Embora os resultados de previsão da Vertex AI para Pesquisa para varejo sejam mais usados em sites de varejo, também é possível usar recomendações em mensagens de e-mail. As recomendações no e-mail geralmente são incluídas como parte de explosões de e-mail de campanhas de marketing, e-mails pós-encomenda ou e-mails abandonados no carrinho.
Escolher um tipo de modelo
O modelo "Recomendado para você" pode ser útil para e-mails, porque foi projetado para fornecer recomendações em casos de uso em que um usuário não indicou interesse em um item específico. Ele funciona melhor com usuários conectados que têm algum histórico de navegação ou compras.
O modelo "Outros como você pode gostar" é normalmente usado em páginas de detalhes do produto, e não para campanhas de e-mail. No entanto, você pode usá-lo para e-mails a fim de recomendar itens semelhantes ou complementares ao que um cliente visualizou recentemente.
O modelo Comprados juntos com frequência geralmente é usado na página "Adicionar ao carrinho" ou "Carrinho de compras", mas também pode ser usado para e-mail.
O modelo "Compre de novo" foi criado para a maioria dos tipos de páginas e também pode ser usado para e-mail.
Requisitos de solicitação
Para recuperar as recomendações relevantes, o campo userId precisa corresponder ao ID do usuário associado a um usuário conectado no seu site ou app.
O ideal é que o campo visitorId corresponda ao último ID da sessão do usuário do site. Como o ID da última sessão nem sempre é registrado, um identificador
exclusivo aleatório também pode ser enviado como o campo visitorId.
Os modelos "Comprados juntos com frequência" e "Outros" também podem exigir IDs do produto na seção productDetails da chamada de previsão. Para modelos Comprados juntos com frequência, os IDs podem ser itens da compra mais recente de um usuário.
Incluir previsões estáticas no e-mail
Você pode enviar previsões estáticas inserindo dados em um modelo de e-mail.
O método predict pode ser chamado em tempo real à medida que os e-mails são enviados, ou as recomendações podem ser recuperadas individualmente e salvas como parte de um modelo de e-mail ou em um banco de dados para ser consultada posteriormente. Para ter as recomendações mais atualizadas, chame o método predict o mais próximo possível do horário de envio do e-mail.
Chamar o método predict para e-mail
O método predict da Vertex AI para Pesquisa para varejo usa alguns campos como
entrada e retorna uma lista de recomendações de produtos. visitorId, userId e
id são usadas como entrada para a maioria dos modelos de recomendação.
Cada solicitação de previsão para um usuário precisa ser feita individualmente, usando scripts de código ou shell.
Veja a seguir um pseudocódigo para uma solicitação de previsão:
for user in userlist:
emailTemplate.recommendations = predict(user.visitorid,user.userid,user.lastorder.id,...)
...
format email template as required
Incluir previsões dinâmicas no e-mail
Embora as previsões estáticas sejam simples de implementar, elas podem ficar desatualizadas mais rapidamente do que as previsões dinâmicas. Talvez um usuário não abra o e-mail por algum tempo, e recomendações melhores podem estar disponíveis. Sistemas de e-mail em massa mais sofisticados podem adicionar conteúdo dinâmico com a inclusão de uma referência a uma imagem em um e-mail em HTML.
Veja a seguir um exemplo de HTML para uma imagem que inclui uma configuração de veiculação referência:
<img src="https://example.com/recs/email?userid=47832&campaign=2020FALL&servingconfig=fbt>
É possível recuperar as recomendações com uma função do Cloud Run ou qualquer app do lado do servidor que possa fazer a solicitação de previsão. Os resultados da previsão precisam ser transformados em uma imagem. Isso pode ser feito com uma biblioteca, como a ImageMagick.
As previsões são baseadas apenas em e-mails abertos e visualizados. Também é possível armazenar os resultados em cache em vez de criar uma nova imagem se o usuário abrir o e-mail novamente. Isso reduz o custo do uso de recomendações por e-mail.
Como o destino do link geralmente é codificado no e-mail, você não precisa saber quais produtos serão exibidos. Redirecionar cliques para páginas de produtos individuais requer configuração adicional. Geralmente, você usa uma única imagem para todas as recomendações. Portanto, o uso de um mapa de imagem pode ajudar a determinar qual produto foi clicado.
Cotas
Se você planeja executar um grande lote de solicitações de previsão em um curto período de tempo, verifique suas cotas. Na página Cotas do projeto, marque Solicitações de previsão de recomendação por projeto por minuto. É possível solicitar um aumento clicando em Editar cotas na página de detalhes da cota.
Recomendamos a implementação da espera exponencial (em inglês) para repetir solicitações após um atraso. O serviço retornará respostas HTTP 429 se a cota for
excedida.
Avaliar os resultados
Com a inclusão de tags de URL, você pode acompanhar e avaliar a eficácia das campanhas. Use o Google Analytics ou outra plataforma de análise para adicionar parâmetros de acompanhamento a links em e-mails e incluir esses dados em relatórios. Cliques em recomendações de tags por e-mail para filtrá-los e avaliar as métricas.
Se você fizer testes A/B de várias recomendações, recomendamos fazer isso em uma única campanha. Todas as diretrizes padrão de testes A/B para sites ainda se aplicam.
A seguir
- Crie uma configuração de veiculação para o modelo.
- Saiba como pausar e retomar o treinamento do modelo.
- Quando o modelo termina o treinamento, começar a pedir recomendações.
- Use os experimentos A/B para entender como a Vertex AI Search for Retail afeta seus negócios.