Pesquisa dinâmica

A barra de pesquisa moderna de e-commerce é muito mais do que apenas um campo de entrada. É um assistente interativo e dinâmico que orienta os usuários aos produtos certos antes mesmo de terminarem de inserir o texto. Essa experiência de pesquisa durante a digitação (SAYE, na sigla em inglês), que mostra sugestões de consultas, marcas populares, categorias relevantes e até mesmo os principais resultados de produtos em tempo real, impulsiona o engajamento do usuário e aumenta a probabilidade de conversão.

Embora a Pesquisa de e-commerce com IA forneça APIs distintas para o preenchimento automático de consultas e a pesquisa de produtos, ela deixa intencionalmente a implementação final de uma experiência do usuário SAYE em aberto.

Este guia para criar com a Pesquisa de e-commerce com IA explora dois padrões de design principais para implementar um widget SAYE robusto usando as APIs da Pesquisa de e-commerce com IA, detalhando as vantagens e desvantagens de cada abordagem.

Entender os componentes principais

Para criar um recurso SAYE abrangente, você precisa entender as duas APIs fundamentais fornecidas pela Pesquisa de e-commerce com IA:

  1. API CompleteQuery: é o cérebro por trás das sugestões de preenchimento automático.

    • Função: para uma determinada string de entrada, como batom, ela retorna uma lista de sugestões de preenchimento de consultas, incluindo batom e gloss labial, marcas populares associadas e categorias relevantes.
    • Custo: essa API está incluída no preço do pacote da Pesquisa de e-commerce com IA.
    • Performance: é uma API de alta capacidade de processamento projetada para as respostas rápidas e de baixa latência necessárias para uma experiência de digitação. Ela aproveita recursos de aprendizado automático, incluindo correção ortográfica e sugestões projetadas para gerar resultados, tudo treinado nos eventos de pesquisa diários da sua loja. Consulte as especificações da API de correção ortográfica para mais detalhes.

  2. API Search:é o mecanismo principal de descoberta de produtos.

    • Função:para uma determinada consulta, ela retorna uma lista classificada de resultados de produtos relevantes.
    • Custo:essa é uma API paga, e o uso dela afeta diretamente seus custos operacionais.
    • Eventos: para treinamento de modelo e análise de dados, cada Search chamada de API deve ser pareada com um evento de pesquisa para acompanhar o comportamento do usuário e melhorar os modelos de relevância ao longo do tempo.

Pesquisar enquanto você digita

Para criar a experiência SAYE, é necessário escrever uma API wrapper ou uma lógica de front-end que chame essas duas APIs e combine os resultados delas em uma interface de usuário única e coesa.

Padrão de implementação 1: abordagem direta, mas mais cara

Esse é o método mais simples de implementar. A lógica é que, para cada pressionamento de tecla, você faz chamadas paralelas para as APIs CompleteQuery e Search.

Flow

O fluxo segue este caminho sequencial:

  1. Um usuário insere um caractere, como l.
  2. O aplicativo envia l para a API CompleteQuery.
  3. Simultaneamente, o aplicativo envia l para a API Search.
  4. Os resultados são combinados e exibidos.
  5. O usuário insere outro caractere (l,tornando a consulta li).
  6. O processo se repete para a nova consulta li.

Vantagens

As vantagens incluem a implementação rápida, permitindo que você escreva e implante o registro rapidamente.

Desvantagens

  • Alto volume da API Search: essa abordagem aumenta muito o número de chamadas da API Search. Uma consulta como batom acionaria oito solicitações de pesquisa separadas, levando a um aumento significativo no volume.
  • Aumento de custo: como a API Search é um serviço pago, esse alto volume se traduz diretamente em custos operacionais mais altos, dificultando a obtenção de um retorno do investimento (ROI) positivo.
  • Complexidade do gerenciamento de eventos: cada Search chamada de API precisa ser registrada com um evento de pesquisa correspondente para treinamento de modelo e medição precisos. O alto volume de chamadas dificulta a garantia de que cada evento seja capturado, o que pode levar à perda de dados e à análise distorcida.
  • Resultados de qualidade potencialmente inferior: pesquisas de um ou dois caracteres, como l, li podem retornar resultados ruidosos ou muito amplos, levando a uma experiência inicial menos relevante.

