Embora os resultados de previsão da Vertex AI Search for commerce sejam usados mais frequentemente em Websites de retalho, também pode usar recomendações em mensagens de email. Normalmente, as recomendações por email são incluídas como parte de envios em massa de emails de campanhas de marketing, emails após a encomenda ou emails de carrinhos abandonados.
Escolha um tipo de modelo
O modelo Recomendado para si pode ser um modelo útil para emails, uma vez que foi concebido para fornecer recomendações em exemplos de utilização em que um utilizador não indicou interesse num item específico. Funciona melhor com utilizadores com sessão iniciada que tenham algum histórico de navegação ou de compras.
Normalmente, o modelo Outros produtos que podem interessar-lhe é usado em páginas de detalhes dos produtos e não em campanhas de email. No entanto, pode usá-lo para enviar emails a recomendar itens semelhantes ou complementares aos que um cliente viu recentemente.
O modelo Comprados frequentemente em conjunto é normalmente usado na página de adição ao carrinho ou na página do carrinho de compras, mas também pode ser usado para email.
O modelo Comprar novamente foi concebido para utilização na maioria dos tipos de páginas e também pode ser usado para email.
Requisitos de solicitação
Para receber recomendações relevantes, o campo userId tem de corresponder ao ID do utilizador associado a um utilizador com sessão iniciada no seu Website ou app.
Idealmente, o campo visitorId deve corresponder ao ID da última sessão do utilizador no site. Uma vez que o ID da última sessão nem sempre é registado, também pode ser enviado um identificador único aleatório como o campo visitorId.
Os modelos Comprados frequentemente em conjunto e Outros produtos que podem interessar-lhe também requerem IDs de produtos na secção productDetails da chamada predict. Para os modelos de produtos frequentemente comprados em conjunto, os IDs podem ser artigos da compra mais recente de um utilizador.
Inclua previsões estáticas no email
Pode enviar previsões estáticas inserindo dados num modelo de email.
O método predict pode ser chamado em tempo real à medida que os emails são enviados, ou as recomendações podem ser obtidas individualmente e guardadas como parte de um modelo de email ou numa base de dados para referência posterior. Para ter as recomendações mais atualizadas, chame o método predict o mais próximo possível do momento em que o email é enviado.
Chame o método predict para email
O método predict do Vertex AI Search for commerce recebe alguns campos como entrada e devolve uma lista de recomendações de produtos. visitorId, userId e
id são usados como entrada para a maioria dos modelos de recomendações.
Cada pedido de previsão para um utilizador tem de ser feito individualmente, através de código ou scripts de shell.
Segue-se o pseudocódigo para um pedido de previsão:
for user in userlist:
emailTemplate.recommendations = predict(user.visitorid,user.userid,user.lastorder.id,...)
...
format email template as required
Inclua previsões dinâmicas no email
Embora as previsões estáticas possam ser implementadas rapidamente, podem ficar desatualizadas mais rapidamente do que as previsões dinâmicas. Um utilizador pode não abrir o email durante algum tempo e, nesse momento, podem estar disponíveis melhores recomendações. Os sistemas de email em massa mais sofisticados podem adicionar conteúdo dinâmico incluindo uma referência a uma imagem num email HTML.
Segue-se um exemplo de HTML para uma imagem que inclui uma referência de configuração de publicação:
<img src="https://example.com/recs/email?userid=47832&campaign=2020FALL&servingconfig=fbt>
Pode obter as recomendações novamente com uma função do Cloud Run ou qualquer app do lado do servidor que possa fazer o pedido de previsão. Os resultados da previsão têm de ser transformados numa imagem. Isto pode ser feito com uma biblioteca, como o ImageMagick.
As previsões são feitas apenas para emails abertos e visualizados. Também pode colocar os resultados em cache em vez de criar uma nova imagem se o utilizador abrir o email novamente. Isto reduz o custo de utilização das recomendações para emails.
Uma vez que o destino do link é normalmente codificado no email, não sabe necessariamente que produtos vão ser apresentados. O redirecionamento de cliques para páginas de produtos individuais requer uma configuração adicional. Normalmente, usa uma única imagem para todas as recomendações, pelo que a utilização de um mapa de imagens pode ajudar a determinar em que produto se clicou.
Quotas
Se planeia executar um grande lote de pedidos de previsão num curto período, deve verificar as suas quotas. Na página Quotas do seu projeto, verifique os pedidos de previsão de recomendações por projeto por minuto. Pode pedir um aumento clicando em Editar quotas na página de detalhes da quota.
Recomendamos que implemente uma retirada exponencial para repetir os pedidos após um intervalo de tempo. O serviço devolve respostas HTTP 429 se a quota for excedida.
Avalie os resultados
A etiquetagem de URLs permite-lhe acompanhar e avaliar a eficácia das campanhas. Pode usar o Google Analytics ou outra plataforma de análise para adicionar parâmetros de acompanhamento a links em emails e incluir esses dados em relatórios. Etiquete os cliques de recomendações de emails para os filtrar e poder avaliar as métricas.
Se fizer testes A/B de várias recomendações, recomendamos que o faça numa única campanha. Todas as diretrizes de testes A/B padrão para Websites continuam a aplicar-se.
O que se segue?
- Crie uma configuração de publicação para o seu modelo.
- Saiba como pausar e retomar a preparação do seu modelo.
- Quando o modelo terminar a preparação, comece a pedir recomendações.
- Use experiências A/B para compreender o impacto do Vertex AI Search para comércio na sua empresa.