Búsqueda dinámica

La barra de búsqueda moderna de comercio electrónico es mucho más que un simple campo de entrada. Es un asistente interactivo y dinámico que guía a los usuarios hacia los productos adecuados incluso antes de que terminen de ingresar texto. Esta experiencia de búsqueda a medida que escribes (SAYE), que muestra sugerencias de búsqueda, marcas populares, categorías pertinentes y hasta los principales resultados de productos en tiempo real, impulsa la participación del usuario 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, deja intencionalmente 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 principales

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

  1. API de CompleteQuery: Es el cerebro detrás de las sugerencias de autocompletar.

    • Función: Para una cadena de entrada determinada, como labial, devuelve una lista de sugerencias de autocompletado de la búsqueda, que incluye lápiz labial y brillo labial, marcas populares asociadas y categorías relevantes.
    • Costo: Esta API se incluye en los precios del paquete de Vertex AI Search for Commerce.
    • Rendimiento: Es una API de alto rendimiento diseñada para las respuestas rápidas y de baja latencia que se requieren para una experiencia de escritura letra por letra. Aprovecha las funciones de aprendizaje automático, como la corrección ortográfica y las sugerencias diseñadas para generar resultados, todo ello entrenado con los eventos de búsqueda diarios de tu tienda.

  2. API de Search:Este es tu motor principal de descubrimiento de productos.

    • Función:Para una búsqueda determinada, devuelve una lista clasificada de resultados de productos relevantes.
    • Costo:Esta es una API pagada, y su uso afecta directamente tus costos operativos.
    • Eventos: Para el entrenamiento y las estadísticas del modelo, lo ideal es que cada llamada a la API de Search se vincule con un evento de búsqueda para hacer un seguimiento del comportamiento del usuario y mejorar los modelos de relevancia 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. Simultáneamente, 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 búsqueda sea li.
  6. El proceso se repite para la nueva búsqueda li.

Ventajas

Entre las ventajas, se incluyen la implementación rápida, que te permite escribir e implementar el registro rápidamente.

Desventajas

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

Este patrón optimiza el costo, el rendimiento y la relevancia, ya que usa 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 labios.
  2. Tu aplicación envía lip a la API de CompleteQuery.
  3. La API devuelve una lista de sugerencias, y es probable que lipstick sea el primer resultado.
  4. Tu aplicación toma la primera sugerencia (lápiz labial) y realiza una sola llamada a la API de Search con ese término.
  5. Se muestran las sugerencias de autocompletar y los resultados de productos para lápiz labial.
  6. A medida que el usuario sigue ingresando labios, labio, …, 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 relevancia: 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.

Cómo controlar los casos extremos

Este enfoque es superior, pero requiere controlar algunos casos extremos:

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

Mide el éxito con los IDs de experimento

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 ambas, no podrás determinar si la función SAYE realmente mejora las tasas de clics y las conversiones.

La solución para medir los porcentajes de clics y de conversaciones 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 originan en la capacidad de búsqueda mientras escribes.
  • Eventos de búsqueda principal: Usa un ID diferente (o ningún ID) para las búsquedas que se inician cuando un usuario presiona Intro o hace clic en Buscar para ir a la página principal de resultados de la búsqueda.

Si segmentas tus eventos de esta manera, podrás usar los paneles de estadísticas de 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 brindará 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 crear una capacidad de búsqueda que sirva de puente entre la experiencia del usuario y el rendimiento. En 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 requieren mucha capacidad de procesamiento.