Menggunakan rekomendasi dalam email

Meskipun hasil prediksi dari Vertex AI Search untuk retail paling umum digunakan di situs retail, Anda juga dapat menggunakan rekomendasi dalam pesan email. Rekomendasi dalam email biasanya disertakan sebagai bagian dari pengiriman email kampanye pemasaran, email setelah pemesanan, atau email keranjang yang ditinggalkan.

Pilih jenis model

Model yang Direkomendasikan untuk Anda dapat menjadi model yang berguna untuk email karena dirancang untuk memberikan rekomendasi dalam kasus penggunaan saat pengguna belum menunjukkan minat pada item tertentu. Fitur ini berfungsi paling optimal dengan pengguna yang login yang memiliki histori penjelajahan atau belanja.

Model Lainnya yang Mungkin Anda Sukai biasanya digunakan di halaman detail produk, bukan untuk kampanye email. Namun, Anda dapat menggunakannya untuk email guna merekomendasikan item serupa atau saling melengkapi dengan item yang baru-baru ini dilihat pelanggan.

Model Sering Dibeli Bersama biasanya digunakan di halaman "tambahkan ke keranjang" atau halaman "keranjang belanja", tetapi juga dapat digunakan untuk email.

Model Beli Lagi dirancang untuk digunakan di sebagian besar jenis halaman dan juga dapat digunakan untuk email.

Persyaratan permintaan

Untuk mendapatkan kembali rekomendasi yang relevan, kolom userId harus cocok dengan User-ID yang terkait dengan pengguna yang login di situs atau aplikasi Anda.

Idealnya, kolom visitorId harus cocok dengan ID sesi terakhir pengguna dari situs. Karena ID sesi terakhir tidak selalu dicatat, ID unik acak juga dapat dikirim sebagai kolom visitorId.

Model yang Sering Dibeli Bersama dan Lainnya yang Mungkin Anda Sukai juga memerlukan ID produk di bagian productDetails pada panggilan prediksi. Untuk model Sering Dibeli Bersama, ID dapat berupa item dari pembelian terbaru pengguna.

Menyertakan prediksi statis dalam email

Anda dapat mengirim prediksi statis dengan menyisipkan data ke dalam template email.

Metode predict dapat dipanggil secara real time saat email dikirimkan, atau rekomendasi dapat diambil satu per satu dan disimpan sebagai bagian dari template email atau dalam database untuk direferensikan nanti. Untuk mendapatkan rekomendasi terbaru, panggil metode predict sedekat mungkin dengan waktu email dikirim.

Panggil metode predict untuk email

Metode predict Vertex AI Search untuk retail menggunakan beberapa kolom sebagai input dan menampilkan daftar rekomendasi produk. visitorId, userId, dan id digunakan sebagai input untuk sebagian besar model rekomendasi.

Setiap permintaan prediksi untuk pengguna harus dibuat satu per satu, menggunakan kode atau skrip shell.

Berikut adalah kode semu untuk permintaan prediksi:

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

Sertakan prediksi dinamis dalam email

Meskipun prediksi statis mudah diimplementasikan, prediksi ini dapat menjadi lebih cepat usang daripada prediksi dinamis. Pengguna mungkin tidak membuka email untuk beberapa waktu, dan rekomendasi yang lebih baik mungkin tersedia pada saat itu. Sistem email massal yang lebih canggih dapat menambahkan konten dinamis dengan menyertakan referensi ke gambar dalam email HTML.

Berikut contoh HTML untuk gambar yang menyertakan referensi konfigurasi penayangan:

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

Mendapatkan kembali rekomendasi dapat dilakukan dengan Cloud Function, atau aplikasi sisi server apa pun yang dapat membuat permintaan prediksi. Hasil prediksi kemudian perlu diubah menjadi gambar. Hal ini dapat dilakukan dengan library, seperti ImageMagick.

Prediksi hanya dibuat untuk email yang telah dibuka dan dilihat. Anda juga dapat meng-cache hasil, bukan membuat gambar baru, jika pengguna membuka email lagi. Ini mengurangi biaya penggunaan rekomendasi untuk email.

Karena tujuan link biasanya di-hard code ke dalam email, Anda tidak perlu tahu produk mana yang akan ditampilkan. Mengalihkan klik ke masing-masing halaman produk memerlukan konfigurasi tambahan. Anda biasanya akan menggunakan satu gambar untuk semua rekomendasi, jadi penggunaan peta gambar dapat membantu Anda menentukan produk mana yang diklik.

Kuota

Jika ingin menjalankan permintaan prediksi dalam jumlah besar dalam jangka waktu singkat, Anda harus memeriksa kuota. Di halaman Quotas project Anda, lihat Permintaan prediksi rekomendasi per project per menit. Anda dapat meminta penambahan kuota dengan mengklik Edit Quotas di halaman detail kuota.

Sebaiknya implementasikan backoff eksponensial untuk mencoba lagi permintaan setelah penundaan. Layanan akan menampilkan respons HTTP 429 jika kuota terlampaui.

Mengevaluasi hasil

Pemberian tag URL memungkinkan Anda melacak dan mengevaluasi efektivitas kampanye. Anda dapat menggunakan Google Analytics atau platform analisis lain untuk menambahkan parameter pelacakan ke link dalam email dan menyertakan data tersebut dalam laporan. Beri tag pada klik rekomendasi dari email untuk memfilternya sehingga Anda dapat mengevaluasi metrik.

Jika Anda melakukan pengujian A/B pada beberapa rekomendasi, sebaiknya lakukan dalam satu kampanye. Semua panduan pengujian A/B standar untuk situs masih berlaku.

Langkah selanjutnya