasas de clics y de conversación del widget de SAYE específicamente es usar experimentIds distintos en tus eventos de búsqueda que diferencien estas métricas de las de los eventos de búsqueda principales.

• Eventos de SAYE: Asigna un ID específico, como "experimentId": "saye-widget", a todos los eventos de búsqueda que se originen en la función de búsqueda mientras escribes.
• Eventos de búsqueda principales: Usa un ID diferente (o ningún ID) para las búsquedas que se inicien cuando un usuario presione Intro o haga clic en Buscar para ir a la página principal de resultados de la búsqueda.

Si segmentas tus eventos de esta manera, puedes usar los paneles de análisis en la consola de Vertex AI para filtrar y comparar el rendimiento de tu widget de SAYE con la experiencia de búsqueda estándar, lo que te brinda estadísticas claras y prácticas.

Conclusión

Vertex AI Search for Commerce proporciona los componentes para crear una experiencia de búsqueda mientras escribes. Si actúas como el arquitecto que diseña la interacción entre las APIs de CompleteQuery y Search, puedes compilar una función de búsqueda que cree el puente entre la experiencia del usuario y el rendimiento. Para la mayoría de los casos de uso, el enfoque optimizado ofrece una experiencia pertinente para el usuario y, al mismo tiempo, evita las operaciones que consumen muchos recursos de procesamiento.