Guia da experiência do usuário com a filtragem conversacional

A implementação bem-sucedida da filtragem conversacional de produtos depende de um design de experiência do usuário bem elaborado.

Elementos de exibição visual

O posicionamento e a aparência do filtro conversacional afetam significativamente a eficácia dele.

Layout vertical x horizontal

Estas são algumas considerações sobre o design de um layout vertical ou horizontal:

• Recomendação: priorize um design horizontalmente orientado e verticalmente compacto. Isso minimiza o risco de enviar resultados de produtos para baixo da dobra.

• Motivo: se o filtro for exibido horizontalmente na parte de cima, ele poderá empurrar os resultados de produtos para baixo na página, o que aumenta o custo do recurso ao reduzir a visibilidade imediata dos produtos. Além disso, minimizar o espaço em branco entre os elementos pode adicionar espaço principal na página da Web para mostrar mais blocos de produtos.

Processar atributos longos

Se as opções de múltipla escolha forem longas (como nomes de marcas), não as quebre em novas linhas, porque isso aumenta a altura dos elementos. Em vez disso, permita que eles se estendam horizontalmente para fora da página e ative a rolagem lateral.

Confira um exemplo de implementação de rolagem horizontal:

Posicionamento ideal

Considere colocar o filtro conversacional após 3 a 5 linhas de produtos. Essa abordagem evita que o elemento de conversa substitua a lista inicial de produtos.

Uma dica importante para esse posicionamento é que a barra de filtragem de conversas precisa ser o mais compacta possível na vertical. Quando o recurso de filtragem de produtos por conversa é posicionado em destaque, ele pode mover as exibições de produtos para baixo na página, fora da visualização imediata. Isso pode ser uma desvantagem, já que os compradores veem menos produtos. Portanto, os produtos visíveis precisam ser o mais relevantes possível.

• Lateral (vertical) x superior (horizontal): considere colocar o filtro de conversa depois de três a cinco linhas de produtos. Essa abordagem evita que o elemento de conversa substitua a lista inicial de produtos.

• Consideração forte: se a filtragem de produtos por conversa se tornar seu principal método para restringir as seleções de produtos, considere minimizar ou substituir totalmente a barra de filtros manual. Isso permite adicionar outra coluna de itens de produtos.

Computador desktop e dispositivo móvel

Embora as implementações em computadores tenham sido bem-sucedidas, os resultados em dispositivos móveis foram menos consistentes e mostraram ganhos de desempenho geral menores. O tamanho limitado da tela em dispositivos móveis exige uma abordagem mais criativa e deliberada para a posição.

• Recomendação: priorize as implementações para computador em vez de dispositivos móveis, pelo menos no início. O tamanho maior da tela no computador permite mais flexibilidade nos designs de criativos. A tela menor dos dispositivos móveis força os desenvolvedores a priorizar determinados elementos.

• Evite: interfaces de janela de chat. Não implemente o filtro de conversa como uma janela de chat. Isso tira os usuários da interface da Web principal e pode interromper o fluxo de finalização de compra na Web pretendido, que os desenvolvedores geralmente gastam muito tempo otimizando.

Outras considerações sobre dispositivos móveis

A Web e os apps para dispositivos móveis também precisam ser tratados de forma independente quando se trata de testes. O teste de apps para dispositivos móveis é inerentemente difícil de realizar, mas oferece mais flexibilidade. A Web móvel geralmente é mais rápida de testar, mas tem diferentes compensações para vários navegadores da Web móvel.

Interação do usuário com filtros

Nesta seção, descrevemos como configurar a filtragem de produtos conversacional. É recomendável substituir elementos de filtro estáticos e codificados por filtros dinâmicos de conversa para liberar espaço na tela e mostrar produtos mais segmentados. Todos os filtros aplicados, independente da origem, podem atualizar globalmente a grade de produtos.

As perguntas conversacionais subsequentes se adaptam ao conjunto completo de filtros aplicados, o que oferece opções de múltipla escolha.

