Questions fréquentes

Vous rencontrez d'autres difficultés ou vous ne trouvez pas votre problème ci-dessous ? Veuillez signaler un bug ou demander une fonctionnalité, rejoindre le groupe Google cloud-recommendations-users ou prendre part aux discussions sur Stack Overflow.

Général

1. Disposez-vous de bibliothèques clientes pour Vertex AI Search pour le commerce ou d'un autre exemple de code ?

Oui. Vous pouvez consulter le guide des bibliothèques clientes sur cette page pour obtenir des informations de référence et de configuration pour chaque bibliothèque.

Le service de découverte de l'API Google peut également être utilisé à la place des appels REST bruts.

2. Les modèles de recommandation sont-ils tous personnalisés ?

Les modèles "Recommandations pour vous", "Autres personnes susceptibles de vous intéresser" et "Acheter à nouveau" fournissent des recommandations personnalisées s'ils disposent d'un historique utilisateur. Les modèles "Fréquemment achetés ensemble" et "Articles similaires" ne sont pas personnalisés.

Consultez À propos des modèles de recommandation.

3. Vais-je recevoir des recommandations personnalisées immédiatement ou dois-je attendre qu'elles s'améliorent au fil du temps ?

Les recommandations s'améliorent au fur et à mesure que vous collectez des éléments d'historique utilisateur. Le modèle "Recommandé pour vous" présente des produits populaires, tandis que le modèle "Autres que vous pourriez aimer" présente des produits similaires en fonction des avis des autres utilisateurs. Ces deux modèles commencent immédiatement à prendre en compte le comportement des utilisateurs. Il est donc important d'envoyer des événements en temps réel. Consultez la section À propos des modèles de recommandation.

Pour que la personnalisation soit efficace, les événements utilisateur doivent être envoyés en temps réel ou presque. Si les événements utilisateur ne sont envoyés que quotidiennement ou par lots tout au long de la journée, les modèles personnalisés risquent de ne pas fonctionner aussi bien qu'ils le pourraient en envoyant les événements en temps réel.

4. Utilisez-vous les données démographiques des utilisateurs Google dans vos modèles ?

Les modèles n'utilisent que les données d'événements utilisateur et de catalogue que vous fournissez. Si vous souhaitez inclure des données démographiques, vous pouvez inclure d'autres informations textuelles ou numériques qui peuvent être utiles en tant qu'attributs personnalisés. Le modèle commencera à utiliser ces données une fois le réglage effectué.

N'incluez pas d'informations personnelles (PII) telles que des adresses e-mail ou des noms d'utilisateur. Nous vous suggérons d'anonymiser les données démographiques, par exemple en hachant les valeurs ou en utilisant des ID de groupe.

5. Puis-je faire des recommandations en fonction de l'historique des événements d'un groupe d'utilisateurs plutôt que de l'historique d'un seul utilisateur ?

Actuellement, les recommandations sont basées sur un ID visiteur ou ID utilisateur unique. Pour formuler des recommandations basées sur l'historique d'un groupe, vous devez effectuer des requêtes individuelles et en combiner les résultats. Si les utilisateurs ont des attributs de métadonnées communs, vous pouvez utiliser les ID de groupe comme ID d'utilisateur pour fournir des recommandations au niveau du groupe.

6. D'après nos informations, vous pouvez envoyer des URL d'images pour les produits. Les modèles prennent-ils en compte les images de produits ?

Pas pour le moment. Ces champs sont fournis de sorte à ce que vous puissiez récupérer ces métadonnées avec les résultats de recommandation renvoyés, afin de faciliter l'affichage des résultats de la recommandation. L'aperçu de la prédiction utilise également des URL d'image pour afficher les images lorsque vous prévisualisez les résultats de prédiction d'un modèle dans la console Search for Retail.

7. Mon entreprise n'est pas un site Web d'e-commerce de détail. Puis-je quand même utiliser les recommandations pour prédire x, y et z ?

Certains de nos clients utilisent les recommandations pour des recommandations de contenus, le streaming vidéo, les jeux vidéo et d'autres cas d'utilisation. Toutefois, le contenu et l'expérience proposés actuellement sont conçus pour le cas d'utilisation du e-commerce et peuvent ne pas être adaptés à d'autres cas d'utilisation.

