Penelusuran dinamis

Kolom penelusuran e-commerce modern jauh lebih dari sekadar kolom input. Kolom ini adalah asisten interaktif dan dinamis yang memandu pengguna ke produk yang tepat bahkan sebelum mereka selesai memasukkan teks. Pengalaman penelusuran saat Anda mengetik (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 AI Commerce Search menyediakan API yang berbeda untuk pelengkapan otomatis kueri dan penelusuran produk, AI Commerce Search secara sengaja membiarkan implementasi akhir pengalaman pengguna SAYE terbuka.

Panduan untuk membangun dengan AI Commerce Search ini membahas dua pola desain utama untuk menerapkan widget SAYE yang andal menggunakan AI Commerce Search API, yang menjelaskan kelebihan dan kekurangan setiap pendekatan.

Memahami komponen inti

Untuk membuat fitur SAYE yang komprehensif, Anda harus memahami dua API mendasar yang disediakan oleh AI Commerce Search:

  1. CompleteQuery API: API ini adalah otak di balik saran pelengkapan otomatis Anda.

    • Fungsi: Untuk string input tertentu, seperti lipst, API ini menampilkan daftar saran pelengkapan kueri, termasuk lipstick dan lip gloss, merek populer terkait, dan kategori yang relevan.
    • Biaya: API ini disertakan dalam harga paket AI Commerce Search.
    • Performa: API ini adalah API throughput tinggi yang dirancang untuk respons cepat dan latensi rendah yang diperlukan untuk pengalaman per ketukan tombol. API ini memanfaatkan fitur pembelajaran otomatis, termasuk koreksi ejaan dan saran yang dirancang untuk menghasilkan hasil, yang semuanya dilatih pada peristiwa penelusuran harian toko Anda. Lihat spesifikasi API koreksi ejaan untuk mengetahui detail selengkapnya.

  2. Search API:API ini adalah mesin penemuan produk inti Anda.

    • Fungsi:Untuk kueri tertentu, API ini menampilkan daftar hasil produk yang relevan dan diberi peringkat.
    • Biaya:API ini adalah API berbayar, dan penggunaannya secara langsung memengaruhi biaya operasional Anda.
    • Peristiwa: Untuk pelatihan dan analisis model, setiap panggilan Search API idealnya harus dipasangkan dengan peristiwa penelusuran untuk melacak perilaku pengguna dan meningkatkan model relevansi dari waktu ke waktu.

Menelusuri saat Anda memasukkan

Untuk membuat pengalaman SAYE, Anda harus menulis API wrapper atau logika frontend yang memanggil kedua API ini dan menggabungkan hasilnya ke dalam satu antarmuka pengguna yang kohesif.

Pola implementasi 1: Pendekatan langsung, tetapi lebih mahal

Ini adalah metode yang paling mudah diterapkan. Logikanya adalah untuk setiap ketukan tombol, Anda melakukan panggilan paralel ke CompleteQuery dan Search API.

Alur

Alurnya mengikuti jalur berurutan ini:

  1. Pengguna memasukkan karakter, seperti l.
  2. Aplikasi Anda mengirimkan l ke CompleteQuery API.
  3. Secara bersamaan, aplikasi Anda mengirimkan l ke Search API.
  4. Hasilnya digabungkan dan ditampilkan.
  5. Pengguna memasukkan karakter lain (l, sehingga kueri menjadi li).
  6. Proses ini diulang untuk kueri baru li.

Kelebihan

Kelebihannya mencakup implementasi yang cepat, sehingga Anda dapat menulis dan men-deploy log dengan cepat.

Kekurangan

  • Volume Search API yang tinggi: Pendekatan ini secara drastis meningkatkan jumlah panggilan Search API. Kueri seperti lipstick akan memicu delapan permintaan penelusuran terpisah, sehingga menyebabkan peningkatan volume yang signifikan.
  • Peningkatan biaya: Karena Search API adalah layanan berbayar, volume tinggi ini secara langsung diterjemahkan menjadi biaya operasional yang lebih tinggi, sehingga sulit untuk mencapai laba atas investasi (ROI) yang positif.
  • Kompleksitas pengelolaan peristiwa: Setiap panggilan API Search harus dicatat dengan peristiwa penelusuran yang sesuai untuk pelatihan dan pengukuran model yang akurat. Volume panggilan yang tinggi membuat sulit 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 ini mengoptimalkan biaya, performa, dan relevansi dengan menggunakan CompleteQuery API untuk memutuskan secara cerdas kapan harus memanggil Search API.

Alur

Alurnya mengikuti jalur berurutan ini:

  1. Pengguna memasukkan kueri teks parsial, seperti lip.
  2. Aplikasi Anda mengirimkan lip ke CompleteQuery API.
  3. API ini menampilkan daftar saran, dengan lipstick kemungkinan menjadi hasil pertama.
  4. Aplikasi Anda mengambil saran pertama (lipstick) dan melakukan satu panggilan ke Search API dengan istilah tersebut.
  5. Saran pelengkapan otomatis dan hasil produk untuk lipstick ditampilkan.
  6. 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 Search API secara drastis, metode ini menjaga biaya tetap terkendali.
  • 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 kasus ekstrem:

  • Tidak ada saran: Jika CompleteQuery API tidak menampilkan saran, logika Anda harus kembali memanggil Search API dengan input mentah pengguna.
  • Kueri parsial vs. saran: Dalam kasus yang jarang terjadi, pengguna mungkin ingin melihat hasil untuk istilah parsialnya, seperti eye dan bukan saran teratas, eye shadow. Meskipun ini adalah kekurangan kecil, pendekatan yang dioptimalkan memprioritaskan niat pengguna yang paling mungkin.

Mengukur keberhasilan dengan ID eksperimen

Terlepas dari implementasi yang Anda pilih, penting untuk mengukur performa widget SAYE secara terpisah dari halaman hasil penelusuran utama. Jika menggunakan pelacakan 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 konversi widget SAYE secara khusus adalah menggunakan experimentIds yang berbeda dalam peristiwa penelusuran 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 mensegmentasikan peristiwa dengan cara ini, Anda dapat menggunakan dasbor analisis di konsol Vertex AI untuk memfilter dan membandingkan performa widget SAYE dengan pengalaman penelusuran standar, sehingga memberi Anda insight yang jelas dan dapat ditindaklanjuti.

Kesimpulan

AI Commerce Search menyediakan komponen untuk membuat pengalaman penelusuran saat Anda mengetik. Dengan bertindak sebagai arsitek yang mendesain interaksi antara CompleteQuery dan Search API, Anda dapat membangun kemampuan penelusuran yang membangun jembatan antara pengalaman dan performa pengguna. Untuk sebagian besar kasus penggunaan, pendekatan yang dioptimalkan memberikan pengalaman yang relevan bagi pengguna sekaligus menghindari operasi yang berat secara komputasi.