Membuat model rekomendasi

Halaman ini menjelaskan cara membuat model rekomendasi baru.

Catatan: Anda tidak perlu mengonfigurasi atau membuat model secara manual untuk penelusuran.

Jika sudah memiliki model rekomendasi dengan jenis yang benar dan ingin mendapatkan prediksi darinya dari lokasi lain di situs, Anda dapat membuat konfigurasi penayangan baru untuknya, bukan membuat model baru. Pelajari lebih lanjut.

Pengantar

Jika ingin menggunakan jenis rekomendasi baru untuk mendapatkan prediksi, Anda harus membuat model rekomendasi baru dan memberikan data peristiwa pengguna yang memadai agar dapat dilatih. Anda membuat konfigurasi penayangan untuk model baru, dan saat model selesai dilatih, minta prediksi dari konfigurasi penayangan tersebut.

Untuk ringkasan proses penggunaan Vertex AI Search untuk retail, lihat Mengimplementasikan Vertex AI Search untuk retail.

Membuat model rekomendasi

Tambahkan model rekomendasi baru menggunakan konsol Penelusuran untuk Retail atau metode models.Create API.

Anda dapat memiliki maksimal 20 model per project, dan maksimal 10 model dapat aktif (tidak dijeda) kapan saja. Pelajari lebih lanjut cara menjeda model.

Anda dapat memulai hingga lima operasi model per menit. Operasi model terbatas mencakup pembuatan, penghapusan, jeda, dan lanjutkan.

Sebelum membuat model baru:

• Tinjau dan pilih dari jenis model rekomendasi dan tujuan bisnis model yang tersedia. Hal ini menentukan jenis rekomendasi yang harus dilatih untuk diberikan oleh model ini.
• Tentukan seberapa sering menyesuaikan model. Untuk mengetahui detail biaya penyesuaian dan pelatihan, lihat Harga.
• Pastikan Anda telah mengupload cukup data untuk memenuhi persyaratan pembuatan model baru. Beberapa persyaratan bergantung pada jenis model yang Anda pilih.

• Jika Anda berencana membuat model Pengoptimalan Tingkat Halaman:

  • Pastikan Anda sudah memiliki konfigurasi penayangan rekomendasi yang memiliki model yang dilatih yang terpasang. Anda harus memberikan pilihan konfigurasi penayangan rekomendasi yang dapat dipilih oleh Pengoptimalan Tingkat Halaman saat mengoptimalkan rekomendasi halaman.

  • Siapkan perekaman peristiwa untuk peristiwa detail-page-view dan peristiwa yang cocok dengan jenis halaman tempat Anda akan men-deploy model Pengoptimalan Tingkat Halaman (misalnya, jika Anda men-deploy model di halaman beranda, pastikan Anda menyiapkan perekaman untuk peristiwa home-page-view). Untuk meningkatkan kualitas rekomendasi yang dipersonalisasi, perekaman peristiwa untuk peristiwa purchase dan add-to-cart juga direkomendasikan.

  • Jika Anda memilih tujuan bisnis rasio konversi (CVR), perekaman peristiwa untuk peristiwa add-to-cart diperlukan.

  • Pastikan bahwa setelah membuat model Pengoptimalan Tingkat Halaman, Anda terus membuat kueri pada model untuk membuat tayangan rekomendasi. Tayangan ini digunakan untuk melatih model Pengoptimalan Tingkat Halaman dan meningkatkan kualitas rekomendasi yang ditayangkannya.

Untuk membuat model baru:

Konsol Google Cloud

1. Buka halaman Models di konsol Search for Retail.
   
   Buka halaman Model

2. Klik Create model.

3. Masukkan nama untuk model Anda.

   Nama harus terdiri dari 1.024 karakter atau kurang, dan hanya boleh berisi karakter alfanumerik, garis bawah, tanda hubung, dan spasi.

4. Pilih jenis rekomendasi.

5. Jika Anda memilih Jenis model Pengoptimalan Tingkat Halaman:

   1. Pilih jenis halaman yang akan dioptimalkan oleh model "Pengoptimalan Tingkat Halaman" untuk Anda.

   2. Pilih seberapa banyak penayangan konfigurasi penayangan serupa di seluruh panel akan dibatasi:

      • Jenis model unik: Jangan izinkan beberapa konfigurasi penayangan dengan jenis model yang sama ditampilkan di panel yang berbeda.