8. Puis-je placer des recommandations sur n'importe quelle page de mon site ?

Oui, mais les modèles sont chacun conçus pour des cas d'utilisation spécifiques et peuvent mieux fonctionner sur certaines pages. Consultez À propos des modèles de recommandation.

Les articles fréquemment achetés ensemble et d'autres que vous pourriez aimer nécessitent des ID d'articles. Ils doivent donc être utilisés pour les recommandations basées, par exemple, sur un ID produit ou des articles dans un panier. Les produits fréquemment achetés ensemble fonctionnent généralement mieux sur les pages d'ajout au panier ou de paiement, tandis que les sections "Autres produits susceptibles de vous intéresser" et "Articles similaires" fonctionnent mieux sur les pages d'informations détaillées sur les produits. Cette option peut être placée sur n'importe quelle page, car elle ne requiert qu'un ID de visiteur, mais elle est conçue comme une configuration de diffusion de page d'accueil. La section "Acheter à nouveau" est conçue pour être diffusée sur n'importe quelle page.

9. Puis-je utiliser les recommandations dans les newsletters envoyées par e-mail ?

Oui. Pour ce faire, vous pouvez appeler l'API avec un ID de visiteur ou d'utilisateur, puis intégrer les résultats dans un modèle d'e-mail. Si vous souhaitez que les articles soient chargés dynamiquement lors de la lecture des e-mails, vous devez utiliser un point de terminaison intermédiaire (par exemple, une fonction Google Cloud) pour envoyer la prédiction. L'API ne fournit qu'une liste d'ID de produits triés et des métadonnées. Vous devez donc également écrire votre propre code pour afficher les résultats de l'image.

10. Puis-je utiliser Vertex AI Search pour le commerce pour d'autres cas d'utilisation non Web (applications mobiles, kiosques) ?

Oui. Vous pouvez configurer un point de terminaison (par exemple, une fonction Google Cloud) pour obtenir des résultats pour l'application. Vous avez également besoin d'un mécanisme similaire pour envoyer des événements en temps réel.

11. Je n'ai pas plus de trois mois de données d'événement. Puis-je quand même utiliser Vertex AI Search pour le commerce ? Puis-je ajouter des données ultérieurement ?

Le modèle "Éléments similaires" n'utilise pas les données d'événement utilisateur ni le réglage du modèle. Si vous ne disposez d'aucune donnée d'événement, vous pouvez toujours créer et entraîner un modèle "Articles similaires" à condition de disposer de données de catalogue.

Si vous pouvez enregistrer suffisamment de trafic pour les événements en temps réel, les données récentes peuvent être utilisées pour l'entraînement d'autres modèles. Si des données supplémentaires sont disponibles ultérieurement, vous pouvez les importer après l'entraînement initial du modèle. Les données nouvellement obtenues sont intégrées aux modèles lors du réentraînement quotidien. Toutefois, si les données sont très différentes des événements utilisés pour l'entraînement initial, vous devrez peut-être réajuster les modèles.

La plupart des modèles fonctionnent mieux avec au moins trois mois de pages de produits vues, de pages d'accueil vues et d'événements d'ajout au panier pour tous les modèles, et idéalement, avec un à deux ans d'historique des achats pour le modèle "Fréquemment achetés ensemble".

Une à deux semaines de vues de pages d'informations peuvent suffire pour commencer à entraîner des modèles "Autres que vous pourriez aimer" et "Recommandations pour vous", tandis que les options "Acheté fréquemment ensemble" et "Acheter à nouveau" nécessitent généralement plus d'achats par jour que le nombre de pages vues. Avec plus de données, la qualité du modèle peut être considérablement améliorée. Une quantité minimale risque de ne pas produire des résultats optimaux. Par exemple, l'équivalent d'un an de données d'achats permet aux modèles de mieux tirer parti de la saisonnalité et des tendances.

12. Puis-je recommander des catégories en plus des produits ?

Actuellement, "Recommendations" ne renvoie que des recommandations de produits, mais vous pouvez obtenir les catégories de chaque produit renvoyées dans les résultats.

13. Disposez-vous d'intégrations pour importer des données à partir de bases de données SQL ou d'autres systèmes, tels que BigQuery ?

Oui. Pour les événements, il existe un exemple de code qui lit des données à partir de BigQuery. Découvrez un exemple d'ensemble de données Google Analytics pour BigQuery.

