Aunque los resultados de predicción de Vertex AI Search para comercio se usan con mayor frecuencia en sitios web de tiendas, también puedes usar recomendaciones en mensajes de correo electrónico. Las recomendaciones por correo suelen incluirse en las campañas de marketing por correo, en los correos posteriores a la compra o en los correos de carritos abandonados.
Elige un tipo de modelo
El modelo Recomendaciones para ti puede ser útil para los correos, ya que se ha diseñado para ofrecer recomendaciones en casos prácticos en los que un usuario no ha mostrado interés en un artículo específico. Funciona mejor con los usuarios que han iniciado sesión y tienen historial de navegación o de compras.
El modelo Otros que te pueden gustar se suele usar en páginas de detalles de productos en lugar de en campañas de correo. Sin embargo, puedes usarla en correos para recomendar artículos similares o complementarios a los que haya visto un cliente recientemente.
El modelo Comprados juntos suele usarse en la página de añadir al carrito o en la página del carrito de la compra, pero también se puede usar en correos.
El modelo Comprar de nuevo se ha diseñado para usarlo en la mayoría de los tipos de páginas y también se puede usar en correos.
Requisitos de la solicitud
Para obtener recomendaciones relevantes, el campo userId debe coincidir con el ID de usuario asociado a un usuario que haya iniciado sesión en su sitio web o aplicación.
Lo ideal es que el campo visitorId coincida con el ID de la última sesión del usuario en el sitio. Como no siempre se registra el último ID de sesión, también se puede enviar un identificador único aleatorio como campo visitorId.
Los modelos Comprados con frecuencia y Otros que te pueden gustar también requieren IDs de producto en la sección productDetails de la llamada predict. En el caso de los modelos de productos comprados con frecuencia, los IDs pueden ser elementos de la compra más reciente de un usuario.
Incluir predicciones estáticas en el correo
Puede enviar predicciones estáticas insertando datos en una plantilla de correo.
Se puede llamar al método predict en tiempo real a medida que se envían los correos o se pueden recuperar las recomendaciones de forma individual y guardarlas como parte de una plantilla de correo o en una base de datos para consultarlas más adelante. Para obtener las recomendaciones más actualizadas, llama al método predict lo más cerca posible del momento en que se envía el correo.
Llama al método predict para enviar un correo
El método predict de Vertex AI Search para el sector del comercio toma algunos campos como entrada y devuelve una lista de recomendaciones de productos. visitorId, userId y id se usan como entrada para la mayoría de los modelos de recomendaciones.
Cada solicitud de predicción de un usuario debe hacerse individualmente mediante código o secuencias de comandos shell.
A continuación, se muestra el pseudocódigo de una solicitud de predicción:
for user in userlist:
emailTemplate.recommendations = predict(user.visitorid,user.userid,user.lastorder.id,...)
...
format email template as required
Incluir predicciones dinámicas en correos
Aunque las predicciones estáticas se pueden implementar rápidamente, pueden quedar obsoletas antes que las dinámicas. Es posible que un usuario tarde un tiempo en abrir el correo y que, para entonces, haya mejores recomendaciones disponibles. Los sistemas de correo masivo más sofisticados pueden añadir contenido dinámico incluyendo una referencia a una imagen en un correo HTML.
A continuación, se muestra un ejemplo de HTML de una imagen que incluye una referencia de configuración de publicación:
<img src="https://example.com/recs/email?userid=47832&campaign=2020FALL&servingconfig=fbt>
Para obtener las recomendaciones, puedes usar una función de Cloud Run o cualquier aplicación del lado del servidor que pueda hacer la solicitud de predicción. Los resultados de la predicción deben convertirse en una imagen. Para ello, puedes usar una biblioteca como ImageMagick.
Las predicciones solo se hacen para los correos abiertos y vistos. También puedes almacenar en caché los resultados en lugar de crear una imagen nueva si el usuario vuelve a abrir el correo. De esta forma, se reduce el coste de usar recomendaciones para correos.
Como el destino del enlace suele estar codificado en el correo, no sabes con certeza qué productos se mostrarán. Para redirigir los clics a páginas de producto concretas, se necesita una configuración adicional. Normalmente, se usa una sola imagen para todas las recomendaciones, por lo que usar un mapa de imagen puede ayudarte a determinar en qué producto se ha hecho clic.
Cuotas
Si tienes previsto enviar un gran número de solicitudes de predicción en un breve periodo de tiempo, debes comprobar tus cuotas. En la página Cuotas de tu proyecto, consulta Solicitudes de predicción de recomendaciones por proyecto y minuto. Para solicitar un aumento, haz clic en Editar cuotas en la página de detalles de la cuota.
Te recomendamos que implementes un tiempo de espera exponencial para volver a intentar las solicitudes después de un retraso. El servicio devuelve respuestas HTTP 429 si se supera la cuota.
Evaluar los resultados
El etiquetado de URLs le permite hacer un seguimiento de la eficacia de las campañas y evaluarla. Puede usar Google Analytics u otra plataforma de analíticas para añadir parámetros de seguimiento a los enlaces de los correos e incluir esos datos en los informes. Etiqueta los clics de las recomendaciones de los correos para filtrarlos y poder evaluar las métricas.
Si haces pruebas A/B de varias recomendaciones, te recomendamos que lo hagas en una sola campaña. Se siguen aplicando todas las directrices estándar de las pruebas A/B para sitios web.
Siguientes pasos
- Crea una configuración de servicio para tu modelo.
- Consulta cómo pausar y reanudar el entrenamiento de tu modelo.
- Cuando el modelo termine de entrenarse, empieza a solicitar recomendaciones.
- Usa experimentos A/B para saber cómo influye Vertex AI Search para el sector del comercio en tu empresa.