Esse padrão otimiza o custo, o desempenho e a relevância usando a API CompleteQuery para decidir de forma inteligente quando chamar a API Search.

Flow

O fluxo segue este caminho sequencial:

  1. Um usuário insere uma consulta de texto parcial, como batom.
  2. O aplicativo envia batom para a API CompleteQuery.
  3. A API retorna uma lista de sugestões, com batom provavelmente sendo o primeiro resultado.
  4. O aplicativo usa a primeira sugestão (batom) e faz uma única chamada para a API Search com esse termo.
  5. As sugestões de preenchimento automático e os resultados do produto para batom são exibidos.
  6. À medida que o usuário continua a inserir batons, batom, ...você pode adicionar uma lógica para fazer uma nova chamada de pesquisa somente se a primeira sugestão de preenchimento automático mudar.

Vantagens

  • Redução significativa de custos: ao reduzir drasticamente o número de chamadas da API Search, esse método mantém os custos sob controle.
  • Volume controlado de APIs e eventos: os volumes de APIs e eventos são gerenciáveis e previsíveis, garantindo dados mais confiáveis para treinamento de modelo e análise de dados.
  • Maior relevância: você está pesquisando termos mais completos e prováveis, o que fornece resultados de produtos de maior qualidade no widget SAYE.
  • Melhor ROI: custos mais baixos e uma melhor experiência do usuário contribuem para um retorno do investimento mais forte.

lidar com casos extremos;

Essa abordagem é superior, mas exige o tratamento de alguns casos extremos:

  • Sem sugestões: se a API CompleteQuery não retornar sugestões, a lógica precisará voltar a chamar a API Search com a entrada bruta do usuário.
  • Consulta parcial x sugerida: em casos raros, um usuário pode querer ver resultados para o termo parcial, como olho, em vez da principal sugestão, sombra de olho. Embora seja uma pequena desvantagem, a abordagem otimizada prioriza a intenção mais provável do usuário.

Medir o sucesso com IDs de experimentos

Independente da implementação escolhida, é importante medir a performance do widget SAYE de forma independente da página principal de resultados da pesquisa. Se você usar o mesmo acompanhamento para os dois, não será possível determinar se o recurso SAYE está realmente melhorando as taxas de cliques e conversões.

A solução para medir as taxas de cliques e conversas do widget SAYE especificamente é usar experimentIds distintos nos eventos de pesquisa que diferenciam essas métricas das dos eventos de pesquisa principais.

  • Eventos SAYE: atribua um ID específico, como "experimentId": "saye-widget", a todos os eventos de pesquisa originados do recurso de pesquisa durante a digitação.
  • Eventos de pesquisa principais: use um ID diferente (ou nenhum ID) para pesquisas iniciadas quando um usuário pressiona Enter ou clica em Pesquisar para acessar a página principal de resultados da pesquisa.

Ao segmentar seus eventos dessa forma, você pode usar os painéis de análise no console da Vertex AI para filtrar e comparar a performance do widget SAYE com a experiência de pesquisa padrão, oferecendo insights claros e acionáveis.

Conclusão

A Pesquisa de e-commerce com IA fornece os componentes para criar uma experiência de pesquisa durante a digitação. Ao atuar como o arquiteto que projeta a interação entre as APIs CompleteQuery e Search, você pode criar um recurso de pesquisa que cria a ponte entre a experiência do usuário e a performance. Para a maioria dos casos de uso, a abordagem otimizada oferece uma experiência relevante para o usuário, evitando operações pesadas de computação.