14. Vertex AI Search pour le commerce utilise-t-il des cookies ?

Non, il n'utilise pas de cookies. Toutefois, un ID de visiteur doit être spécifié pour tous les événements envoyés à Vertex AI Search pour le commerce, qui est souvent un identifiant de session issu d'un cookie.

15. Ai-je besoin d'un projet Google Cloud dédié ?

Vous pouvez créer un projet dédié ou activer Vertex AI Search pour le commerce dans un projet existant.

16. Pourquoi mes identifiants ne fonctionnent-ils pas lorsque j'utilise Cloud Shell ?

Vérifiez que vous avez terminé la procédure de configuration de l'authentification pour Vertex AI Search pour le commerce. Vous devez utiliser un compte de service que vous avez mis à disposition dans votre environnement. Dans le cas contraire, vous pourriez obtenir une erreur de ce type : "Votre application s'est authentifiée à l'aide des identifiants de l'utilisateur final issus du SDK Google Cloud ou de Google Cloud Shell qui ne sont pas compatibles."

Pour en savoir plus sur les comptes de service, consultez la section Authentification de la documentation Google Cloud.

17. Comment comparer Vertex AI Search pour le commerce à des solutions similaires ?

Vous pouvez effectuer des tests A/B pour comparer les résultats de Vertex AI Search pour le commerce avec ceux d'autres produits.

18. Je pense que la fonctionnalité x,y,z serait géniale. Pouvez-vous l'ajouter ?

Nous serions ravis de recevoir vos commentaires. Les demandes de fonctionnalités peuvent être transmises par votre équipe de gestion de compte, par l'assistance Google ou en utilisant l'outil de suivi des problèmes.

19. Puis-je continuer à utiliser l'ancienne API pour les recommandations ?

L'API Recommendations Engine est passée de l'API Recommendations Engine à Vertex AI Search pour le commerce. Si vous utilisiez l'API Recommendations Engine pendant sa phase bêta, nous vous recommandons de migrer vos recommandations vers Vertex AI Search pour le commerce (point de terminaison de service https://retail.googleapis.com), qui est en disponibilité générale.

L'API précédente (point de terminaison de service https://recommendationengine.googleapis.com) et sa documentation restent disponibles, mais ne sont plus mises à jour.

Catalogues et produits

1. Comment les recommandations gèrent-elles les démarrages à froid pour les nouveaux produits ?

Pour les produits sans historique d'achat, nous formulons des recommandations basées sur des produits similaires. Dans ces cas, il est particulièrement important que les titres, les catégories et les descriptions des produits soient appropriés dans le catalogue.

Pour les utilisateurs effectuant un démarrage à froid (visiteurs sans historique), les modèles commencent par les produits généraux les plus populaires et deviennent plus personnalisés en temps réel à mesure que d'autres événements utilisateur sont reçus.

Consultez À propos des catalogues et des produits et la page de référence des produits.

2. Puis-je utiliser mon catalogue Merchant Center pour les recommandations ?

Oui, vous pouvez exporter un catalogue Merchant Center vers BigQuery à l'aide du service de transfert de données Merchant Center. Nous pouvons ensuite lire le catalogue directement depuis BigQuery. Consultez Importer des données de catalogue depuis Merchant Center.

3. Sinon, comment puis-je importer mon catalogue ?

  • Merchant Center : importez avec Merchant Center. Si vous utilisez la recherche, vous pouvez utiliser la console pour associer Merchant Center afin que son catalogue se synchronise automatiquement.
  • BigQuery : importez directement à partir d'une table ou d'une vue.
  • Cloud Storage : importez en utilisant des fichiers texte avec un article de catalogue au format JSON par ligne.
  • Importation intégrée : importez avec un appel d'API, en utilisant des fichiers texte avec un article de catalogue au format JSON par ligne.
  • Créer des articles : utilisez la méthode de création Products.

4. Comment maintenir mon catalogue à jour ? À quelle fréquence le catalogue doit-il être mis à jour ?

Consultez Mettre à jour votre catalogue.

Nous vous recommandons de mettre à jour votre catalogue quotidiennement. Vous pouvez effectuer une mise à jour complète à partir de Cloud Storage ou de BigQuery, ou une mise à jour incrémentielle (en ne mettant à jour que les articles nouveaux ou modifiés, par exemple).

