Dies ist die Dokumentation für Recommendations AI, Retail Search und die neue Retail Console. Wenn Sie Retail Search in der eingeschränkten GA-Phase nutzen möchten, wenden Sie sich an den Cloud-Vertrieb.

Wenn Sie Recommendations AI nur verwenden, bleiben Sie in der Recommendations-Konsole und sehen Sie sich die Dokumentation zu Recommendations AI an.

Empfehlungen in E-Mails verwenden

Vorhersageergebnisse der Retail API werden am häufigsten in Platzierungen von Websites für den Einzelhandel verwendet. Sie können aber auch Empfehlungen in E-Mails verwenden. Empfehlungen in E-Mails sind in der Regel Teil von Werbekampagnen-E-Mails, E-Mails nach der Bestellung oder von E-Mails über abgebrochene Bestellvorgänge.

Einen Modelltyp wählen

Das Modell „Empfehlungen für Sie“ kann für E-Mails ein nützliches Modell sein, da es darauf ausgelegt ist, Empfehlungen in Anwendungsfällen zu geben, in denen ein Nutzer kein Interesse an einem bestimmten Element angegeben hat. Es funktioniert am besten mit angemeldeten Nutzern mit Browser- oder Einkaufsverlauf.

Das Modell "Was Ihnen sonst noch gefallen könnte" wird normalerweise als Placement von Produktdetails und nicht für E-Mail-Kampagnen verwendet. Sie können es jedoch für E-Mails verwenden, um ähnliche oder ergänzende Artikel zu empfehlen, die sich ein Kunde kürzlich angesehen hat.

Das Modell „Häufig zusammen gekaufte Artikel“ wird normalerweise auf der Seite „Zum Einkaufswagen hinzufügen“ oder auf der Seite „Warenkorb“ verwendet. Es kann aber auch für E-Mails verwendet werden.

Anfrageanforderungen

Damit Sie relevante Empfehlungen erhalten, muss das Feld userId mit der Nutzer-ID übereinstimmen, die einem angemeldeten Nutzer auf Ihrer Website oder in Ihrer Anwendung zugeordnet ist.

Idealerweise sollte das Feld visitorId der letzten Sitzungs-ID des Nutzers von der Website entsprechen. Da die letzte Sitzungs-ID nicht immer aufgezeichnet wird, kann auch eine zufällige eindeutige Kennzeichnung als Feld visitorId gesendet werden.

Die Modelle „Häufig zusammen gekaufte Artikel“ und „Was Ihnen sonst noch gefallen könnte“ benötigen auch Produkt-IDs im Abschnitt productDetails des Vorhersageaufrufs. Beim Modell „Häufig zusammen gekaufte Artikel“ können die IDs Artikel aus dem letzten Kauf eines Nutzers sein.

Statische Vorhersagen in E-Mails einschließen

Sie können statische Vorhersagen senden, indem Sie Daten in eine E-Mail-Vorlage einfügen.

Die Methode predict kann in Echtzeit aufgerufen werden, wenn E-Mails verschickt werden, oder die Empfehlungen können einzeln abgerufen und entweder als Teil einer E-Mail-Vorlage oder in einer Datenbank gespeichert werden, um später darauf zuzugreifen. Um aktuelle Empfehlungen zu erhalten, rufen Sie die Methode predict sobald wie möglich nach dem Senden der E-Mail auf.

Die Methode predict für E-Mails aufrufen

Die Methode predict von Retail verwendet einige Felder als Eingabe und gibt eine Liste von Produktempfehlungen zurück. visitorId, userId und id werden als Eingabe für die meisten Recommendations AI-Modelle verwendet.

Jede Vorhersageanfrage für einen Nutzer muss einzeln mithilfe von Code oder Shell-Skripts gestellt werden.

Der folgende Pseudocode ist eine Vorhersageanfrage:

for user in userlist:
  emailTemplate.recommendations = predict(user.visitorid,user.userid,user.lastorder.id,...)
...
format email template as required

Dynamische Vorhersagen in E-Mails einschließen

Obwohl statische Vorhersagen einfach zu implementieren sind, können sie schneller veraltet sein als dynamische Vorhersagen. Ein Nutzer öffnet die E-Mail möglicherweise erst eine Zeit lang nicht. In diesem Fall sind möglicherweise bessere Empfehlungen verfügbar. Anspruchsvollere Bulk-E-Mail-Systeme können dynamischen Inhalt hinzufügen, indem sie einen Verweis auf ein Bild in einer HTML-E-Mail einfügen.

Im Folgenden finden Sie ein HTML-Beispiel für ein Bild, das eine Placement-Referenz enthält:

<img src="https://example.com/recs/email?userid=47832&campaign=2020FALL&placement=fbt>

Das Abrufen der Empfehlungen kann mit einer Google Cloud Functions-Funktion oder einer beliebigen serverseitigen Anwendung erfolgen, die die Vorhersageanfrage stellen kann. Die Vorhersageergebnisse müssen dann in ein Bild umgewandelt werden. Dies kann mit einer Bibliothek wie ImageMagick erfolgen.

Vorhersagen werden nur für geöffnete, angezeigte E-Mails erstellt. Die Ergebnisse können auch im Cache gespeichert werden, anstatt ein neues Image zu erstellen, wenn der Nutzer die E-Mail noch einmal öffnet. Dadurch senken Sie die Kosten für die Verwendung von Recommendations AI für E-Mails.

Da das Linkziel in der Regel hartcodiert ist, wissen Sie nicht unbedingt, welche Produkte angezeigt werden. Für die Weiterleitung von Klicks auf einzelne Produktseiten ist eine zusätzliche Konfiguration erforderlich. In der Regel verwenden Sie für alle Empfehlungen ein einziges Bild. Mit einer Bildzuordnung können Sie also feststellen, auf welches Produkt geklickt wurde.

Kontingente

Wenn Sie einen großen Batch von Vorhersageanfragen über einen kurzen Zeitraum ausführen möchten, sollten Sie Ihre Kontingente prüfen. Aktivieren Sie auf der Seite Kontingente Ihres Projekts die Option Anfragen für Empfehlungsvorhersagen pro Projekt und Minute. Zum Anfordern einer Erhöhung klicken Sie auf der Detailseite des Kontingents auf Kontingente bearbeiten.

Wir empfehlen die Implementierung des exponentiellen Backoffs, um Anfragen nach einer Verzögerung zu wiederholen. Der Dienst gibt HTTP 429-Antworten zurück, wenn das Kontingent überschritten wird.

Ergebnisse auswerten

Mit der URL-Tag-Kennzeichnung können Sie die Effektivität von Kampagnen verfolgen und bewerten. Sie können Google Analytics oder eine andere Analyseplattform verwenden, um Tracking-Parameter zu Links in E-Mails hinzuzufügen und diese Daten in Berichte aufzunehmen. Kennzeichnen Sie Empfehlungsklicks aus E-Mails mit einem Tag zum Filtern, sodass Sie Messwerte auswerten können.

Wenn Sie A/B-Tests für mehrere Empfehlungen durchführen, empfehlen wir dies innerhalb einer einzelnen Kampagne. Es gelten weiterhin alle standardmäßigen A/B-Testrichtlinien für Websites.

Nächste Schritte