このページでは、Vertex AI Search for Commerce の会話型商品フィルタリングを実装するためのガイドを提供します。このドキュメントでは、中規模から大規模の小売業者が会話型の商品フィルタリングを導入する際に成功を収めるための、データに基づいたベスト プラクティスを紹介します。
Vertex AI Search for commerce の会話型商品フィルタリングは、大規模な商品カタログを操作する買い物客をガイドする AI を活用したツールです。サイトのユーザーが広範な検索(「コーヒー テーブル」や「赤いドレス」など)を行い、数千件の検索結果が返された場合、会話型の商品フィルタリングでは、フォローアップの質問がインテリジェントに表示され、選択肢をすばやく絞り込むことができます。
ビジネス ユースケース
ガイド付き検索の会話型商品フィルタリング機能は、広範で曖昧な検索語句や、非常にニュアンスのある検索語句に対応するように設計されています。フィルタを適用して結果を絞り込むと、収益とユーザー エンゲージメントの両方が大幅に向上します。
会話型の商品フィルタリングの主な目的は、買い物客が適切な商品をすばやく直感的に見つけられるようにすることです。
企業は会話型フィルタリングを使用して、次のことを行います。
- 商品検索を加速する: 関連性の高い質問をすることで、買い物客が膨大な商品の中から絞り込みをすばやく行えるようにします(たとえば、5,000 件のエリアラグから数百件のターゲットを絞った結果に絞り込むなど)。
- パーソナライズを絞り込む: 質問と選択肢は、特定のクエリの過去のフィルタ使用データに基づいて、クエリごとにカスタマイズされます(コーヒー テーブルは、サイズよりも色でフィルタされることが多いため、色に関する質問が最初に表示されることがあります)。
- 実装の簡素化: 色や幅などの商品属性に対して質問が事前に指定されており、属性ごとに 1 つの質問が設定されています。
一方向の会話
会話型の商品フィルタリングは、e コマース サイトで商品を検索する買い物客の検索ジャーニー全体にわたって、一方向の会話として機能します。AI モデルが買い物客に質問し、買い物客が回答します。
買い物客が検索クエリを開始します。例: エリアラグ
小売サイトから 80 ページ以上の商品結果が返される。
Vertex AI Search for Commerce は、サイトの買い物客に質問して、検索を絞り込むことができます。例: どの色をお探しですか?
買い物客は、多肢選択式のリストから回答を選択します。例: blue
ページの商品検索結果は、購入者の選択に基づいてすぐにフィルタされます。
検索結果には、次に最も関連性の高いフォローアップの質問が表示されます。例: どのような形状をお探しですか?
図 1. 会話型フィルタリングのユーザー ジャーニー。
テストによる反復的な改善
会話型の商品フィルタリングは、継続的な改善とデータドリブンの意思決定を必要とする最適化です。目標は、購入者の行動を理解し、ユーザーの関心を高めるようにデザインを調整することで、ユーザー インサイトを収集する機能の能力を最大限に引き出すことです。
市場のトレンド、競合他社のサービス、個人の好みの変化など、さまざまな要因の影響を受ける買い物客の行動は動的であり、時間とともに変化します。より多くのデータを収集し、買い物客が AI 機能とどのようにやり取りしているかを観察しながら、設計を試し、反復し、新しいアプローチをテストし続けることが重要です。この継続的なテスト、データ分析、改善のサイクルにより、AI 機能が関連性を保ち、効果的で、進化するユーザーベースに合わせて最適化されるようになります。
パフォーマンス指標を定期的に確認し、ユーザー アンケートを実施し、フィードバックを分析して、改善すべき領域とイノベーションの新たな機会を特定します。この継続的なイテレーションへの取り組みは、AI 機能のデプロイにおける長期的な成功の鍵となります。
学習した内容
連続テスト後に次の教訓が得られました。
- 継続的にテストする: 最適な結果は、最初に試したデザインでは得られないことがよくあります。
- イテレーションと適応: ユーザーの行動は変化します。データを収集し、購入者がこの機能をどのように利用しているかを観察しながら、デザインの反復を続け、新しいアプローチをテストします。
- A/B テスト以外: 2 つのバージョンを比較する A/B テストだけに限定しないでください。代わりに、A/B/C/D/E/F テストを多数実施して、UI デザインと配置オプションの幅広い範囲をテストします。
最適化の主な指標
商取引向け Vertex AI Search を効果的に最適化するには、ユーザー エンゲージメント、満足度、機能の全体的な影響に関する分析情報を提供する関連指標を定義して追跡することが重要です。考慮すべき主な指標は次のとおりです。
- コンバージョン率: 購入などの目標アクションを完了したユーザーの割合。
- ユーザー満足度スコア(NPS、CSAT など): AI 機能の使用感や価値観に関する定性的な分析情報を提供する、ユーザーからの直接的なフィードバック。
- 導入率: 会話型の商品フィルタリングを積極的に使用する買い物客の割合。この割合は、会話型の商品フィルタリングの視認性と有用性の認識度を示します。
検索でのフォローアップの質問
会話型の商品フィルタリングが有効になっている場合、次の 3 つのシナリオのいずれかが発生するまで、サイトでのフォローアップの質問によって会話が続行されます。
- 事前に設定されている最小商品数に達した(たとえば、商品が 2 つしか表示されない場合は、会話は役に立ちません)。
- ユーザーが商品をクリックしてカートに追加した(目標)。
- 会話型の商品フィルタリングで AI 生成の質問が不足している。
動的ファセットの代わりに使用する
動的ファセットは、幅広いクエリと、検索結果の多い検索に関連付けられます。これにより、クエリあたりの収益率が低くなります。エンドユーザーは、数万件もの検索結果が表示されると、検索をあきらめてしまう可能性があります。会話型検索では、クエリを絞り込むことができ、動的ファセットとともに使用できます。会話型の商品フィルタリングは、動的ファセットよりも人間味があり、インタラクティブで、ページ上のスペースをあまり使用しないという点で、いくつかの利点があります。
詳細については、ファセットのページをご覧ください。
生成された質問を編集する
会話型の商品フィルタリングでは、アップロードされたカタログに基づいて、小売業者が好みに応じて AI 生成の質問を事前に編集、上書き、選択解除できるため、生成 AI の質問と人間参加型のやり取りができます。検索に表示する質問を調整するには、コマース向け検索コンソールまたは API で質問を個別または一括で編集または無効にします。
まとめ
コマース プラットフォームに会話型の商品フィルタリングを統合すると、ユーザー エクスペリエンスが大幅に向上し、ユーザーのコンバージョン率が大幅に高まります。これは、ユーザーが圧倒的な選択肢に直面し、好みをすばやく絞り込むのに苦労することが多い、幅広いカテゴリのクエリに当てはまります。