      • Model unik: Jangan izinkan beberapa konfigurasi penayangan dengan model yang sama ditampilkan di panel yang berbeda.

      • Konfigurasi penayangan unik: Jangan izinkan konfigurasi penayangan yang sama ditampilkan di beberapa panel.

      • Tidak ada batasan: Mengizinkan konfigurasi penayangan apa pun ditampilkan di jumlah panel apa pun.

   3. Untuk setiap panel rekomendasi yang ingin Anda tampilkan dengan model ini:

      1. Masukkan ID panel.

      2. Pilih konfigurasi penayangan yang dapat dipertimbangkan oleh model Pengoptimalan Tingkat Halaman sebagai opsi untuk panel tersebut.

         Misalnya, halaman tambahkan ke keranjang mungkin memiliki panel rekomendasi tempat Anda ingin menampilkan rekomendasi Sering Dibeli Bersama atau Lainnya yang Mungkin Anda Sukai. Dalam hal ini, pilih konfigurasi penayangan yang menggunakan model Sering Dibeli Bersama dan konfigurasi lain yang menggunakan model Lainnya yang Mungkin Anda Sukai untuk dipertimbangkan di panel ini. Saat Anda melakukan panggilan prediksi ke model Pengoptimalan Tingkat Halaman, model ini akan memilih jenis rekomendasi yang harus ditampilkan di panel tersebut berdasarkan histori peristiwa pengguna akhir.

      3. Pilih konfigurasi penayangan default.

         Jika terjadi pemadaman server Google, model Pengoptimalan Tingkat Halaman masih dapat menayangkan hasil dari konfigurasi penayangan default.

   4. Jika Anda perlu membuat panel tambahan, untuk setiap panel baru, klik Tambahkan panel dan masukkan detail panel baru.

6. Pilih tujuan bisnis, jika tersedia untuk jenis model yang Anda pilih.

7. Jika Anda memilih jenis model Sering Dibeli Bersama, pilih Jenis produk konteks:

   • Beberapa produk konteks: Gunakan satu atau beberapa item sebagai konteks untuk rekomendasi dari model ini.
   • Produk konteks tunggal: Gunakan satu item sebagai konteks untuk rekomendasi dari model ini.

8. Tinjau daftar Persyaratan data terpenuhi? untuk mengonfirmasi bahwa Anda telah mengupload data yang memadai untuk jenis model yang dipilih.

   Jika persyaratan data yang tidak terpenuhi mencegah Anda membuat model, ikon X akan muncul di samping persyaratan dan tombol Buat di bagian bawah panel Buat model rekomendasi akan dinonaktifkan.

   Jika Anda perlu mengupload lebih banyak data, tinjau dengan cermat persyaratan data yang tercantum untuk memastikan apakah sebagian atau semuanya perlu dipenuhi untuk model tersebut, lalu impor peristiwa atau produk pengguna yang diperlukan untuk membuat model

   Untuk mengetahui cara mengimpor, lihat Mengimpor peristiwa pengguna historis dan Mengimpor informasi katalog.

9. Pilih seberapa sering model akan disetel. Untuk mengetahui detail biaya penyesuaian, lihat Harga.

   • Setiap tiga bulan: Model akan otomatis menyesuaikan setiap tiga bulan.
   • Khusus tuning manual: Model hanya disesuaikan saat Anda menyesuaikannya secara manual.

10. (Fitur Pratinjau Publik) Pilih apakah akan otomatis membuat tag untuk pemfilteran.

    • Buat tag secara otomatis: Dengan mengaktifkan opsi ini, Anda dapat memfilter hasil rekomendasi dari model ini. Mengaktifkan opsi ini dapat meningkatkan waktu pelatihan. Untuk mengetahui detail biaya pelatihan, lihat Harga.
    • Jangan buat tag: Jika opsi ini dinonaktifkan, Anda tidak akan mendapatkan rekomendasi yang difilter dari model ini.

11. Klik Create untuk membuat model rekomendasi baru.

    Jika Anda telah mengupload data peristiwa pengguna yang memadai dari jenis yang diperlukan, pelatihan dan penyesuaian model awal akan dimulai. Pelatihan dan penyesuaian model awal memerlukan waktu 2-5 hari untuk diselesaikan, tetapi dapat memerlukan waktu yang lebih lama untuk set data besar.

