Guide de l'expérience utilisateur du filtrage conversationnel

Pour implémenter efficacement le filtrage conversationnel de produits, vous devez concevoir une expérience utilisateur bien pensée.

Éléments visuels

L'emplacement et l'apparence du filtre conversationnel ont un impact considérable sur son efficacité.

Mise en page verticale ou horizontale

Voici quelques éléments à prendre en compte pour choisir entre une mise en page verticale ou horizontale :

• Recommandation : privilégiez une conception horizontale et compacte en hauteur. Cela réduit le risque de pousser les résultats de produits sous la ligne de flottaison.

• Raisonnement : si le filtre est affiché horizontalement en haut de la page, il peut repousser les résultats de produits vers le bas de la page, ce qui augmente le coût de la fonctionnalité en réduisant la visibilité immédiate des produits. De plus, en réduisant l'espace vide entre les éléments, vous pouvez ajouter de l'espace sur la page Web pour afficher des vignettes de produits supplémentaires.

Gérer les attributs longs

Si les options à choix multiples sont longues (comme les noms de marques), ne les renvoyez pas à la ligne, car cela augmente la hauteur des éléments. Au lieu de cela, laissez-les s'étendre horizontalement hors de la page et activez le défilement latéral.

Voici un exemple d'implémentation du défilement horizontal :

Emplacement optimal

Envisagez de placer le filtre conversationnel après trois à cinq lignes de produits. Cette approche empêche l'élément conversationnel de déplacer la liste initiale de produits.

Un point clé à retenir pour cet emplacement est que la barre de filtrage des conversations doit être aussi compacte que possible verticalement. Lorsque la fonctionnalité de filtrage des produits par conversation est placée de manière bien visible, elle peut déplacer les produits plus bas sur la page, hors de la vue immédiate. Cela peut être un inconvénient, car les acheteurs voient moins de produits. Par conséquent, les produits visibles doivent être aussi pertinents que possible.

• Sur le côté (vertical) ou en haut (horizontal) : envisagez de placer le filtre conversationnel après trois à cinq lignes de produits. Cette approche empêche l'élément conversationnel de déplacer la liste initiale de produits.

• Forte considération : si le filtrage conversationnel des produits devient votre principale méthode pour affiner les sélections de produits, envisagez de réduire ou de remplacer complètement votre barre de filtres manuels. Vous pouvez ainsi ajouter une colonne d'articles.

Ordinateur de bureau et mobile

Bien que les implémentations sur ordinateur aient fait leurs preuves, les résultats sur mobile ont été moins cohérents et ont montré des gains de performances globaux plus faibles. La taille d'écran limitée sur mobile nécessite une approche plus créative et délibérée pour le placement.

• Recommandation : Commencez par implémenter les fonctionnalités sur ordinateur avant de les déployer sur mobile. La taille d'écran plus grande sur ordinateur permet une plus grande flexibilité dans la conception des créations. La petite taille de l'écran mobile oblige les développeurs à hiérarchiser certains éléments.

• Évitez : les interfaces de fenêtres de chat. N'implémentez pas le filtre conversationnel sous la forme d'une fenêtre de chat. Les utilisateurs sont alors redirigés hors de l'interface Web principale, ce qui peut perturber le flux de paiement Web prévu, que les développeurs passent généralement beaucoup de temps à optimiser.

Autres remarques concernant les appareils mobiles

Le Web mobile et les applications doivent également être traités indépendamment lors des tests. Les tests d'applications mobiles sont intrinsèquement difficiles à réaliser, mais offrent une plus grande flexibilité. Le Web mobile est souvent plus rapide à tester, mais présente différents compromis pour les différents navigateurs Web mobiles.

Interaction de l'utilisateur avec les filtres

Cette section explique comment configurer le filtrage conversationnel des produits. Nous vous recommandons de remplacer les éléments de filtrage statiques et codés en dur par un filtrage conversationnel dynamique afin de libérer de l'espace à l'écran pour des produits plus ciblés. Tous les filtres appliqués, quelle que soit leur origine, peuvent mettre à jour la grille de produits de manière globale.

Les questions conversationnelles suivantes s'adaptent à l'ensemble complet des filtres appliqués, qui proposent des options à choix multiples.

