최신 전자상거래 검색창은 단순한 입력란이 아닙니다. 사용자가 텍스트 입력을 완료하기도 전에 올바른 제품으로 안내하는 대화형의 동적 어시스턴트입니다. 검색어 추천, 인기 브랜드, 관련 카테고리, 심지어 실시간으로 상위 제품 결과까지 표시하는 검색어 자동 완성 (SAYE) 환경은 사용자 참여를 유도하고 전환 가능성을 높입니다.
AI Commerce Search는 쿼리 자동 완성 및 제품 검색을 위한 고유한 API를 제공하지만, SAYE 사용자 환경의 최종 구현은 의도적으로 개방형으로 남겨둡니다.
AI Commerce Search로 빌드하기 위한 이 가이드에서는 AI Commerce Search API를 사용하여 강력한 SAYE 위젯을 구현하기 위한 두 가지 기본 설계 패턴을 살펴보고 각 접근 방식의 장단점을 자세히 설명합니다.
핵심 구성요소 이해
포괄적인 SAYE 기능을 빌드하려면 AI Commerce Search에서 제공하는 두 가지 기본 API를 이해해야 합니다.
CompleteQueryAPI: 자동 완성 추천 용어의 핵심입니다.- 함수: lipst 와 같은 지정된 입력 문자열에 대해 lipstick 및 lip gloss 와 같은 추천 검색어 완성 목록, 관련 인기 브랜드, 관련 카테고리를 반환합니다.
- 비용: 이 API는 AI Commerce Search 패키지 가격에 포함되어 있습니다.
- 성능: 키 입력 환경에 필요한 빠르고 지연 시간이 짧은 응답을 위해 설계된 고처리량 API입니다. 상점의 일일 검색 이벤트를 기반으로 학습된 결과가 생성되도록 설계된 맞춤법 수정 및 추천을 비롯한 자동 학습 기능을 활용합니다. 자세한 내용은 맞춤법 수정 API 사양을 참고하세요.
SearchAPI:핵심 제품 디스커버리 엔진입니다.- 함수:지정된 쿼리에 대해 관련 제품 결과의 순위가 지정된 목록을 반환합니다.
- 비용:유료 API이며 사용량이 운영비에 직접적인 영향을 미칩니다.
- 이벤트: 모델 학습 및 분석을 위해 각
SearchAPI 호출은 사용자 행동을 추적하고 시간이 지남에 따라 관련성 모델을 개선하기 위해 검색 이벤트와 쌍을 이루어야 합니다.
SAYE 환경을 만들려면 이러한 두 API를 모두 호출하고 결과를 단일의 일관된 사용자 인터페이스로 결합하는 래퍼 API 또는 프런트엔드 로직을 작성해야 합니다.
구현 패턴 1: 직접적이지만 비용이 많이 드는 접근 방식
가장 간단한 구현 방법입니다. 로직은 키를 누를 때마다 CompleteQuery API와 Search API를 모두 병렬로 호출하는 것입니다.
흐름
흐름은 다음 순차적 경로를 따릅니다.
- 사용자가 l 과 같은 문자를 입력합니다.
- 애플리케이션이 l 을
CompleteQueryAPI로 전송합니다. - 동시에 애플리케이션이 l 을
SearchAPI로 전송합니다. - 결과가 결합되어 표시됩니다.
- 사용자가 다른 문자 (l, 을 입력하여 쿼리를 li). 로 만듭니다.
- 새 쿼리 li 에 대해 프로세스가 반복됩니다.
장점
장점으로는 빠른 구현이 있어 로그를 빠르게 작성하고 배포할 수 있습니다.
단점
- 높은
SearchAPI 볼륨: 이 접근 방식은SearchAPI 호출 수를 크게 늘립니다. lipstick 과 같은 쿼리는 8개의 개별 검색 요청을 트리거하여 볼륨이 크게 증가합니다. - 비용 증가:
SearchAPI는 유료 서비스이므로 이 높은 볼륨은 운영 비용 증가로 직접 이어져 투자수익 (ROI)을 달성하기 어렵게 만듭니다. - 이벤트 관리 복잡성: 정확한 모델 학습 및 측정을 위해 모든
SearchAPI 호출은 해당 검색 이벤트와 함께 로깅되어야 합니다. 호출 수가 많으면 모든 이벤트가 캡처되도록 보장하기 어려워 데이터 손실 및 편향된 분석이 발생할 수 있습니다. - 결과 품질이 낮을 수 있음: l, li 와 같은 한두 글자를 검색하면 노이즈가 많거나 지나치게 광범위한 결과가 반환되어 관련성이 낮은 초기 환경이 발생할 수 있습니다.
