本页面旨在指导您为 Vertex AI Search 商务解决方案实现对话式商品过滤。本文档提供了有数据支持的最佳实践，可确保中型到大型零售企业成功实现对话式产品过滤。
Vertex AI Search for commerce 对话式商品过滤是一种 AI 赋能的工具，可将搜索变成引导式体验，在买家与大型商品目录互动时为他们提供帮助。当网站用户执行广泛搜索（例如咖啡桌或红色连衣裙）并获得数千条结果时，对话式商品过滤功能会智能地提示用户后续问题，以帮助他们快速缩小选择范围。
业务用例
引导式搜索中的对话式商品过滤功能专门用于处理宽泛、模糊或非常细致的搜索查询。应用过滤条件来缩小搜索结果范围可显著提高收入和用户互动度。
对话式商品过滤功能的主要目标是帮助买家快速直观地找到合适的商品。
商家使用对话式过滤功能可以：
- 加快商品发现速度：通过提出相关问题，帮助买家快速缩小商品选择范围（例如，从 5,000 种地毯缩小到数百种有针对性的结果）。
- 优化个性化：问题和多项选择选项是根据特定查询的历史过滤条件使用情况为每个查询量身定制的（咖啡桌的历史过滤条件使用情况表明，按颜色过滤的频率高于按尺寸过滤的频率，因此可以先询问颜色）。
- 简化实现：预先为颜色和宽度等商品属性指定问题，每个属性对应一个问题。
单向对话
对话式商品过滤功能以单向对话的形式运行，在购物者于电子商务网站上进行搜索的整个过程中为其提供帮助。AI 模型向买家提问，买家回答。
买家发起搜索查询。示例：地毯
零售网站返回了 80 多个包含商品结果的页面。
Vertex AI Search 商务解决方案会向网站上的购物者提出问题，以帮助他们缩小搜索范围。示例：您在寻找哪种颜色？
买家从单选题选项列表中选择一个答案。示例：蓝色
系统会立即根据买家的选择过滤页面上的商品搜索结果。
然后，Google 搜索会显示下一个最相关的后续问题。示例：您想要什么形状？
图 1。对话式过滤用户历程。
通过测试进行迭代改进
对话式商品过滤是一种需要不断改进和数据驱动型决策的优化。目标是通过了解买家行为并调整设计来吸引用户，从而最大限度地发挥收集用户洞见的功能。
受市场趋势、竞争对手的产品以及个人偏好变化等多种因素的影响，购物者行为是动态的，并且会随着时间的推移而演变。随着您收集更多数据并观察买家与 AI 功能的互动情况，请务必继续尝试并迭代您的设计，同时测试新方法。这种持续的实验、数据分析和改进循环有助于确保 AI 功能始终保持相关性、有效性，并针对不断变化的用户群进行优化。
定期查看效果指标、开展用户调查并分析反馈，以找出需要改进的方面和新的创新机会。这种持续迭代的承诺是成功部署 AI 功能的关键。
经验教训
在连续测试后，我们总结了以下经验教训：
- 持续开展实验：最佳结果往往不是您尝试的第一个设计。
- 迭代和调整：用户行为会不断变化。随着您收集更多数据并观察买家与该功能的互动情况，请继续迭代您的设计并测试新方法。
- 超越 A/B：不要仅限于比较两个版本的 A/B 测试。相反，您应进行多次 A/B/C/D/E/F 测试，以探索更广泛的界面设计和展示位置选项。
用于优化的关键指标
为了有效地优化 Vertex AI Search for Commerce，务必要定义和跟踪相关指标，以便深入了解用户互动度、满意度以及功能带来的总体影响。需要考虑的关键指标包括：
- 转化率：完成目标操作（例如购买）的用户所占的百分比。
- 用户满意度得分（例如 NPS、CSAT）：用户就 AI 功能的使用体验提供的直接反馈，可提供有关易用性和感知价值的定性分析洞见。
- 采用率：积极使用对话式商品过滤功能的购物者所占的百分比，可反映该功能的曝光度和用户感知到的实用性。
搜索中的后续问题
如果启用了对话式商品过滤，网站上的后续问题会引发对话，直到出现以下三种情况之一：
- 达到预配置的最低商品数量（如果只显示两件商品，对话就没什么用）。
- 用户点击某件商品并将其添加到购物车（目标）。
- 对话式商品过滤功能会用完 AI 生成的问题。
用作动态分面的替代方案
动态分面与广泛查询相关联，因此搜索结果数量较多，导致每次查询的收入较低。如果最终用户看到数万条结果，可能会感到无所适从，并放弃搜索。对话式搜索能够优化查询，并且可以与动态分面搭配使用。与动态分面相比，对话式商品过滤功能具有一些优势，例如更贴近人类语言、更具互动性，并且占用更少的网页空间。
如需了解详情，请参阅方面页面。
修改生成式问题
对话式商品过滤功能可让零售商根据上传的目录，初步修改、覆盖或取消选择 AI 生成的问题，从而鼓励用户与生成式 AI 问题进行人机环路互动。商家可以在“Google 搜索”的商务控制台或 API 中单独或批量修改或停用问题，以便根据需要在搜索结果中显示相应问题。
总结
在您的商务平台中集成对话式商品过滤功能，可显著提升用户体验，并大幅提高用户转化率。对于广泛的类别查询，用户往往会面临大量选择，难以快速缩小偏好范围，因此这一点尤为重要。