Kotak penelusuran e-commerce modern jauh lebih dari sekadar kolom input. Asisten ini bersifat interaktif dan dinamis yang memandu pengguna Anda ke produk yang tepat bahkan sebelum mereka selesai memasukkan teks. Pengalaman penelusuran saat Anda memasukkan (SAYE) ini, yang menampilkan saran kueri, merek populer, kategori yang relevan, dan bahkan hasil produk teratas secara real-time, mendorong engagement pengguna dan meningkatkan kemungkinan konversi.
Meskipun Vertex AI Search untuk commerce menyediakan API yang berbeda untuk pelengkapan otomatis kueri dan penelusuran produk, API ini sengaja membiarkan penerapan akhir pengalaman pengguna SAYE tidak ditentukan.
Panduan untuk membangun dengan Vertex AI Search untuk commerce ini membahas dua pola desain utama untuk menerapkan widget SAYE yang andal menggunakan API Vertex AI Search untuk commerce, yang menjelaskan kelebihan dan kekurangan setiap pendekatan.
Memahami komponen inti
Untuk membangun fitur SAYE yang komprehensif, Anda perlu memahami dua API mendasar yang disediakan oleh Vertex AI Search untuk commerce:
CompleteQueryAPI: API ini adalah otak di balik saran pelengkapan otomatis Anda.- Fungsi: Untuk string input tertentu, seperti lipst, fungsi ini akan menampilkan daftar penyelesaian kueri yang disarankan, termasuk lipstick dan lip gloss, merek populer terkait, dan kategori yang relevan.
- Biaya: API ini disertakan dalam harga paket Vertex AI Search untuk commerce.
- Performa: API ini memiliki throughput tinggi dan didesain untuk respons cepat dan berlatensi rendah yang diperlukan untuk pengalaman per ketikan. Fitur ini memanfaatkan fitur pembelajaran otomatis, termasuk koreksi ejaan dan saran yang dirancang untuk menghasilkan hasil, yang semuanya dilatih berdasarkan peristiwa penelusuran harian toko Anda.
SearchAPI:Ini adalah mesin penemuan produk inti Anda.- Fungsi:Untuk kueri tertentu, fungsi ini menampilkan daftar hasil produk yang relevan dan diberi peringkat.
- Biaya:Ini adalah API berbayar, dan penggunaannya secara langsung memengaruhi biaya operasional Anda.
- Peristiwa: Untuk pelatihan dan analisis model, setiap panggilan API
Searchidealnya dipasangkan dengan peristiwa penelusuran untuk melacak perilaku pengguna dan meningkatkan model relevansi dari waktu ke waktu.
Untuk membuat pengalaman SAYE, Anda harus menulis wrapper API atau logika frontend yang memanggil kedua API ini dan menggabungkan hasilnya ke dalam satu antarmuka pengguna yang kohesif.
Pola penerapan 1: Pendekatan langsung, tetapi lebih mahal
Ini adalah metode paling mudah untuk diterapkan. Logikanya adalah untuk setiap penekanan tombol, Anda melakukan panggilan paralel ke API CompleteQuery dan Search.
Flow
Alur mengikuti jalur berurutan ini:
- Pengguna memasukkan karakter, seperti l.
- Aplikasi Anda mengirim l ke
CompleteQueryAPI. - Secara bersamaan, aplikasi Anda mengirim l ke
SearchAPI. - Hasilnya digabungkan dan ditampilkan.
- Pengguna memasukkan karakter lain (l, sehingga kuerinya menjadi li).
- Proses ini berulang untuk kueri baru li.
Kelebihan
Keuntungannya mencakup penerapan yang cepat, sehingga Anda dapat menulis dan men-deploy log dengan cepat.
Kekurangan
- Volume API
Searchyang tinggi: Pendekatan ini secara signifikan meningkatkan jumlah panggilan APISearch. Kueri seperti lipstik akan memicu delapan permintaan penelusuran terpisah, sehingga menyebabkan peningkatan volume yang signifikan. - Peningkatan biaya: Karena
SearchAPI adalah layanan berbayar, volume tinggi ini secara langsung menghasilkan biaya operasional yang lebih tinggi, sehingga sulit untuk mencapai laba atas investasi (ROI) yang positif. - Kompleksitas pengelolaan peristiwa: Setiap panggilan API
Searchharus dicatat dengan peristiwa penelusuran yang sesuai untuk pengukuran dan pelatihan model yang akurat. Volume panggilan yang tinggi menyulitkan untuk memastikan setiap peristiwa dicatat, yang berpotensi menyebabkan kehilangan data dan analisis yang tidak akurat. - Hasil yang berpotensi berkualitas lebih rendah: Penelusuran untuk satu atau dua karakter, seperti l, li dapat menampilkan hasil yang tidak relevan atau terlalu luas, sehingga menghasilkan pengalaman awal yang kurang relevan.
