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 in tempo reale suggerimenti per le query, brand famosi, categorie pertinenti e persino i risultati dei prodotti più importanti, aumenta il coinvolgimento degli utenti e la probabilità di conversione.
Sebbene Vertex AI Search for commerce 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 Vertex AI Search for commerce esplora due pattern di progettazione principali per l'implementazione di un widget SAYE robusto utilizzando le API Vertex AI Search for commerce, illustrando i compromessi di ogni approccio.
Comprendere i componenti principali
Per creare una funzionalità SAYE completa, devi comprendere le due API fondamentali fornite da Vertex AI Search for commerce:
API
CompleteQuery: è il cervello dietro i suggerimenti di completamento automatico.- Funzione: per una determinata stringa di input, ad esempio lipst, restituisce un elenco di completamenti di query suggeriti, tra cui lipstick e lip gloss, brand famosi associati e categorie pertinenti.
- Costo: questa API è inclusa nel prezzo del pacchetto Vertex AI Search for commerce.
- Rendimento: è un'API a elevato throughput progettata per le risposte rapide e a bassa latenza richieste per un'esperienza di digitazione carattere per carattere. Sfrutta le funzionalità di apprendimento automatico, tra cui la correzione ortografica e i suggerimenti progettati per generare risultati, tutti addestrati sugli eventi di ricerca giornalieri del tuo negozio. Per ulteriori dettagli, consulta le specifiche dell'API di correzione ortografica .
API
Search:è il motore principale di rilevamento dei prodotti.- Funzione:per una determinata query, restituisce un elenco classificato di risultati di prodotti 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 all'
SearchAPI deve 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 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.
- L'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 si ripete per la nuova query li.
Vantaggi
I vantaggi includono un'implementazione rapida, che ti consente di scrivere ed eseguire rapidamente il deployment del log.
Svantaggi
- Volume elevato dell'API
Search: questo approccio aumenta notevolmente il numero di chiamate all'APISearch. Una query come lipstick attiverebbe otto richieste di ricerca separate, con un conseguente aumento significativo del volume. - Aumento dei costi: 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 all'
SearchAPI deve 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 che ogni evento venga acquisito, il che potrebbe comportare la perdita di dati e l'analisi distorta. - 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: approccio ottimizzato e consigliato
Questo pattern ottimizza i costi, il rendimento e la 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 lip.
- L'applicazione invia lip all'API
CompleteQuery. - L'API restituisce un elenco di suggerimenti, con lipstick che probabilmente è il primo risultato.
- L'applicazione prende il primo suggerimento (lipstick) ed effettua una singola chiamata all'API
Searchcon questo termine. - Vengono visualizzati i suggerimenti di completamento automatico e i risultati dei prodotti per lipstick.
- Man mano che l'utente continua a inserire lips, lipst, ..., puoi aggiungere una logica per effettuare una nuova chiamata di ricerca solo se il primo suggerimento di completamento automatico cambia.
Vantaggi
- Riduzione significativa dei costi: riducendo drasticamente il numero di chiamate all'API
Search, questo metodo mantiene i costi sotto controllo. - Volume di API ed eventi controllato: i volumi di API ed eventi sono gestibili e prevedibili, garantendo dati più affidabili per l'addestramento e l'analisi dei modelli.
- Maggiore pertinenza: stai cercando termini più completi e probabili, che forniscono risultati di prodotti di qualità superiore nel widget SAYE.
- ROI migliore: costi inferiori e una migliore esperienza utente contribuiscono a un ritorno sull'investimento più elevato.
Gestire i casi limite
Questo approccio è superiore, ma richiede la gestione di alcuni casi limite:
- Nessun suggerimento: se l'API
CompleteQuerynon restituisce suggerimenti, la logica deve tornare a chiamare l'APISearchcon l'input non elaborato dell'utente. - Query parziale rispetto a quella suggerita: in rari casi, un utente potrebbe voler visualizzare i risultati per il termine parziale, ad esempio eye, anziché il suggerimento principale, eye shadow. Sebbene si tratti di un compromesso minore, l'approccio ottimizzato dà la priorità all'intenzione 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 dei risultati di ricerca principale. 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 accedere alla pagina dei risultati di ricerca principale.
Segmentando gli eventi in questo modo, puoi utilizzare le dashboard di analisi nella console Vertex AI per filtrare e confrontare il rendimento del widget SAYE con l'esperienza di ricerca standard, ottenendo insight chiari e utilizzabili.
Conclusione
Vertex AI Search for commerce 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 colmi il divario tra esperienza utente e rendimento. Nella maggior parte dei casi d'uso, l'approccio ottimizzato offre un'esperienza pertinente per l'utente evitando operazioni che richiedono un elevato utilizzo di risorse di calcolo.