이메일에 추천 사용하기

소매업용 Vertex AI Search의 예측 결과는 소매업 웹사이트에서 가장 일반적으로 사용되지만 이메일 메시지에서 추천을 사용할 수도 있습니다. 이메일의 추천은 일반적으로 마케팅 캠페인 이메일 대량 전달, 주문 후 이메일 또는 버려진 장바구니 이메일에 포함됩니다.

모델 유형 선택

추천 서비스 모델은 사용자가 특정 항목에 관심을 표시하지 않은 사용 사례에서 추천을 제공하도록 디자인되었기 때문에 이메일에 유용한 모델일 수 있습니다. 브라우징 또는 쇼핑 기록이 있는 로그인된 사용자에게 가장 적합합니다.

내가 좋아할 만한 기타 항목은 일반적으로 이메일 캠페인 대신 제품 세부정보 페이지에 사용됩니다. 하지만 이를 사용해서 고객이 최근에 확인한 것과 비슷하거나 이를 보완하는 항목을 이메일로 추천할 수 있습니다.

함께 자주 구매되는 항목 모델은 일반적으로 '장바구니에 추가' 페이지 또는 '쇼핑 장바구니' 페이지에 사용되지만 이메일에도 사용될 수 있습니다.

다시 구매 모델은 대부분의 페이지 유형에서 사용되도록 설계되었으며 이메일에도 사용될 수 있습니다.

요청 요구사항

관련 추천을 다시 얻으려면 userId 필드가 웹사이트 또는 앱에서 로그인된 사용자와 연결된 사용자 ID와 일치해야 합니다.

이상적으로 visitorId 필드는 해당 사이트의 사용자의 마지막 세션 ID와 일치해야 합니다. 마지막 세션 ID가 항상 기록되지는 않기 때문에 무작위 고유 식별자가 visitorId 필드로 전송될 수도 있습니다.

함께 자주 구매되는 항목 및 내가 좋아할 만한 기타 항목 모델은 또한 예측 호출의 productDetails 섹션에 제품 ID를 필요로 합니다. 함께 자주 구매되는 항목 모델의 경우 ID는 사용자의 최근 구매 항목일 수 있습니다.

이메일에 정적 예측 포함

데이터를 이메일 템플릿에 삽입하여 정적 예측을 보낼 수 있습니다.

이메일이 전송될 때 실시간으로 predict 메서드를 호출하거나 추천을 개별적으로 검색하고 이메일 템플릿의 일부로 또는 나중에 참조할 데이터베이스에 저장할 수 있습니다. 최신 추천을 받으려면 이메일이 전송되었을 때와 가능한 한 가장 가까운 시간에 predict 메서드를 호출합니다.

이메일에 대해 predict 메서드 호출

소매업용 Vertex AI Search predict 메서드는 일부 필드를 입력으로 사용하고 제품 추천 목록을 반환합니다. visitorId, userId, id는 대부분의 추천 모델에 입력으로 사용됩니다.

코드 또는 셸 스크립트를 사용해서 사용자에 대해 각 예측 요청을 개별적으로 수행해야 합니다.

다음은 예측 요청의 의사코드입니다.

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

이메일에 동적 예측 포함

정적 예측은 구현하기 쉽지만 동적 예측보다 빠르게 오래됨 상태가 될 수 있습니다. 사용자가 일정 시간 동안 이메일을 열 수 없는 경우 더 나은 추천을 제공하는 것이 가능할 수 있습니다. 보다 정교한 대량 이메일 시스템은 HTML 이메일에 이미지 참조를 포함하여 동적 콘텐츠를 추가할 수 있습니다.

다음은 서빙 구성 참조를 포함하는 이미지의 예시 HTML입니다.

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

추천을 다시 받는 작업은 Cloud Run 함수를 사용하거나 예측 요청을 수행할 수 있는 서버 측 앱을 사용해서 수행될 수 있습니다. 그런 후 예측 결과를 이미지로 전환해야 합니다. 이 작업은 ImageMagick과 같은 라이브러리로 수행될 수 있습니다.

예측은 열어서 확인된 이메일에 대해서만 생성됩니다. 또한 사용자가 이메일을 다시 열 경우, 새 이미지를 만드는 대신 결과를 캐시에 저장할 수 있습니다. 그러면 이메일에 대한 추천 사용 비용을 줄여줍니다.

링크 대상이 일반적으로 이메일에 하드 코딩되기 때문에 표시되는 제품이 무엇인지 반드시 알 필요가 없습니다. 개별 제품 페이지로 클릭 수를 리디렉션하려면 추가 구성이 필요합니다. 일반적으로 모든 추천에 대해 단일 이미지를 사용하므로, 이미지 맵을 사용하면 클릭된 제품을 확인하는 데 도움이 될 수 있습니다.

할당량

짧은 기간 동안 일괄 예측 요청을 대량으로 실행할 계획이면 할당량을 확인해야 합니다. 프로젝트의 할당량 페이지에서 프로젝트별 분당 추천 예측 요청을 확인합니다. 할당량의 세부정보 페이지에서 할당량 수정을 클릭하여 증가를 요청할 수 있습니다.

지연 시간 후 요청을 다시 시도하도록 지수 백오프를 구현하는 것이 좋습니다. 할당량이 초과되면 서비스가 HTTP 429 응답을 반환합니다.

결과 평가

URL 태그 지정을 사용하면 캠페인의 효과를 추적하고 평가할 수 있습니다. Google 애널리틱스 또는 다른 애널리틱스 플랫폼을 사용하여 이메일의 링크에 추적 매개변수를 추가하고 해당 데이터를 보고서에 포함할 수 있습니다. 측정항목을 평가할 수 있도록 이메일에서 추천 클릭 수를 태그 지정하여 필터링합니다.

여러 추천에 A/B 테스트를 수행할 경우 단일 캠페인 내에서 수행하는 것이 좋습니다. 웹사이트에 대한 모든 표준 A/B 테스트 가이드도 적용됩니다.

다음 단계