Les jetons d'attribution sont des ID uniques générés par Vertex AI Search pour le commerce et renvoyés avec chaque requête de recherche. Ils permettent à Vertex AI Search pour le commerce d'associer une requête de recherche à son événement de recherche correspondant, ce qui permet aux modèles de reclassement d'améliorer la qualité des réponses de recherche. Les jetons d'attribution sont également requis dans les événements de recherche Vertex AI Search pour le commerce pour générer des rapports précis.
Fonctionnement des jetons d'attribution
Chaque réponse renvoyée par la méthode Vertex AI Search inclut un attributionToken unique à la fin du corps de la réponse de recherche. Exemple :
{ "results": [ { "id": "727121", "product": { … } ], "totalSize": 19600, "attributionToken": "dfB0CgwIgKrltAYQ8afX4AIQARokNjZjMGEwYjEtMDAwMC0yNjAyLTk0Y2UtNTgyNDI5Y2JkMzUwKgUxMjM0NTIkxcvzF6OAlyLo5KotmNa3LY6-nRW3t4wtwvCeFdSynRWb1rctOg5kZWZhdWx0X3NlYXJjaGgB", "nextPageToken": "AM1MDZiNWOyQjM4UTLlNGN50iMwYjMtADMwATLwIGMhBzY2YDJaIw-bCbxQYAt1PJgIwgExEgC" …
Ce jeton doit être inclus dans l'événement de recherche suivant:
{ "eventType": "search", "searchQuery":"red t-shirt", "productDetails":[ {"product":{"id":"727121"}}, {"product":{"id": … } ] , "visitorId":"GA1.1.1383176924.1721324981", "attributionToken":"dfB0CgwIgKrltAYQ8afX4AIQARokNjZjMGEwYjEtMDAwMC0yNjAyLTk0Y2UtNTgyNDI5Y2JkMzUwKgUxMjM0NTIkxcvzF6OAlyLo5KotmNa3LY6-nRW3t4wtwvCeFdSynRWb1rctOg5kZWZhdWx0X3NlYXJjaGgB" }
Vertex AI Search pour le commerce utilise les données d'événement pour entraîner ses modèles. Le jeton d'attribution permet d'associer l'événement à la requête, en encodant la requête et la réponse de recherche complètes avec les filtres, les facettes et les ID de produit de la réponse demandés. Sans jeton dans les événements de recherche, ces événements sont traités comme s'ils ne provenaient pas de Google Vertex AI Search. Ils peuvent donc être utilisés de manière incorrecte comme s'ils provenaient d'un autre fournisseur de recherche.
Il est acceptable (et attendu) d'avoir des événements de recherche sans jetons s'ils sont diffusés par un autre fournisseur de recherche, par exemple lors d'un test A/B. Toutefois, il existe généralement un mappage individuel pour les requêtes de l'API Search afin de rechercher des événements avec des jetons.
Qualité des données du jeton d'attribution
Le tableau de bord "Qualité des données" de la section "Recherche pour le commerce" affiche un état d'erreur de non-conformité critique ou bloquant si le pourcentage d'événements avec des jetons d'attribution est inférieur à 95%. Sinon, l'état Status (État) indique "Compliant" (Conforme) :
La qualité des données au niveau du niveau 3, qui correspond au modèle optimisé pour les revenus, ne permet généralement pas d'entraîner le modèle sans un nombre suffisant d'événements attribuables. Nous vous déconseillons fortement de déployer Vertex AI Search pour le commerce en production, sauf s'il affiche des résultats dans les niveaux 3 ou 4. Pour en savoir plus, consultez la section "Qualité des données" pour découvrir comment débloquer les niveaux de performances sur la page Qualité des données.
Jetons d'attribution pour les recommandations
Étant donné qu'il n'existe aucun événement pour les recommandations, vous n'avez pas besoin d'inclure les jetons d'attribution des réponses predict dans les événements.
Le jeton d'attribution de la réponse de prédiction peut être envoyé dans des événements ultérieurs (généralement un detail-page-view ou un add-to-cart), mais ce n'est pas obligatoire. Pour l'implémenter, vous devez transmettre le jeton d'attribution du produit recommandé dans un paramètre d'URL à l'URL de la page produit, puis utiliser ce paramètre pour renseigner le champ attributionToken de l'événement detail-page-view.
Les recommandations de Vertex AI Search créent automatiquement des jetons synthétiques pour les événements attribuables aux requêtes predict. L'ajout explicite des jetons peut légèrement améliorer la précision des rapports Analytics. Toutefois, ce n'est pas strictement obligatoire et cela n'aura que peu d'impact sur les modèles de recommandations.