Esta é a documentação do Recommendations AI, da Pesquisa de varejo e do novo Console do Varejo. Para usar a pesquisa de varejo na fase GA restrita, entre em contato com a equipe de vendas do Cloud.

Se você estiver usando apenas o Recommendations AI, permaneça no Console do Recommendations e consulte a documentação do Recommendations AI.

Experiências A/B

Nesta página, descrevemos como usar experimentos A/B para entender como o varejo está afetando seus negócios.

Visão geral

Um experimento A/B é um experimento aleatório com dois grupos: um grupo experimental e um grupo de controle. O grupo experimental recebe um tratamento diferente (nesse caso, previsões ou resultados da pesquisa da API Retail) o grupo de controle não

Ao executar um experimento A/B com a API Retail, você inclui as informações sobre em qual grupo um usuário estava quando registrava eventos do usuário. A API Retail usa essas informações para refinar o modelo e fornecer métricas.

Ambas as versões do aplicativo precisam ser as mesmas, exceto que os usuários no grupo experimental veem resultados gerados pela API Retail e o grupo de controle não. Você registra eventos de usuário em ambos os grupos.

Para mais informações sobre a divisão de tráfego, consulte Como dividir o tráfego na documentação do App Engine.

Plataformas experimentais

Configure o experimento usando uma plataforma de experimento de terceiros, como o Google Optimize ou o Optimizer. Os grupos experimental e de controle recebem um ID de experimento exclusivo da plataforma. Ao registrar um evento de usuário, especifique o grupo em que o usuário está, incluindo o código do experimento no campo experimentIds. Quando você fornece o código do experimento, a API Retail pode comparar as métricas das versões do aplicativo visualizadas pelos grupos experimental e de controle.

Práticas recomendadas para experimentos A/B

O objetivo de um experimento A/B é determinar com precisão o impacto da atualização do seu site (neste caso, a implantação do varejo). Para ter uma medida precisa do impacto, é necessário projetar e implementar o experimento corretamente para que outras diferenças não se influenciem e afetem os resultados.

Para criar um experimento A/B significativo, use as seguintes dicas:

  • Antes de configurar seu experimento A/B, use a previsão ou a visualização de pesquisa para garantir que o modelo esteja se comportando conforme o esperado.

  • Verifique se o comportamento do seu site é idêntico ao do grupo experimental e do grupo de controle.

    O comportamento do site inclui latência, formato de exibição, formato de texto, layout da página, qualidade da imagem e tamanho da imagem. Não pode haver diferenças visíveis para nenhum desses atributos entre a experiência dos grupos de controle e experimental.

  • Aceitar e exibir os resultados da maneira como são retornados do varejo e exibi-los na mesma ordem em que são retornados.

    Filtrar itens que estão esgotados é aceitável. No entanto, evite filtros ou organize os resultados com base nas suas regras de negócios.

  • Verifique se você está incluindo o token de atribuição com os eventos de usuário corretamente. Saiba mais.

  • Certifique-se de que a configuração de exibição fornecida quando você solicita recomendações ou resultados da pesquisa corresponda à sua intenção para essa recomendação ou resultado da pesquisa e o local em que você exibe os resultadoss

    Quando você usa o Recommendations AI, a configuração de exibição afeta a forma como os modelos são treinados e quais produtos são recomendados. Saiba mais.

  • Se você estiver comparando uma solução atual com a API Retail, mantenha a experiência do grupo de controle separada estritamente da experiência do grupo experimental.

    Se a solução de controle não fornecer uma recomendação ou um resultado da pesquisa, não forneça um da API Retail nas páginas de controle. Se você fizer isso, os resultados do teste serão distorcidos.