Membuat model rekomendasi

Halaman ini menjelaskan cara membuat model rekomendasi baru.

Jika sudah memiliki model rekomendasi dengan jenis yang benar dan ingin mendapatkan prediksi dari model tersebut dari lokasi yang berbeda di situs, Anda dapat membuat konfigurasi penayangan baru untuk jenis tersebut, 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 rekomendasi tersebut dapat dilatih. Anda membuat konfigurasi inferensi untuk model baru, dan setelah model selesai dilatih, meminta prediksi dari konfigurasi inferensi tersebut.

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

Buat model rekomendasi

Tambahkan model rekomendasi baru dengan menggunakan Search for Retail console atau models.Create API method.

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

Anda dapat memulai hingga lima operasi model per menit. Operasi model terbatas meliputi 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 apa yang harus diberikan oleh model ini.
  • Tentukan seberapa sering tuning model. Untuk mengetahui detail biaya penyesuaian dan pelatihan, lihat Harga.
  • Pastikan Anda telah mengupload data yang cukup untuk memenuhi persyaratan pembuatan model baru. Beberapa persyaratan tergantung pada jenis model yang Anda pilih.

  • Jika Anda berencana untuk membuat model Pengoptimalan Tingkat Halaman:

    • Pastikan Anda sudah memiliki konfigurasi penayangan rekomendasi yang memiliki model terlatih yang dilampirkan. Anda harus menyediakan pilihan konfigurasi penayangan rekomendasi yang dapat dipilih oleh Pengoptimalan Tingkat Halaman saat mengoptimalkan rekomendasi halaman.

    • Siapkan pencatatan peristiwa untuk peristiwa dan peristiwa detail-page-view 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 pencatatan untuk peristiwa home-page-view). Untuk meningkatkan kualitas rekomendasi yang dipersonalisasi, rekaman peristiwa untuk peristiwa purchase dan add-to-cart juga direkomendasikan.

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

    • Pastikan setelah membuat model Pengoptimalan Tingkat Halaman, Anda terus mengkueri model untuk membuat tayangan rekomendasi. Tayangan ini digunakan untuk melatih model Pengoptimalan Tingkat Halaman dan meningkatkan rekomendasi yang ditayangkan.

Untuk membuat model baru:

Konsol Google Cloud

  1. Buka halaman Model di konsol Search for Retail.

    Buka halaman Model

  2. Klik Create model.

  3. Masukkan nama untuk model Anda.

    Nama harus terdiri dari maksimal 1.024 karakter, 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 jumlah yang ingin dibatasi penayangan konfigurasi penayangan yang serupa di seluruh panel:

      • 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 untuk ditampilkan di sejumlah panel.

    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 yang Sering Dibeli Bersama atau Orang Lain yang Mungkin Anda Sukai. Dalam hal ini, pilih konfigurasi penayangan yang menggunakan model Frequent Bought Together dan model lain yang menggunakan model Lainnya yang Mungkin Anda Sukai untuk pertimbangan di panel ini. Saat Anda melakukan panggilan prediksi ke model Pengoptimalan Tingkat Halaman, model tersebut akan memilih jenis rekomendasi yang akan 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 menampilkan hasil dari konfigurasi penayangan default.

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

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

  7. Jika Anda memilih jenis model Frequent Bought Together, 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 belum terpenuhi mencegah Anda membuat model, ikon X akan muncul di samping persyaratan dan tombol Create di bagian bawah panel Create recommendation model 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 pengguna atau produk yang diperlukan untuk membuat model tersebut

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

  9. Pilih seberapa sering Anda ingin men-tuning model. Untuk mengetahui detail biaya penyesuaian, lihat Harga.

    • Setiap tiga bulan: Model ini otomatis melakukan penyesuaian setiap tiga bulan.
    • Hanya penyesuaian manual: Model hanya akan disesuaikan jika Anda melakukan penyesuaian 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 memperpanjang waktu pelatihan. Untuk mengetahui detail biaya pelatihan, lihat Harga.
    • Jangan buat tag: Jika opsi ini dinonaktifkan, Anda tidak bisa mendapatkan rekomendasi yang difilter dari model ini.