    Anda dapat membuat konfigurasi penayangan untuk model baru sebelum pelatihan selesai, tetapi konfigurasi tersebut hanya akan menayangkan prediksi"uji coba" hingga pelatihan dan penyesuaian awal selesai dan model menjadi aktif.

curl

Buat permintaan Models.create ke v2 API dengan instance Model dalam isi permintaan. Lihat referensi API Models.create.

Untuk mengetahui detail tentang semua kolom Models, lihat referensi API Models.

curl -X POST \
    -H "Authorization: Bearer $(gcloud auth application-default print-access-token)" \
    -H "Content-Type: application/json; charset=utf-8" \
    --data '{
            "name": "FULL_MODEL_NAME",
            "displayName": "DISPLAY_NAME",
            "trainingState": "TRAINING_STATE",
            "type": "MODEL_TYPE",
            "optimizationObjective": "OPTIMIZATION_OBJECTIVE",
            "periodicTuningState": "TUNING_STATE",
            "filteringOption": "FILTERING_STATE",
            "modelTypeConfig" {
              "contextProductsType": "CONTEXT_PRODUCTS_TYPE"
            }
          }' \
  "https://retail.googleapis.com/v2beta/projects/PROJECT_NUMBER/locations/global/catalogs/default_catalog/models"

Jika Anda telah mengupload data peristiwa pengguna yang memadai dari jenis yang diperlukan, pelatihan dan penyesuaian model awal akan dimulai. Pelatihan dan penyesuaian model awal memerlukan waktu 2-5 hari untuk diselesaikan, tetapi dapat memerlukan waktu yang lebih lama untuk set data besar.

Anda dapat membuat konfigurasi penayangan untuk model baru sebelum pelatihan selesai, tetapi konfigurasi tersebut hanya akan menayangkan prediksi"uji coba" hingga pelatihan dan penyesuaian awal selesai dan model menjadi aktif.

Persyaratan untuk membuat model rekomendasi baru

Saat pertama kali menggunakan jenis rekomendasi tertentu untuk situs, Anda akan melatih model machine learning baru, yang memerlukan data pelatihan yang memadai, serta waktu untuk melatih dan menyesuaikan model. Langkah-langkah berikut diperlukan untuk mulai menggunakan jenis rekomendasi baru:

1. Impor katalog Anda ke Vertex AI Search untuk retail, jika Anda belum melakukannya, dan terapkan proses untuk terus memperbarui katalog yang diupload.
2. Mulai rekam peristiwa pengguna ke Vertex AI Search untuk retail, jika Anda belum melakukannya, pastikan untuk mengikuti praktik terbaik untuk merekam data peristiwa pengguna.
3. Identifikasi jenis rekomendasi dan tujuan pengoptimalan yang ingin Anda gunakan.
4. Tentukan persyaratan data peristiwa pengguna untuk jenis rekomendasi dan tujuan yang Anda inginkan.
5. Impor data peristiwa pengguna historis untuk memenuhi persyaratan data peristiwa minimum, atau tunggu hingga pengumpulan data peristiwa pengguna memenuhi persyaratan minimum.

6. Buat model dan konfigurasi penayangan.

   Pada tahap ini, Vertex AI Search untuk retail akan memulai pelatihan dan penyesuaian model. Pelatihan dan penyesuaian model awal memerlukan waktu 2-5 hari untuk diselesaikan, tetapi dapat memerlukan waktu yang lebih lama untuk set data besar.

7. Pastikan model Anda berfungsi dengan benar menggunakan pratinjau prediksi.

8. Buat eksperimen A/B.

Persyaratan data minimum jenis model

Jenis peristiwa pengguna yang Anda impor, dan jumlah data yang Anda butuhkan, bergantung pada jenis rekomendasi (model) dan tujuan pengoptimalan Anda. Jika mencapai persyaratan data minimum, Anda dapat memulai pelatihan model.

Periode pengumpulan data mewakili periode untuk peristiwa pengguna; mengimpor lebih banyak data historis tidak akan memengaruhi kualitas model.

Pastikan untuk menggunakan peristiwa pengguna dan data katalog yang sebenarnya. Model berkualitas baik tidak dapat dibuat berdasarkan data sintetis.

