Cette page explique comment utiliser les tests A/B pour comprendre l'impact de Vertex AI Search pour le commerce sur votre entreprise.
Présentation
Un test A/B est un test randomisé avec deux groupes : un groupe de test et un groupe de contrôle. Le groupe expérimental reçoit un traitement différent (dans ce cas, les prédictions ou les résultats de recherche de Vertex AI Search pour le commerce), contrairement au groupe de contrôle.
Lorsque vous exécutez un test A/B, vous incluez des informations sur le groupe dans lequel se trouve un utilisateur lorsque vous enregistrez les événements utilisateur. Ces informations sont utilisées pour affiner le modèle et fournir des métriques.
Les deux versions de votre application doivent être identiques, sauf que les utilisateurs du groupe expérimental voient les résultats générés par Vertex AI Search pour le commerce, contrairement au groupe de contrôle. Vous consignez les événements utilisateur pour les deux groupes.
Pour en savoir plus sur la répartition du trafic, consultez la section Répartir le trafic dans la documentation d'App Engine.
Plates-formes de test
Configurez le test avec une plate-forme tierce, telle que Google Optimize ou Optimizely. Les groupes de contrôle et de test obtiennent chacun un ID de test unique à partir de la plate-forme. Lorsque vous enregistrez un événement utilisateur, spécifiez le groupe dans lequel se trouve l'utilisateur en incluant l'ID de test dans le champ experimentIds. Cet ID vous permet de comparer les métriques des versions de votre application vues par les groupes de contrôle et de test.
Bonnes pratiques pour les tests A/B
L'objectif d'un test A/B est de déterminer avec précision l'impact de la mise à jour de votre site (dans ce cas, en utilisant Vertex AI Search pour le commerce). Pour obtenir une mesure précise de l'impact, vous devez concevoir et mettre en œuvre correctement le test afin que les autres différences n'affectent pas les résultats du test.
Pour concevoir un test A/B pertinent, suivez les conseils ci-dessous :
Avant de configurer votre test A/B, utilisez l'aperçu de prédiction ou de recherche pour vous assurer que votre modèle se comporte comme prévu.
Assurez-vous que le comportement de votre site est identique pour le groupe de test et le groupe de contrôle.
Le comportement du site comprend la latence, le format d'affichage, le format de texte, la mise en page, la qualité et la taille des images. Il ne devrait y avoir aucune différence notable pour ces attributs entre les expérience des groupes de contrôle et de test.
Acceptez et affichez les résultats tels qu'ils sont renvoyés par Vertex AI Search pour le commerce, et affichez-les dans le même ordre que dans lequel ils sont renvoyés.
Il est acceptable de filtrer les articles non disponibles. Toutefois, vous devez éviter de filtrer ou de trier les résultats en fonction des règles de votre entreprise.
Si vous incluez un jeton d'attribution dans vos événements utilisateur, assurez-vous qu'il est correctement configuré. Consultez la documentation sur les jetons d'attribution.
Assurez-vous que la configuration de diffusion que vous fournissez lorsque vous demandez des recommandations ou des résultats de recherche correspond à votre objectif pour cette recommandation ou ce résultat de recherche, et à l'emplacement où vous affichez les résultats.
Lorsque vous utilisez des recommandations, la configuration de diffusion affecte la manière dont les modèles sont entraînés et, par conséquent, les produits recommandés. En savoir plus
Si vous comparez une solution existante à Vertex AI Search pour le commerce, l'expérience du groupe de contrôle doit être strictement distincte de celle du groupe expérimental.
Si la solution de contrôle ne fournit pas de recommandation ni de résultat de recherche, n'en fournissez pas à partir de Vertex AI Search pour le commerce dans les pages de contrôle. Cela fausserait les résultats de votre test.
Assurez-vous que vos utilisateurs ne basculent pas entre le groupe de contrôle et le groupe de test. C'est particulièrement important au cours d'une même session, mais recommandé d'une session à l'autre. Cela améliore les performances du test et vous permet d'obtenir plus rapidement des résultats pertinents d'un point de vue statistique.