La moderna barra di ricerca per l'e-commerce è molto più di un semplice campo di immissione. È un assistente interattivo e dinamico che guida gli utenti verso i prodotti giusti prima ancora che finiscano di inserire il testo. Questa esperienza di ricerca durante la digitazione (SAYE), che mostra suggerimenti per le query, brand popolari, categorie pertinenti e persino i migliori risultati di prodotto in tempo reale, favorisce il coinvolgimento degli utenti e aumenta la probabilità di conversione.
Sebbene AI Commerce Search fornisca API distinte per il completamento automatico delle query e la ricerca di prodotti, lascia intenzionalmente aperta l'implementazione finale di un'esperienza utente SAYE.
Questa guida alla creazione con AI Commerce Search esplora due pattern di progettazione principali per l'implementazione di un widget SAYE solido utilizzando le API AI Commerce Search, descrivendo in dettaglio i compromessi di ciascun approccio.
Comprendere i componenti principali
Per creare una funzionalità SAYE completa, devi comprendere le due API fondamentali fornite da AI Commerce Search:
API
CompleteQuery: è il cervello dietro i suggerimenti di completamento automatico.- Funzione: per una determinata stringa di input, ad esempio rossetto, restituisce un elenco di completamenti delle query suggeriti, tra cui rossetto e lucidalabbra, brand popolari associati e categorie pertinenti.
- Costo: questa API è inclusa nei prezzi del pacchetto AI Commerce Search.
- Prestazioni: è un'API ad alto throughput progettata per le risposte rapide e a bassa latenza richieste per un'esperienza di digitazione tasto per tasto. Sfrutta le funzionalità di apprendimento automatico, tra cui la correzione ortografica e i suggerimenti progettati per produrre risultati, tutti addestrati sugli eventi di ricerca giornalieri del tuo negozio. Per ulteriori dettagli, consulta le specifiche dell'API di correzione ortografica.
API
Search:questo è il tuo motore principale di scoperta dei prodotti.- Funzione:per una determinata query, restituisce un elenco classificato di risultati di prodotto pertinenti.
- Costo:si tratta di un'API a pagamento e il suo utilizzo influisce direttamente sui costi operativi.
- Eventi: per l'addestramento e l'analisi dei modelli, ogni chiamata API
Searchdeve essere idealmente associata a un evento di ricerca per monitorare il comportamento degli utenti e migliorare i modelli di pertinenza nel tempo.
Per creare l'esperienza SAYE, devi scrivere un'API wrapper o una logica frontend che chiami entrambe queste API e combini i loro risultati in un'unica interfaccia utente coesa.
Pattern di implementazione 1: approccio diretto ma più costoso
Questo è il metodo più semplice da implementare. La logica prevede che per ogni tasto premuto vengano effettuate chiamate parallele alle API CompleteQuery e Search.
Flow
Il flusso segue questo percorso sequenziale:
- Un utente inserisce un carattere, ad esempio l.
- La tua applicazione invia l all'API
CompleteQuery. - Contemporaneamente, l'applicazione invia l all'API
Search. - I risultati vengono combinati e visualizzati.
- L'utente inserisce un altro carattere (l), rendendo la query li.
- La procedura viene ripetuta per la nuova query li.
Vantaggi
I vantaggi includono l'implementazione rapida, che ti consente di scrivere e distribuire rapidamente il log.
Svantaggi
- Volume elevato di API
Search: questo approccio aumenta notevolmente il numero di chiamate APISearch. Una query come rossetto attiverebbe otto richieste di ricerca separate, con un conseguente aumento significativo del volume. - Costo maggiore: poiché l'API
Searchè un servizio a pagamento, questo volume elevato si traduce direttamente in costi operativi più elevati, rendendo difficile ottenere un ritorno sull'investimento (ROI) positivo. - Complessità della gestione degli eventi: ogni chiamata API
Searchdeve essere registrata con un evento di ricerca corrispondente per un addestramento e una misurazione accurati del modello. L'elevato volume di chiamate rende difficile garantire l'acquisizione di ogni evento, il che potrebbe comportare la perdita di dati e analisi distorte. - Risultati di qualità potenzialmente inferiore: le ricerche di uno o due caratteri, ad esempio l, li, possono restituire risultati rumorosi o eccessivamente ampi, con conseguente esperienza iniziale meno pertinente.