Filtres globaux unifiés

Les acheteurs peuvent interagir avec les filtres conversationnels et tous les éléments de filtrage restants appliqués. Votre implémentation du frontend doit pouvoir gérer ce scénario.

Les filtres globaux unifiés présentent les caractéristiques suivantes :

• Application globale : lorsqu'un utilisateur sélectionne un élément de filtre sur la page, qu'il s'agisse d'un filtre produit conversationnel ou d'un élément de filtre statique, la grille de produits doit se mettre à jour pour afficher les résultats avec tous les filtres globaux appliqués.
• Question de suivi intelligente : la prochaine question conversationnelle que l'utilisateur voit doit être pertinente en fonction de l'ensemble des filtres appliqués, quel que soit l'élément sélectionné par l'utilisateur. Par exemple, si un client sélectionne un filtre color dans l'élément conversationnel et un filtre size dans l'élément de filtre classique, la question conversationnelle suivante ne doit pas lui demander la taille qu'il souhaite.

Filtrer les types

Le filtrage conversationnel de produits permet d'utiliser les sélections à choix multiples sur le site.

Choix multiples

Vertex AI Search pour le commerce peut présenter jusqu'à 20 options à choix multiples, en fonction des noms de valeurs dans le catalogue de produits. Les options s'affichent dans une liste triée des choix les plus pertinents. Les options longues, comme les noms de marques longs, permettent aux utilisateurs de faire défiler l'écran horizontalement plutôt que de passer à la ligne, ce qui préserve la compacité verticale.

Remplacer les éléments codés en dur

De nombreux développeurs de sites de recherche commerciale ont préconstruit des composants de filtre de catégorie manuels dans leur interface Web, destinés aux requêtes générant le plus de revenus. Ces composants de filtre sont généralement coûteux, longs à produire et peu interactifs avec l'utilisateur.

Figure 2. Exemple d'affichage d'un élément codé en dur.

• Recommandation : L'idée principale du filtrage conversationnel est de vous permettre de déployer rapidement des expériences dynamiques comme celles-ci dans tous vos produits, et pas seulement pour les quelques requêtes les plus fréquentes pour lesquelles les éléments visuels ont été conçus. Par conséquent, identifiez et supprimez les éléments que le filtrage conversationnel est conçu pour remplacer. Évitez d'avoir deux ensembles d'éléments de filtre concurrents qui effectuent des fonctions similaires. Cela libère de l'espace à l'écran pour afficher des produits plus ciblés.

Idées de tests

Voici quelques idées d'expérimentation :

• Emplacement entre les lignes de produits : insérez le composant à mi-chemin sur la page, après trois à cinq lignes de produits. Cette approche empêche l'élément conversationnel de remplacer de manière significative les affichages de produits initiaux.
• Menu déroulant ou pop-up : utilisez un bouton qui déclenche une boîte de dialogue ou un menu déroulant contenant les questions de filtrage. Il peut être intégré aux pop-ups de filtre existantes ou être un élément distinct.
• Barre fixe : une barre persistante sur l'écran présente les questions et les options. Il se trouve devant les produits au lieu de les faire descendre.
• Points à prendre en compte pour les tests : lorsque vous testez les versions pour mobile et pour ordinateur, assurez-vous que ces tests sont effectués de manière indépendante. Les comportements d'achat varient considérablement d'un appareil à l'autre, et les composants visuels qui fonctionnent sur un appareil peuvent ne pas être adaptés à un autre.

Ingestion et qualité des données

L'intelligence du modèle Vertex AI repose sur les données d'interaction des utilisateurs. Le processus d'intégration utilise une approche en deux phases pour l'ingestion des données.

Phase 1 : Démarrage initial avec les événements historiques

Le modèle peut être entraîné sur des données d'événements historiques. Les données d'historique des événements sont d'abord ingérées dans l'environnement Google, ce qui permet au modèle de reconnaître même les nouveaux projets sans données d'interaction en direct.

Phase 2 : Passer aux données de requête en direct

Une fois la fonctionnalité activée et la collecte des données historiques commencée, Vertex AI utilise le flux de données de requêtes en direct pour affiner le modèle de diffusion. Les données de requête en direct sont généralement de meilleure qualité que les données d'événements historiques, car il arrive que des informations clés manquent dans les événements historiques. Les données de requête en direct sont ainsi plus efficaces pour l'optimisation continue.