구현 패턴 2: 최적화되고 권장되는 접근 방식
이 패턴은 CompleteQuery API를 사용하여 Search API를 호출할 시점을 지능적으로 결정하여 비용, 성능, 관련성을 최적화합니다.
흐름
흐름은 다음 순차적 경로를 따릅니다.
- 사용자가 lip 과 같은 부분 텍스트 쿼리를 입력합니다.
- 애플리케이션이 lip 을
CompleteQueryAPI로 전송합니다. - API는 추천 목록을 반환하며 lipstick 이 첫 번째 결과일 가능성이 높습니다.
- 애플리케이션이 첫 번째 추천 용어 (lipstick) 를 가져와서 해당 용어로
SearchAPI를 한 번 호출합니다. - 자동 완성 추천 용어와 lipstick 의 제품 결과가 표시됩니다.
- 사용자가 lips, lipst, ... 를 계속 입력하면 첫 번째 자동 완성 추천 용어가 변경되는 경우에만 새 검색 호출을 실행하는 로직을 추가할 수 있습니다.
장점
- 비용 대폭 절감:
SearchAPI 호출 수를 대폭 줄임으로써 이 메서드는 비용을 제어합니다. - 제어된 API 및 이벤트 볼륨: API 및 이벤트 볼륨을 관리하고 예측할 수 있어 모델 학습 및 분석을 위한 더 안정적인 데이터를 보장합니다.
- 높은 관련성: 더 완전하고 가능성이 높은 용어를 검색하여 SAYE 위젯에서 더 높은 품질의 제품 결과를 제공합니다.
- 더 나은 ROI: 비용 절감과 더 나은 사용자 환경은 투자수익을 높이는 데 기여합니다.
에지 케이스 처리
이 접근 방식은 우수하지만 몇 가지 코너 케이스를 처리해야 합니다.
- 추천 용어 없음:
CompleteQueryAPI가 추천 용어를 반환하지 않으면 로직이 사용자의 원시 입력으로SearchAPI를 호출하도록 대체되어야 합니다. - 부분 쿼리 대 추천 쿼리: 드물게 사용자가 최상위 추천 용어인 eye shadow 대신 eye와 같은 부분 용어의 결과를 보고 싶어할 수 있습니다. 이는 사소한 절충안이지만 최적화된 접근 방식은 가장 가능성이 높은 사용자 의도를 우선시합니다.
실험 ID로 성공 측정
선택한 구현과 관계없이 기본 검색 결과 페이지와 별도로 SAYE 위젯의 성능을 측정하는 것이 중요합니다. 두 가지 모두에 동일한 추적을 사용하면 SAYE 기능이 클릭률과 전환을 실제로 개선하는지 확인할 수 없습니다.
SAYE 위젯의 클릭연결 및 전환율을 구체적으로 측정하는 솔루션은 이러한 측정항목을 기본 검색 이벤트의 측정항목과 구분하는 검색 이벤트에서 고유한 experimentIds를 사용하는 것입니다.
- SAYE 이벤트: 검색어 자동 완성 기능에서 발생하는 모든 검색 이벤트에
"experimentId": "saye-widget"과 같은 특정 ID를 할당합니다. - 기본 검색 이벤트: 사용자가 Enter 키를 누르거나 검색 을 클릭하여 기본 검색 결과 페이지로 이동할 때 시작된 검색에 다른 ID (또는 ID 없음)를 사용합니다.
이러한 방식으로 이벤트를 분류하면 Vertex AI 콘솔의 분석 대시보드를 사용하여 SAYE 위젯의 성능을 표준 검색 환경과 비교하고 필터링하여 명확하고 실행 가능한 통계를 얻을 수 있습니다.
결론
AI Commerce Search는 검색어 자동 완성 환경을 만들기 위한 구성요소를 제공합니다. CompleteQuery API와 Search API 간의 상호작용을 설계하는 설계자 역할을 함으로써 사용자 환경과 성능 간의 간극을 메우는 검색 기능을 빌드할 수 있습니다. 대부분의 사용 사례에서 최적화된 접근 방식은 컴퓨팅 집약적인 작업을 피하면서 사용자 관련 환경을 제공합니다.