最新の e コマース検索バーは、単なる入力フィールドではありません。テキストの入力が終わる前に、ユーザーを適切な商品に誘導するインタラクティブで動的なアシスタントです。クエリ候補、人気ブランド、関連カテゴリ、上位の商品結果をリアルタイムで表示する検索時入力（SAYE）エクスペリエンスは、ユーザー エンゲージメントを高め、コンバージョン率を高めます。
AI Commerce Search には、クエリの自動補完と商品検索のための個別の API が用意されていますが、SAYE ユーザー エクスペリエンスの最終的な実装は意図的にオープンエンドになっています。
AI Commerce Search を使用した構築に関するこのガイドでは、AI Commerce Search API を使用して堅牢な SAYE ウィジェットを実装するための 2 つの主要な設計パターンについて説明し、各アプローチのトレードオフについて詳しく説明します。
コア コンポーネントについて理解する
包括的な SAYE 機能を構築するには、AI Commerce Search が提供する 2 つの基本的な API を理解する必要があります。
CompleteQueryAPI: 自動補完候補の基盤となる API です。- 機能: 指定された入力文字列（「lipst」など）に対して、候補となるクエリの補完（「lipstick」や「lip gloss」など）、関連する人気ブランド、関連カテゴリのリストを返します。
- 費用: この API は、AI Commerce Search パッケージの料金に含まれています。
- パフォーマンス: キーストロークごとのエクスペリエンスに必要な高速かつ低レイテンシのレスポンスを実現するように設計された、高スループットの API です。スペル修正や、結果を生成するように設計された候補など、自動学習機能を活用しています。これらはすべて、店舗の毎日の検索イベントでトレーニングされています。詳細については、スペル修正 API の仕様をご覧ください。
SearchAPI:これは、コアとなる商品検出エンジンです。- 機能:指定されたクエリに対して、関連する商品結果のランク付けされたリストを返します。
- 費用:これは有料の API であり、その使用量は運用コストに直接影響します。
- イベント: モデルのトレーニングと分析では、各
SearchAPI 呼び出しを検索イベントとペアにして、ユーザーの行動を追跡し、関連性モデルを改善する必要があります。
SAYE エクスペリエンスを作成するには、これらの API の両方を呼び出し、その結果を 1 つのまとまりのあるユーザー インターフェースに結合するラッパー API またはフロントエンド ロジックを作成する必要があります。
実装パターン 1: 直接的だがコストがかかるアプローチ
これは、実装する最も簡単な方法です。ロジックは、キーストロークごとに CompleteQuery API と Search API の両方に並列呼び出しを行うことです。
フロー
フローは次の順序で実行されます。
- ユーザーが「 l 」などの文字を入力します。
- アプリケーションが
CompleteQueryAPI に「 l 」を送信します。 - 同時に、アプリケーションが
SearchAPI に「 l 」を送信します。 - 結果が結合されて表示されます。
- ユーザーが別の文字（「 l 」）を入力し、クエリが「 li 」になります。
- 新しいクエリ「 li 」に対してプロセスが繰り返されます。
利点
迅速な実装が可能で、ログをすばやく作成してデプロイできます。
欠点
- API の呼び出し回数が多い: このアプローチでは、
SearchAPI の呼び出し回数が大幅に増加します。Search「 口紅 」のようなクエリでは、8 つの個別の検索リクエストがトリガーされ、呼び出し回数が大幅に増加します。 - コストの増加:
SearchAPI は有料サービスであるため、呼び出し回数が多いほど運用コストが増加し、投資収益率（ROI）をプラスにすることが難しくなります。 - イベント管理の複雑さ: 正確なモデルのトレーニングと測定を行うには、
SearchAPI の呼び出しごとに対応する検索イベントを記録する必要があります。呼び出し回数が多いため、すべてのイベントをキャプチャすることが難しく、データ損失や分析の偏りにつながる可能性があります。 - 結果の品質が低下する可能性: 「l, li」などの 1 文字または 2 文字の検索では、ノイズの多い結果や広すぎる結果が返される可能性があり、最初の検索結果の関連性が低くなる可能性があります。
実装パターン 2: 最適化された推奨アプローチ
このパターンでは、CompleteQuery API を使用して Search API を呼び出すタイミングをインテリジェントに決定することで、費用、パフォーマンス、関連性を最適化します。
フロー
フローは次の順序で実行されます。
- ユーザーが「 lip 」などの部分的なテキスト クエリを入力します。
- アプリケーションが
CompleteQueryAPI に「 lip 」を送信します。 - API は候補のリストを返します。最初の結果は「 lipstick 」になる可能性があります。
- アプリケーションは最初の候補（「 lipstick 」）を取得し、その語句を使用して
SearchAPI を 1 回呼び出します。 - 「 lipstick 」の自動補完候補と商品結果が表示されます。
- ユーザーが「lips」、「 _lipst_ 」などを入力し続けると、最初の予測入力の候補が変更された場合にのみ新しい検索呼び出しを行うロジックを追加できます。
利点
- 大幅なコスト削減:
SearchAPI の呼び出し回数を大幅に削減することで、コストを抑えることができます。 - API とイベントの量を制御: API とイベントの量を管理し予測できるため、モデルのトレーニングと分析のための信頼性の高いデータを確保できます。
- 関連性の向上: より完全で可能性の高い語句を検索するため、SAYE ウィジェットで高品質の商品結果を提供できます。
- ROI の向上: コストの削減とユーザー エクスペリエンスの向上により、投資収益率が向上します。
エッジケースに対応する
このアプローチは優れていますが、いくつかのコーナーケースを処理する必要があります。
- 候補がない:
CompleteQueryAPI が候補を返さない場合、ロジックはユーザーの生の入力でSearchAPI を呼び出すようにフォールバックする必要があります。 - 部分的なクエリと候補のクエリ: まれに、ユーザーが上位の候補（「eye shadow」）ではなく、部分的な語句（「eye」）の結果を表示したい場合があります。これは小さなトレードオフですが、最適化されたアプローチでは、ユーザーの意図を最も優先します。
実験 ID で成功を測定する
選択する実装に関係なく、メインの検索結果ページとは別に SAYE ウィジェットのパフォーマンスを測定することが重要です。両方に同じトラッキングを使用すると、SAYE 機能がクリック率とコンバージョン率を実際に改善しているかどうかを判断できません。
SAYE ウィジェットのクリックスルー率とコンバージョン率を測定するには、検索イベントで個別の experimentIds を使用して、これらの指標をメインの検索イベントの指標と区別します。
- SAYE イベント: 検索時入力機能から発生するすべての検索イベントに、
"experimentId": "saye-widget"などの特定の ID を割り当てます。 - メインの検索イベント: ユーザーが [Enter] キーを押すか [検索] をクリックしてメインの検索結果ページに移動したときに開始される検索には、別の ID（または ID なし）を使用します。
このようにイベントをセグメント化することで、Vertex AI コンソールの分析ダッシュボードを使用して、SAYE ウィジェットのパフォーマンスを標準の検索エクスペリエンスと比較し、明確で実用的な分析情報を得ることができます。
まとめ
AI Commerce Search には、検索時入力エクスペリエンスを作成するためのコンポーネントが用意されています。CompleteQuery API と Search API の間のインタラクションを設計するアーキテクトとして、ユーザー エクスペリエンスとパフォーマンスの橋渡しとなる検索機能を構築できます。ほとんどのユースケースでは、最適化されたアプローチにより、コンピューティング負荷の高いオペレーションを回避しながら、ユーザーに関連性の高いエクスペリエンスを提供できます。