  11. Klik Buat 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 dapat diselesaikan dalam waktu 2-5 hari, tetapi dapat memerlukan waktu lebih lama untuk set data besar.

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

curl

Buat permintaan Models.create ke v2beta API dengan instance Model dalam isi permintaan. Lihat referensi Models.create API.

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 dapat diselesaikan dalam waktu 2-5 hari, tetapi dapat memerlukan waktu lebih lama untuk set data besar.

Anda dapat membuat konfigurasi inferensi untuk model baru sebelum pelatihan selesai, tetapi konfigurasi tersebut hanya akan menayangkan prediksi"dry run" 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 melatih model machine learning baru yang memerlukan data pelatihan yang memadai, serta waktu untuk melatih dan menyesuaikan model tersebut. Langkah-langkah berikut diperlukan untuk mulai menggunakan jenis rekomendasi baru:

  1. Impor katalog Anda ke Vertex AI Search untuk retail, jika belum melakukannya, dan terapkan proses untuk terus memperbarui katalog yang diupload.
  2. Mulai merekam peristiwa pengguna ke Vertex AI Search untuk retail, jika 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 dan tujuan rekomendasi 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 Anda.

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

  7. Konfirmasikan bahwa model Anda berfungsi dengan benar menggunakan pratinjau prediksi.

  8. Buat eksperimen A/B.

Persyaratan data jenis model

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

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

Pastikan untuk menggunakan peristiwa pengguna nyata dan data katalog yang sebenarnya. Model berkualitas baik tidak dapat dibangun di atas data sintetis.

Jenis model Tujuan pengoptimalan Jenis peristiwa pengguna yang didukung Persyaratan data minimum Jendela pengumpulan data
Direkomendasikan untuk Anda Rasio klik-tayang detail-page-view

purchase-complete

home-page-view

10.000 peristiwa detail-page-view yang menyertakan minimal 100 ID pengunjung unik dan 100 produk unik yang digabungkan di cabang aktif.

Minimal 7 hari dari peristiwa home-page-view.

10.000 peristiwa home-page-view .

DAN

(1 minggu, dengan rata-rata 10 peristiwa detail-page-view per item katalog yang bergabung.

ATAU

60 hari dengan setidaknya satu acara yang bergabung dengan detail-page-view.)

3 bulan
Direkomendasikan untuk Anda Rasio konversi detail-page-view

add-to-cart

purchase-complete

home-page-view

10.000 peristiwa add-to-cart yang menyertakan minimal 100 ID pengunjung unik dan 100 produk unik yang digabungkan di cabang aktif.

10.000 peristiwa detail-page-view yang menyertakan minimal 100 ID pengunjung unik dan 100 produk unik yang digabungkan di cabang aktif.

Minimal 7 hari dari peristiwa home-page-view.

10.000 peristiwa home-page-view .

DAN

(1 minggu, dengan rata-rata 10 peristiwa add-to-cart dan detail-page-view peristiwa per item katalog yang bergabung.

ATAU

60 hari dengan minimal satu acara add-to-cart yang bergabung dan satu bergabung dengan detail-page-view per hari.)

3 bulan
Direkomendasikan untuk Anda Pendapatan per sesi detail-page-view

add-to-cart

purchase-complete

home-page-view

10.000 peristiwa add-to-cart yang menyertakan minimal 100 ID pengunjung unik dan 100 produk unik yang digabungkan di cabang aktif.

10.000 peristiwa detail-page-view yang menyertakan minimal 100 ID pengunjung unik dan 100 produk unik yang digabungkan di cabang aktif.

Minimal 7 hari dari peristiwa home-page-view.

10.000 peristiwa home-page-view .

DAN

(1 minggu, dengan rata-rata 10 peristiwa add-to-cart dan detail-page-view peristiwa per item katalog yang bergabung.

ATAU

60 hari dengan minimal satu acara add-to-cart yang bergabung dan satu bergabung dengan detail-page-view per hari.)

3 bulan
Orang Lain yang Mungkin Anda Sukai Rasio klik-tayang detail-page-view

10.000 peristiwa detail-page-view yang menyertakan minimal 100 ID pengunjung unik dan 100 produk unik yang digabungkan di cabang aktif.

DAN

(1 minggu, dengan rata-rata 10 peristiwa detail-page-view per produk yang digabungkan.