Jenis model	Tujuan pengoptimalan	Jenis peristiwa pengguna yang didukung	Persyaratan data minimum	Periode pengumpulan data
Direkomendasikan untuk Anda	Rasio klik-tayang	detail-page-view home-page-view	7 hari peristiwa detail-page-view dalam 90 hari terakhir DAN rata-rata 10 kemunculan per item katalog (dengan periode 90 hari) dari peristiwa detail-page-view ATAU 60 hari peristiwa detail-page-view dalam 90 hari terakhir 100 item katalog unik untuk peristiwa detail-page-view dalam 90 hari terakhir 10.000 peristiwa detail-page-view dalam 90 hari terakhir DAN 7 hari peristiwa home-page-view dalam 90 hari terakhir 10.000 peristiwa home-page-view dalam 90 hari terakhir	3 bulan
Direkomendasikan untuk Anda	Rasio konversi	add-to-cart detail-page-view home-page-view	7 hari peristiwa add-to-cart dalam 90 hari terakhir DAN 10 kemunculan per item katalog rata-rata (dengan periode 90 hari) dari peristiwa add-to-cart ATAU 60 hari peristiwa add-to-cart dalam 90 hari terakhir 100 item katalog unik untuk peristiwa add-to-cart dalam 90 hari terakhir 10.000 peristiwa add-to-cart dalam 90 hari terakhir DAN 7 hari peristiwa detail-page-view dalam 90 hari terakhir DAN rata-rata 10 kemunculan per item katalog (dengan periode 90 hari) dari peristiwa detail-page-view ATAU 60 hari peristiwa detail-page-view dalam 90 hari terakhir 100 item katalog unik untuk peristiwa detail-page-view dalam 90 hari terakhir 10.000 peristiwa detail-page-view dalam 90 hari terakhir DAN 7 hari peristiwa home-page-view dalam 90 hari terakhir 10.000 peristiwa home-page-view dalam 90 hari terakhir	3 bulan
Direkomendasikan untuk Anda	Pendapatan per sesi	add-to-cart detail-page-view home-page-view	7 hari peristiwa add-to-cart dalam 90 hari terakhir DAN rata-rata 10 kemunculan per item katalog (dengan periode 90 hari) dari peristiwa add-to-cart ATAU 60 hari peristiwa add-to-cart dalam 90 hari terakhir 100 item katalog unik untuk peristiwa add-to-cart dalam 90 hari terakhir 10.000 peristiwa add-to-cart dalam 90 hari terakhir DAN 7 hari peristiwa home-page-view dalam 90 hari terakhir 10.000 peristiwa home-page-view dalam 90 hari terakhir	3 bulan
Lainnya yang Mungkin Anda Sukai	Rasio klik-tayang	detail-page-view	7 hari peristiwa detail-page-view dalam 90 hari terakhir DAN rata-rata 10 kemunculan per item katalog (dengan periode 90 hari) dari peristiwa detail-page-view ATAU 60 hari peristiwa detail-page-view dalam 90 hari terakhir 100 item katalog unik untuk peristiwa detail-page-view dalam 90 hari terakhir 10.000 peristiwa detail-page-view dalam 90 hari terakhir	3 bulan
Lainnya yang Mungkin Anda Sukai	Rasio konversi	add-to-cart detail-page-view	7 hari peristiwa add-to-cart dalam 90 hari terakhir DAN rata-rata 10 kemunculan per item katalog (dengan periode 90 hari) dari peristiwa add-to-cart ATAU 60 hari peristiwa add-to-cart dalam 90 hari terakhir 100 item katalog unik untuk peristiwa add-to-cart dalam 90 hari terakhir 10.000 peristiwa add-to-cart dalam 90 hari terakhir DAN 7 hari peristiwa detail-page-view dalam 90 hari terakhir DAN rata-rata 10 kemunculan per item katalog (dengan periode 90 hari) dari peristiwa detail-page-view ATAU 60 hari peristiwa detail-page-view dalam 90 hari terakhir 100 item katalog unik untuk peristiwa detail-page-view dalam 90 hari terakhir 10.000 peristiwa detail-page-view dalam 90 hari terakhir	3 bulan
Lainnya yang Mungkin Anda Sukai	Pendapatan per sesi	add-to-cart detail-page-view	7 hari peristiwa add-to-cart dalam 90 hari terakhir DAN rata-rata 10 kemunculan per item katalog (dengan periode 90 hari) dari peristiwa add-to-cart ATAU 60 hari peristiwa add-to-cart dalam 90 hari terakhir 100 item katalog unik untuk peristiwa add-to-cart dalam 90 hari terakhir 10.000 peristiwa add-to-cart dalam 90 hari terakhir DAN 7 hari peristiwa detail-page-view dalam 90 hari terakhir DAN rata-rata 10 kemunculan per item katalog (dengan periode 90 hari) dari peristiwa detail-page-view ATAU 60 hari peristiwa detail-page-view dalam 90 hari terakhir 100 item katalog unik untuk peristiwa detail-page-view dalam 90 hari terakhir 10.000 peristiwa detail-page-view dalam 90 hari terakhir	3 bulan