Filtros globais unificados

Os compradores podem interagir com os filtros de conversa e com os elementos de filtro restantes aplicados. Sua implementação de front-end precisa ser capaz de lidar com esse cenário.

Os filtros globais unificados têm estas características:

• Aplicação global: quando um usuário faz uma seleção em qualquer elemento de filtro na página, seja um filtro de produto conversacional ou um elemento de filtro estático, a grade de produtos precisa ser atualizada para mostrar resultados com todos os filtros globais aplicados.
• Acompanhamento inteligente: a próxima pergunta da conversa que o usuário vê precisa ser relevante com base no conjunto completo de filtros aplicados, independente do elemento selecionado. Por exemplo, se um comprador selecionar um filtro color no elemento de conversa e um filtro size no elemento de filtro clássico, a próxima pergunta da conversa não deve perguntar qual tamanho ele quer.

Tipos de filtro

A filtragem conversacional de produtos permite usar as opções de múltipla escolha no site.

Múltipla escolha

A Vertex AI para Pesquisa em e-commerce pode apresentar até 20 opções de múltipla escolha com base nos nomes de valores no catálogo de produtos. As opções aparecem em uma lista classificada das escolhas mais relevantes. Opções longas, como nomes de marcas longos, ajudam a garantir que os usuários possam rolar para o lado em vez de quebrar em novas linhas, o que mantém a compactação vertical.

Substituir elementos fixados no código

Muitos desenvolvedores de sites de pesquisa de comércio eletrônico têm componentes de filtro de categoria manuais e pré-criados na interface da Web, destinados a consultas que geram mais receita. Esses componentes de filtro costumam ser caros, demorados para produzir e não muito interativos com o usuário.

Figura 2. Exemplo de exibição de elemento codificado.

• Recomendação: a ideia principal por trás da filtragem por conversa permite implantar rapidamente experiências dinâmicas como essas em todos os seus produtos, não apenas nas principais consultas para as quais os elementos visuais foram projetados. Portanto, identifique e remova os elementos que o filtro de conversa foi projetado para substituir. Evite ter dois conjuntos concorrentes de elementos de filtro que executam funções semelhantes. Isso libera espaço na tela para mostrar produtos mais segmentados.

Ideias para experimentos

Algumas ideias para testes:

• Posicionamento entre linhas de produtos: insira o componente na metade da página, depois de três a cinco linhas de produtos. Essa abordagem evita que o elemento de conversa substitua significativamente as exibições iniciais de produtos.
• Menu suspenso ou pop-up: use um botão que aciona uma caixa de diálogo ou um menu suspenso com as perguntas do filtro. Ele pode ser integrado a pop-ups de filtro atuais ou ser um elemento separado.
• Barra fixa: uma barra persistente na tela apresenta as perguntas e opções. Isso fica na frente dos produtos, em vez de empurrá-los para baixo.
• Considerações sobre testes: ao testar dispositivos móveis e computadores, verifique se esses experimentos são realizados de forma independente. Os comportamentos de compra de cada dispositivo variam muito, e os componentes visuais que funcionam em um podem não funcionar em outro.

Ingestão e qualidade de dados

A inteligência do modelo da Vertex AI é criada com base em dados de interação do usuário. O processo de integração usa uma abordagem de duas fases para a ingestão de dados.

Fase 1: início com eventos históricos

O modelo pode ser treinado com dados históricos de eventos. Os dados de eventos históricos são ingeridos inicialmente no ambiente do Google, o que permite que o modelo reconheça até mesmo projetos novos sem dados de interação em tempo real.

Fase 2: transição para dados de consulta ativa

Depois que o recurso é lançado e começa a coletar dados capturados historicamente, a Vertex AI usa o fluxo de dados de consulta ativa para refinar o modelo de exibição. Os dados de consultas ativas geralmente são de qualidade superior aos dados de eventos capturados historicamente, já que os eventos históricos às vezes não têm informações importantes. Isso torna os dados de consultas ativas mais eficazes para otimização contínua.