Si bien los resultados de la predicción de la API de venta minorista se usan con mayor frecuencia en las ubicaciones de sitios web de venta minorista, también puedes usar recomendaciones en mensajes de correo electrónico. Por lo general, las recomendaciones incluidas en los correos electrónicos se incluyen como parte de los correos electrónicos de campaña de marketing, los correos electrónicos después de los pedidos o los correos electrónicos de carrito abandonado.
Cómo elegir un tipo de modelo
El modelo Recomendado para ti puede ser útil a fin de enviar correos electrónicos porque está diseñado para entregar recomendaciones en casos de uso en los que un usuario no indicó interés en un elemento específico. Funciona mejor con los usuarios que accedieron y que tienen historial de navegación o de compras.
El modelo “Otras opciones que podrían gustarte” se usa, por lo general, como una ubicación de la página de detalles del producto en lugar de en las campañas por correo electrónico. Sin embargo, puedes usarlo para enviar correos electrónicos a fin de recomendar elementos similares o complementarios a lo que un cliente vio recientemente.
El modelo de Con frecuencia se compran juntos se suele usar en las páginas “Agregar al carrito” o “Carrito de compras”, pero también se puede usar para el correo electrónico.
Requisitos de las solicitudes
Para obtener recomendaciones relevantes, el campo userId debe coincidir con el ID de usuario asociado con un usuario que accedió a tu sitio web o app.
Lo ideal es que el campo visitorId coincida con el ID de la última sesión del usuario del sitio. Debido a que el ID de la última sesión no siempre se registra, se puede enviar un identificador único aleatorio como el campo visitorId.
Los modelos Con frecuencia se compran juntos y Otras opciones que podrían gustarte también requieren ID de productos en la sección productDetails de la llamada de predicción. Para los modelos Con frecuencia se compran juntos, los ID pueden ser elementos de la compra más reciente de un usuario.
Incluye predicciones dinámicas en el correo electrónico
Puedes enviar predicciones estáticas si insertas datos en una plantilla de correo electrónico.
Se puede llamar al método predict en tiempo real a medida que se envían los correos electrónicos, o bien las recomendaciones se pueden recuperar y guardar de manera individual como parte de una plantilla de correo electrónico o en una base de datos a fin de hacer referencia a ellas más adelante. Para tener las recomendaciones más actualizadas, llama al método predict lo más cerca posible del momento en que se envía el correo electrónico.
Llama al método predict para el correo electrónico
El método predict de venta minorista toma algunos campos como entrada y muestra una lista de recomendaciones de productos. visitorId, userId y id se usan como entrada para la mayoría de los modelos de Recomendaciones IA.
Cada solicitud de predicción para un usuario debe realizarse de forma individual, mediante código o secuencias de comandos de shell.
A continuación, se muestra un seudocódigo que se usa en una solicitud de predicción:
for user in userlist:
emailTemplate.recommendations = predict(user.visitorid,user.userid,user.lastorder.id,...)
...
format email template as required
Incluye predicciones dinámicas en el correo electrónico
Aunque las predicciones estáticas son fáciles de implementar, pueden quedar desactualizadas más rápido que las dinámicas. Es posible que un usuario no abra el correo electrónico durante algún tiempo y que haya mejores recomendaciones disponibles en ese momento. Los sistemas de correo electrónico masivo más sofisticados pueden agregar contenido dinámico mediante la inclusión de una referencia a una imagen en un correo electrónico HTML.
El siguiente es un HTML de ejemplo para una imagen que incluye una referencia de posición:
<img src="https://example.com/recs/email?userid=47832&campaign=2020FALL&placement=fbt>
Puedes recuperar las recomendaciones con una función de Google Cloud Functions o con cualquier app del servidor que pueda realizar la solicitud de predicción. Los resultados de la predicción deben convertirse en una imagen. Esto se puede hacer con una biblioteca, como ImageMagick.
Las predicciones solo se realizan para correos electrónicos abiertos y vistos. También puedes almacenar los resultados en caché en lugar de crear una imagen nueva si el usuario vuelve a abrir el correo electrónico. Esto reduce el costo de usar Recomendaciones IA para los correos electrónicos.
Debido a que el destino del vínculo suele estar hard-coded en el correo electrónico, no sabes necesariamente qué productos se mostrarán. El redireccionamiento de clics a páginas de productos individuales requiere una configuración adicional. Por lo general, usarás una sola imagen para todas las recomendaciones. Por lo tanto, usar un mapa de imágenes puede ayudarte a determinar en qué producto se hizo clic.
Cuotas
Si planeas ejecutar un gran lote de solicitudes de predicción durante un período corto, debes verificar tus cuotas. En la página Cuotas del proyecto, marca Solicitudes de predicción de recomendaciones por proyecto y por minuto. Para solicitar un aumento, haz clic en Editar cuotas en la página de detalles de la cuota.
Recomendamos implementar la retirada exponencial para reintentar las solicitudes después de una demora. El servicio muestra respuestas de HTTP 429 si se excede la cuota.
Evaluación de los resultados
El etiquetado de URL te permite hacer un seguimiento y evaluar la eficacia de las campañas. Puedes usar Google Analytics o cualquier otra plataforma de estadísticas para agregar parámetros de seguimiento a vínculos en correos electrónicos e incluir esos datos en los informes. Etiqueta los clics de recomendación de los correos electrónicos para filtrarlos a fin de que puedas evaluar las métricas.
Si realizas pruebas A/B con varias recomendaciones, te recomendamos hacerlo en una sola campaña. Aún se aplican todos los lineamientos estándar para las pruebas A/B de los sitios web.
¿Qué sigue?
- Crea una configuración de entrega para tu modelo.
- Aprende a detener y reanudar el entrenamiento para tu modelo.
- Cuando el modelo termine el entrenamiento, comienza a solicitar recomendaciones.
- Usa los experimentos A/B para comprender cómo la API de venta minorista afecta a tu empresa.