Sering Dibeli Bersama	Pendapatan per sesi	purchase-complete	Rata-rata 10 kemunculan per item katalog (dengan periode 1 tahun untuk peristiwa purchase-complete) ATAU 90 hari peristiwa purchase-complete dalam 1 tahun terakhir 100 item katalog unik untuk peristiwa purchase-complete dalam 1 tahun terakhir 1.000 peristiwa purchase-complete dalam 1 tahun terakhir	3 bulan Sebaiknya upload peristiwa minimal setiap hari untuk mempertahankan kualitas data yang baik. Selama impor peristiwa historis, pastikan distribusi data condong ke stempel waktu terbaru. Jumlah peristiwa pada hari stempel waktu terakhir harus sama dengan atau lebih dari jumlah peristiwa harian rata-rata.
Diskon	Rasio klik-tayang	detail-page-view home-page-view	7 hari peristiwa detail-page-view dalam 90 hari terakhir DAN rata-rata 10 kemunculan per item katalog (dengan periode 90 hari) dari peristiwa detail-page-view ATAU 60 hari peristiwa detail-page-view dalam 90 hari terakhir 100 item katalog unik untuk peristiwa detail-page-view dalam 90 hari terakhir 10.000 peristiwa detail-page-view dalam 90 hari terakhir DAN 7 hari peristiwa home-page-view dalam 90 hari terakhir 10.000 peristiwa home-page-view dalam 90 hari terakhir	3 bulan
Diskon	Rasio konversi	add-to-cart detail-page-view home-page-view	7 hari peristiwa add-to-cart dalam 90 hari terakhir DAN rata-rata 10 kemunculan per item katalog (dengan periode 90 hari) dari peristiwa add-to-cart ATAU 60 hari peristiwa add-to-cart dalam 90 hari terakhir 100 item katalog unik untuk peristiwa add-to-cart dalam 90 hari terakhir 10.000 peristiwa add-to-cart dalam 90 hari terakhir DAN 7 hari peristiwa detail-page-view dalam 90 hari terakhir DAN rata-rata 10 kemunculan per item katalog (dengan periode 90 hari) dari peristiwa detail-page-view ATAU 60 hari peristiwa detail-page-view dalam 90 hari terakhir 100 item katalog unik untuk peristiwa detail-page-view dalam 90 hari terakhir 10.000 peristiwa detail-page-view dalam 90 hari terakhir DAN 7 hari peristiwa home-page-view dalam 90 hari terakhir 10.000 peristiwa home-page-view dalam 90 hari terakhir	3 bulan
Item Serupa	T/A	Tidak memerlukan tindakan apa pun.	100 SKU produk harus ada di beberapa cabang	T/A
Pengoptimalan Tingkat Halaman	Semua	detail-page-view add-to-cart purchase-complete home-page-view	Pengoptimalan Tingkat Halaman mengoptimalkan panel rekomendasi dengan memilih antara beberapa kemungkinan model. Lihat persyaratan data untuk model yang Anda pilih sebagai opsi untuk Pengoptimalan Tingkat Halaman.	T/A
Beli Lagi	T/A	purchase-complete	Rata-rata 10 kemunculan per item katalog (dengan periode 90 hari untuk peristiwa purchase-complete) ATAU 60 hari peristiwa purchase-complete dalam 90 hari terakhir 100 item katalog unik untuk peristiwa purchase-complete dalam 90 hari terakhir 1.000 peristiwa purchase-complete dalam 90 hari terakhir 100 SKU produk harus ada di beberapa cabang	T/A Sebaiknya upload peristiwa minimal setiap hari untuk mempertahankan kualitas data yang baik. Selama impor peristiwa historis, pastikan distribusi data condong ke stempel waktu terbaru. Jumlah peristiwa pada hari stempel waktu terakhir harus sama dengan atau lebih dari jumlah peristiwa harian rata-rata.

Langkah selanjutnya

• Buat konfigurasi inferensi untuk model Anda.
• Pelajari cara menjeda dan melanjutkan pelatihan untuk model Anda.
• Setelah model selesai dilatih, mulai minta rekomendasi.