Pola penerapan 2: Pendekatan yang dioptimalkan dan direkomendasikan
Pola ini mengoptimalkan biaya, performa, dan relevansi dengan menggunakan API CompleteQuery untuk secara cerdas memutuskan kapan harus memanggil API Search.
Flow
Alur mengikuti jalur berurutan ini:
- Pengguna memasukkan kueri teks parsial, seperti bibir.
- Aplikasi Anda mengirimkan lip ke
CompleteQueryAPI. - API akan menampilkan daftar saran, dengan lipstick kemungkinan menjadi hasil pertama.
- Aplikasi Anda mengambil saran pertama (lipstik) dan melakukan satu panggilan ke
SearchAPI dengan istilah tersebut. - Saran pelengkapan otomatis dan hasil produk untuk lipstik ditampilkan.
- Saat pengguna terus memasukkan lips, lipst, ..., Anda dapat menambahkan logika untuk hanya melakukan panggilan penelusuran baru jika saran pelengkapan otomatis pertama berubah.
Kelebihan
- Pengurangan biaya yang signifikan: Dengan mengurangi jumlah panggilan API
Searchsecara drastis, metode ini dapat mengontrol biaya. - Volume API dan peristiwa yang terkontrol: Volume API dan peristiwa dapat dikelola dan diprediksi, sehingga memastikan data yang lebih andal untuk pelatihan dan analisis model.
- Relevansi yang lebih tinggi: Anda menelusuri istilah yang lebih lengkap dan mungkin, yang memberikan hasil produk berkualitas lebih tinggi di widget SAYE.
- ROI yang lebih baik: Biaya yang lebih rendah dan pengalaman pengguna yang lebih baik berkontribusi pada laba atas investasi yang lebih kuat.
Menangani kasus ekstrem
Pendekatan ini lebih unggul, tetapi memerlukan penanganan beberapa corner case:
- Tidak ada saran: Jika API
CompleteQuerytidak menampilkan saran, logika Anda harus melakukan penggantian ke panggilan APISearchdengan input mentah pengguna. - Kueri parsial vs. kueri yang disarankan: Dalam kasus yang jarang terjadi, pengguna mungkin ingin melihat hasil untuk istilah parsialnya, seperti mata, bukan saran teratas, eye shadow. Meskipun ini merupakan kompromi kecil, pendekatan yang dioptimalkan memprioritaskan niat pengguna yang paling mungkin.
Mengukur kesuksesan dengan ID eksperimen
Apa pun penerapan yang Anda pilih, penting untuk mengukur performa widget SAYE secara terpisah dari halaman hasil penelusuran utama Anda. Jika Anda menggunakan tracking yang sama untuk keduanya, Anda tidak akan dapat menentukan apakah fitur SAYE benar-benar meningkatkan rasio klik-tayang dan konversi.
Solusi untuk mengukur rasio klik-tayang dan rasio percakapan widget SAYE secara khusus adalah dengan menggunakan experimentIds yang berbeda dalam peristiwa penelusuran Anda yang membedakan metrik ini dari metrik peristiwa penelusuran utama.
- Peristiwa SAYE: Tetapkan ID tertentu, seperti
"experimentId": "saye-widget", ke semua peristiwa penelusuran yang berasal dari kemampuan penelusuran saat Anda mengetik. - Peristiwa penelusuran utama: Gunakan ID yang berbeda (atau tanpa ID) untuk penelusuran yang dimulai saat pengguna menekan Enter atau mengklik Telusuri untuk membuka halaman hasil penelusuran utama.
Dengan menyegmentasikan peristiwa Anda dengan cara ini, Anda dapat menggunakan dasbor analisis di konsol Vertex AI untuk memfilter dan membandingkan performa widget SAYE dengan pengalaman penelusuran standar, sehingga Anda mendapatkan insight yang jelas dan dapat ditindaklanjuti.
Kesimpulan
Vertex AI Search untuk commerce menyediakan komponen untuk membuat pengalaman penelusuran saat Anda memasukkan kueri. Dengan bertindak sebagai arsitek yang mendesain interaksi antara API CompleteQuery dan Search, Anda dapat membangun kemampuan penelusuran yang menjembatani pengalaman pengguna dan performa. Untuk sebagian besar kasus penggunaan, pendekatan yang dioptimalkan memberikan pengalaman yang relevan bagi pengguna sekaligus menghindari operasi berat komputasi.