Pesquisa dinâmica

A barra de pesquisa do e-commerce moderno 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 eles terminarem de inserir o texto. Essa experiência de pesquisa conforme você digita (SAYE, na sigla em inglês), que mostra sugestões de consultas, marcas conhecidas, 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 Vertex AI Search for commerce ofereça APIs distintas para preenchimento automático de consultas e pesquisa de produtos, ela deixa propositalmente em aberto a implementação final de uma experiência do usuário SAYE.

Este guia para criar com a Vertex AI para Pesquisa em E-commerce explora dois padrões de design principais para implementar um widget SAYE robusto usando as APIs da Vertex AI para Pesquisa em E-commerce, detalhando as compensações de cada abordagem.

Entender os componentes principais

Para criar um recurso SAYE abrangente, é necessário entender as duas APIs fundamentais fornecidas pela Vertex AI para Pesquisa em E-commerce:

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

    • Função: para uma determinada string de entrada, como lipst, ela retorna uma lista de sugestões de conclusão de consulta, incluindo batom e brilho labial, marcas populares associadas e categorias relevantes.
    • Custo: essa API está incluída nos preços do pacote da Vertex AI para Pesquisa em E-commerce.
    • Performance: é uma API de alta capacidade de processamento projetada para respostas rápidas e de baixa latência necessárias para uma experiência de digitação. Ele usa recursos de aprendizado automático, incluindo correção ortográfica e sugestões projetadas para gerar resultados, todos treinados nos eventos de pesquisa diários da sua loja.

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

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

Pesquisar enquanto você digita

Para criar a experiência SAYE, você precisa escrever uma API de wrapper ou uma lógica de front-end que chame as duas APIs e combine os resultados em uma única interface de usuário 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.

Fluxo

O fluxo segue este caminho sequencial:

  1. Um usuário digita um caractere, como l.
  2. Seu aplicativo envia l para a API CompleteQuery.
  3. Ao mesmo tempo, seu aplicativo envia l para a API Search.
  4. Os resultados são combinados e exibidos.
  5. O usuário insere outro caractere (l), fazendo com que a consulta seja li.
  6. O processo se repete para a nova consulta li.

Vantagens

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

Desvantagens

  • Alto volume de APIs Search: essa abordagem aumenta muito o número de chamadas de 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 conquista de um retorno do investimento (ROI) positivo.
  • Complexidade do gerenciamento de eventos: cada chamada de API Search precisa ser registrada com um evento de pesquisa correspondente para treinamento e medição precisos do modelo. O grande volume de chamadas dificulta a captura de todos os eventos, o que pode levar à perda de dados e a análises distorcidas.
  • Resultados de qualidade potencialmente inferior: pesquisas com um ou dois caracteres, como l, li, podem retornar resultados ruidosos ou muito amplos, o que leva a uma experiência inicial menos relevante.

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

Fluxo

O fluxo segue este caminho sequencial:

  1. Um usuário insere uma consulta de texto parcial, como lábio.
  2. Seu aplicativo envia lip para a API CompleteQuery.
  3. A API retorna uma lista de sugestões, sendo batom provavelmente 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 de produtos para batom são exibidos.
  6. À medida que o usuário continua digitando lábios, lábios, ..., você pode adicionar uma lógica para fazer uma nova chamada de pesquisa apenas 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 API e eventos: os volumes de API e eventos são gerenciáveis e previsíveis, garantindo dados mais confiáveis para treinamento de modelo e análises.
  • Maior relevância: você está pesquisando termos mais completos e prováveis, o que oferece resultados de produtos de maior qualidade no widget "Sua vez de perguntar".
  • Melhor ROI: custos mais baixos e uma experiência do usuário melhor contribuem para um retorno do investimento mais forte.

Como lidar com casos extremos

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

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

Medir o sucesso com IDs de experimento

Independente da implementação escolhida, é importante medir a performance do widget do 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 as conversões.

Para medir as taxas de cliques e de conversão do widget SAYE, use 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 conforme você digita.
  • Principais eventos de pesquisa: 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 úteis.

Conclusão

A Vertex AI para Pesquisa no comércio oferece os componentes para criar uma experiência de pesquisa conforme você digita. Ao atuar como o arquiteto que projeta a interação entre as APIs CompleteQuery e Search, você pode criar uma capacidade de pesquisa que faz a ponte entre a experiência do usuário e o desempenho. Na maioria dos casos de uso, a abordagem otimizada oferece uma experiência relevante para o usuário, evitando operações pesadas de computação.