ATAU

60 hari dengan setidaknya satu acara yang bergabung dengan detail-page-view.)

3 bulan
Orang Lain yang Mungkin Anda Sukai Rasio konversi add-to-cart

detail-page-view

10.000 peristiwa add-to-cart yang menyertakan minimal 100 ID pengunjung unik dan 100 produk unik yang digabungkan di cabang aktif.

10.000 peristiwa detail-page-view.

DAN

(1 minggu, dengan rata-rata 10 peristiwa add-to-cart per produk yang digabungkan.

ATAU

60 hari dengan setidaknya satu acara yang bergabung dengan add-to-cart.)

3 bulan
Orang Lain yang Mungkin Anda Sukai Pendapatan per sesi add-to-cart

detail-page-view

10.000 peristiwa add-to-cart yang menyertakan minimal 100 ID pengunjung unik dan 100 produk unik yang digabungkan di cabang aktif.

10.000 peristiwa detail-page-view.

DAN

(1 minggu, dengan rata-rata 10 peristiwa add-to-cart per produk yang digabungkan.

ATAU

60 hari dengan setidaknya satu acara yang bergabung dengan add-to-cart.)

3 bulan
Sering Dibeli Bersama Any purchase-complete

detail-page-view

1.000 peristiwa purchase-complete yang menyertakan minimal 100 ID pengunjung unik.

DAN

(Rata-rata 10 peristiwa purchase-complete per produk yang digabungkan.

ATAU

90 hari peristiwa purchase-complete.)

12 bulan

Sebaiknya upload peristiwa setidaknya setiap hari untuk menjaga 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

add‑to‑cart

purchase-complete

home-page-view

shopping-cart-page-view

category-page-view

Cabang katalog aktif memiliki lebih dari 100 produk diskon (nilai priceInfo.price produk kurang dari nilai priceInfo.originalPrice).

10.000 peristiwa detail-page-view yang menyertakan minimal 100 ID pengunjung unik dan 100 produk unik yang digabungkan di cabang aktif.

Minimal 7 hari peristiwa home-page-view yang menyertakan minimal 100 ID pengunjung unik dan 100 produk unik yang digabungkan di cabang aktif.

10.000 peristiwa home-page-view.

(1 minggu, dengan rata-rata 10 peristiwa detail-page-view per item katalog yang bergabung.

ATAU

60 hari dengan setidaknya satu peristiwa detail-page-view yang bergabung per hari.)

3 bulan
Diskon Rasio konversi detail-page-view

add-to-cart

purchase-complete

home-page-view

category-page-view

shopping-cart-page-view

Cabang katalog aktif memiliki lebih dari 100 produk diskon (nilai priceInfo.price produk kurang dari nilai priceInfo.originalPrice).

10.000 peristiwa add-to-cart yang menyertakan minimal 100 ID pengunjung unik dan 100 produk unik yang digabungkan di cabang aktif.

10.000 peristiwa detail-page-view.

10.000 peristiwa home-page-view.

DAN

(1 minggu, dengan rata-rata 10 peristiwa add-to-cart dan detail-page-view peristiwa per item katalog yang bergabung.

ATAU

60 hari dengan minimal satu acara add-to-cart yang bergabung dan satu acara yang bergabung dengan detail-page-view per hari.)

3 bulan
Item Serupa Rasio klik-tayang Tidak memerlukan tindakan apa pun.

Setidaknya 100 SKU produk yang tersedia harus ada di cabang katalog aktif. Peristiwa pengguna tidak diperlukan.

T/A
Pengoptimalan Tingkat Halaman Any detail-page-view

add-to-cart

purchase-complete

home-page-view

Pengoptimalan Tingkat Halaman mengoptimalkan panel rekomendasi dengan memilih di 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

1.000 peristiwa purchase-complete yang menyertakan minimal 100 ID pengunjung unik dan 100 produk unik yang digabungkan di cabang aktif.

DAN

60 hari peristiwa purchase-complete.

DAN

Setidaknya 100 SKU produk yang tersedia harus ada di cabang katalog aktif.

90 hari

Sebaiknya upload peristiwa setidaknya setiap hari untuk menjaga 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