Pattern di implementazione 2: l'approccio ottimizzato e consigliato
Questo pattern ottimizza costi, prestazioni e pertinenza utilizzando l'API CompleteQuery per decidere in modo intelligente quando chiamare l'API Search.
Flow
Il flusso segue questo percorso sequenziale:
- Un utente inserisce una query di testo parziale, ad esempio labbra.
- La tua applicazione invia lip all'API
CompleteQuery. - L'API restituisce un elenco di suggerimenti, con rossetto probabilmente come primo risultato.
- La tua applicazione prende il primo suggerimento (rossetto) ed effettua una singola chiamata all'API
Searchcon questo termine. - Vengono visualizzati i suggerimenti di completamento automatico e i risultati dei prodotti per rossetto.
- Man mano che l'utente continua a inserire lips, lipst, …, puoi aggiungere una logica per effettuare una nuova chiamata di ricerca solo se cambia il primo suggerimento di completamento automatico.
Vantaggi
- Riduzione significativa dei costi: riducendo drasticamente il numero di chiamate API
Search, questo metodo mantiene i costi sotto controllo. - Volume controllato di API ed eventi: i volumi di API ed eventi sono gestibili e prevedibili, garantendo dati più affidabili per l'addestramento dei modelli e l'analisi.
- Maggiore pertinenza: stai cercando termini più completi e probabili, il che fornisce risultati di prodotto di qualità superiore nel widget SAYE.
- ROI migliore: costi inferiori e una migliore esperienza utente contribuiscono a un ritorno sull'investimento più elevato.
Gestione dei casi limite
Questo approccio è migliore, ma richiede la gestione di alcuni casi limite:
- Nessun suggerimento: se l'API
CompleteQuerynon restituisce suggerimenti, la tua logica deve ripiegare sulla chiamata dell'APISearchcon l'input non elaborato dell'utente. - Query parziale e query suggerita: in rari casi, un utente potrebbe voler visualizzare i risultati per il termine parziale, ad esempio occhio, anziché il suggerimento principale, ombretto. Sebbene si tratti di un compromesso minore, l'approccio ottimizzato dà la priorità all'intent dell'utente più probabile.
Misurare il successo con gli ID esperimento
Indipendentemente dall'implementazione scelta, è importante misurare il rendimento del widget SAYE indipendentemente dalla pagina principale dei risultati di ricerca. Se utilizzi lo stesso monitoraggio per entrambi, non potrai determinare se la funzionalità SAYE sta effettivamente migliorando le percentuali di clic e le conversioni.
La soluzione per misurare le percentuali di clickthrough e di conversione del widget SAYE consiste nell'utilizzare experimentIds distinti negli eventi di ricerca che differenziano queste metriche da quelle degli eventi di ricerca principali.
- Eventi SAYE: assegna un ID specifico, ad esempio
"experimentId": "saye-widget", a tutti gli eventi di ricerca provenienti dalla funzionalità di ricerca durante la digitazione. - Eventi di ricerca principali: utilizza un ID diverso (o nessun ID) per le ricerche avviate quando un utente preme Invio o fa clic su Cerca per andare alla pagina principale dei risultati di ricerca.
Segmentando gli eventi in questo modo, puoi utilizzare i dashboard di analisi nella console Vertex AI per filtrare e confrontare il rendimento del widget SAYE con l'esperienza di ricerca standard, ottenendo insight operativi chiari.
Conclusione
AI Commerce Search fornisce i componenti per creare un'esperienza di ricerca durante la digitazione. Agendo come l'architetto che progetta l'interazione tra le API CompleteQuery e Search, puoi creare una funzionalità di ricerca che fa da ponte tra l'esperienza utente e il rendimento. Per la maggior parte dei casi d'uso, l'approccio ottimizzato offre un'esperienza pertinente per l'utente, evitando operazioni che richiedono molte risorse di calcolo.