Bien que les résultats de prédiction de Vertex AI Search pour le commerce soient le plus souvent utilisés sur les sites Web de vente au détail, vous pouvez aussi utiliser les recommandations messages. Les recommandations par e-mail sont généralement incluses dans les campagnes d'envoi d'e-mails de marketing, les e-mails de suivi de commande ou les e-mails d'abandon du panier d'achat.
Choisir un type de modèle
Le modèle "Recommandations personnalisées" peut être utile pour les e-mails, car il est conçu pour fournir des recommandations lorsqu'un utilisateur n'a pas indiqué d'intérêt pour un élément spécifique. Il fonctionne mieux avec les utilisateurs connectés qui disposent d'un certain historique de navigation ou d'achat.
Le modèle "Others You May Like" (Autres que vous pourriez aimer) est généralement utilisé sur les pages d'informations détaillées sur les produits que pour les campagnes par e-mail. Cependant, vous pouvez l'utiliser pour envoyer des e-mails afin de recommander des articles semblables ou complémentaires à ceux qu'un client a récemment consultés.
Le modèle "Fréquemment achetés ensemble" est souvent utilisé sur la page "Ajouter au panier" ou sur la page "Panier d'achat", mais il peut également être utilisé pour les e-mails.
Le modèle Acheter à nouveau est conçu pour être utilisé sur la plupart des types de pages et peut également être utilisée pour les e-mails.
Exigences concernant les demandes
Pour récupérer des recommandations pertinentes, le champ userId doit correspondre à l'ID utilisateur associé à un utilisateur connecté sur votre site Web ou à votre application.
Dans l'idéal, le champ visitorId doit correspondre au dernier ID de session de l'utilisateur sur le site. Comme le dernier ID de session n'est pas toujours enregistré, un identifiant unique aléatoire peut également être envoyé en tant que champ visitorId.
Les modèles "Fréquemment achetés ensemble" et "Autres articles susceptibles de vous intéresser" peuvent également nécessiter des ID produit dans la section productDetails de l'appel de prédiction. Pour les modèles "Fréquemment achetés ensemble", les ID peuvent correspondre aux derniers achats en date d'un utilisateur.
Inclure des prédictions statiques dans des e-mails
Vous pouvez envoyer des prédictions statiques en insérant des données dans un modèle d'e-mail.
La méthode predict peut être appelée en temps réel à mesure que les e-mails sont distribués. Vous pouvez également récupérer les recommandations individuellement et les enregistrer dans un modèle d'e-mail ou dans une base de données en vue de les référencer ultérieurement. Pour obtenir les recommandations les plus récentes, appelez la méthode predict le plus tard possible avant l'envoi de l'e-mail.
Appelez la méthode predict pour les e-mails
La méthode predict de Vertex AI Search pour le commerce accepte certains champs :
et renvoie une liste de recommandations de produits. visitorId, userId et
Les id sont utilisés comme entrées pour la plupart des modèles de recommandations.
Chaque requête de prédiction d'un utilisateur doit être effectuée individuellement à l'aide de code ou de scripts d'interface système.
Voici un pseudo-code pour une requête de prédiction :
for user in userlist:
emailTemplate.recommendations = predict(user.visitorid,user.userid,user.lastorder.id,...)
...
format email template as required
Inclure des prédictions dynamiques dans des e-mails
Bien que les prédictions statiques soient simples à mettre en œuvre, elles peuvent devenir obsolètes plus rapidement que les prédictions dynamiques. Il est possible qu'un utilisateur n'ouvre pas l'e-mail pendant un certain temps et que de meilleures recommandations soient disponibles au moment de l'ouverture. Les systèmes de messagerie groupée plus sophistiqués permettent d'ajouter du contenu dynamique en incluant une référence à une image dans un e-mail HTML.
Voici un exemple de code HTML pour une image incluant une référence de configuration de diffusion :
<img src="https://example.com/recs/email?userid=47832&campaign=2020FALL&servingconfig=fbt>
Vous pouvez obtenir les recommandations à l'aide d'une fonction Cloud Run. n'importe quelle application côté serveur capable d'envoyer la requête de prédiction. Les résultats de prédiction doivent ensuite être convertis en une image. Pour ce faire, vous pouvez utiliser une bibliothèque comme ImageMagick.
Les prédictions ne sont effectuées que pour les e-mails ouverts et consultés. Vous pouvez également mettre en cache les résultats pour ne pas créer de nouvelle image si l'utilisateur ouvre à nouveau l'e-mail. Cela permet de réduire le coût d'utilisation des recommandations pour les e-mails.
La destination du lien étant généralement codée en dur dans l'e-mail, vous ne savez pas nécessairement quels produits seront affichés. La redirection des clics vers des pages produit individuelles nécessite une configuration supplémentaire. Vous utilisez généralement une seule image pour toutes les recommandations. Par conséquent, l'utilisation d'un mappage d'image peut vous aider à déterminer le produit sur lequel un utilisateur a cliqué.
Quotas
Si vous prévoyez d'exécuter un grand nombre de requêtes de prédiction sur une courte période, vérifiez vos quotas. Sur la page Quotas de votre projet, vérifiez les requêtes de prédiction de recommandations par projet et par minute. Vous pouvez demander une augmentation en cliquant sur Modifier les quotas sur la page des détails du quota.
Nous vous recommandons de mettre en œuvre un intervalle exponentiel entre les tentatives pour les nouvelles tentatives en cas de délai dépassé. Le service renvoie des réponses HTTP 429 en cas de dépassement du quota.
Évaluer les résultats
L'ajout de tags d'URL vous permet de suivre et d'évaluer l'efficacité des campagnes. Vous pouvez utiliser Google Analytics ou une autre plate-forme d'analyse pour ajouter des paramètres de suivi aux liens des e-mails et inclure ces données dans des rapports. Appliquez des tags aux clics sur des recommandations envoyées par e-mail afin de mieux pouvoir évaluer les métriques.
Si vous effectuez des tests A/B sur plusieurs recommandations, nous vous recommandons de le faire au sein d'une même campagne. Toutes les consignes relatives aux tests A/B pour des sites Web standard s'appliquent toujours.
Étape suivante
- Créez une configuration de diffusion pour votre modèle.
- Découvrez comment suspendre et reprendre l'entraînement de votre modèle.
- Une fois l'entraînement du modèle terminé, commencez à demander des recommandations.
- Utilisez les tests A/B pour comprendre l'impact de Vertex AI Search pour le commerce sur votre entreprise.