Si possible, mettez à jour le prix et la disponibilité en temps réel. Cela affecte la rapidité avec laquelle les nouveaux éléments peuvent être inclus dans l'index de recherche.

Si vous disposez d'un moyen simple de recevoir des notifications concernant les modifications du catalogue (par exemple, via Pub/Sub, la file d'attente de messages, les événements, etc.), vous pouvez mettre à jour le catalogue en temps réel à l'aide des méthodes import ou create de l'API.

Par exemple, Cloud Scheduler peut être utilisé pour effectuer un appel d'importation BigQuery quotidien.

5. Existe-t-il des tailles de catalogue minimales et maximales ?

Il n'y a pas de minimum, mais de très petites tailles de catalogue (< 100 articles) pourraient ne pas bénéficier de nombreuses recommandations car il y a très peu de produits différents à recommander.

Le catalogue ne peut pas contenir plus de 40 millions d'articles.

Consultez la documentation sur les quotas et limites par défaut, et découvrez comment demander une modification de votre quota.

6. Mon entreprise possède des sites Web dans plusieurs pays. Dois-je utiliser un seul catalogue pour toutes mes données ?

Il est généralement préférable de n'avoir qu'un seul catalogue pour tous les articles. Les événements doivent être envoyés dans une même devise. Il n'est actuellement pas possible d'avoir plusieurs catalogues dans le même projet. Toutefois, si vous utilisez des entités, vous pouvez spécifier le comportement de recherche, de recommandations et de saisie semi-automatique pour un pays particulier.

Si les catalogues sont considérablement différents d'un site à l'autre, nous vous recommandons d'avoir un projet distinct pour chaque site. De plus, si les pays ont des langues différentes, nous vous recommandons d'avoir des projets distincts, un pour chaque langue.

S'il existe des sites Web similaires générant peu de trafic que le site Web principal, il peut être préférable d'utiliser un seul catalogue s'il n'y a pas assez d'événements pour produire des modèles de haute qualité pour tous les sites Web individuels.

Pour utiliser un seul catalogue, les ID des articles du catalogue doivent être cohérents, c'est-à-dire qu'un même produit doit avoir un ID d'article unique sur tous les sites Web afin d'éviter la duplication des produits dans le catalogue.

Pour les recommandations uniquement, une alternative à l'utilisation d'entités consiste à filtrer les données en fonction d'un site Web spécifique à l'aide de tags de filtre. Toutefois, la mise à jour des tags de filtre peut prendre jusqu'à huit heures. Par conséquent, en cas d'exigences de disponibilité (non disponible) spécifiques à un pays, elles doivent normalement être gérées par une règle métier qui filtre les résultats après la réponse de prédiction.

7. Vertex AI Search pour le commerce accepte-t-il plusieurs devises par catalogue ?

Non, un seul type de devise par catalogue est accepté. Les événements doivent être importés dans une seule devise.

Si vous prévoyez d'utiliser la console Search for Retail pour obtenir des métriques sur les revenus, assurez-vous que tous vos événements utilisent une seule devise ou convertissez-les tous dans la même devise avant de les importer.

8. Je possède plusieurs sites Web proposant un catalogue partagé ou des articles similaires. Les recommandations peuvent-elles fournir des recommandations intersites ?

Nous vous recommandons généralement de n'utiliser un catalogue unique que s'il existe un chevauchement important entre les sites (c'est-à-dire que le catalogue doit être identique ou très similaire). Ensuite, comme pour les sites multirégionaux, vous pouvez utiliser des entités ou des tags de filtre pour ne renvoyer que des éléments spécifiques au site pour un appel de prédiction particulier.

Si les sites ne partagent pas beaucoup d'éléments de catalogue, voire aucun, plusieurs catalogues doivent être utilisés. L'utilisation de plusieurs catalogues nécessite un projet Google Cloud distinct pour chaque catalogue.

9. Le fait d'inclure davantage de métadonnées améliore-t-il le modèle ? Le modèle prend-il en compte les champs x, y, z ?

Pour connaître les champs obligatoires, consultez Informations requises pour les articles du catalogue.

Les autres champs de métadonnées sont facultatifs (images et itemAttributes, par exemple). Ils peuvent être utilisés pour l'aperçu de prédiction, l'analyse des résultats, l'entraînement et le réglage. Nous vous recommandons d'inclure des attributs utiles tels que la couleur, la taille, la matière, etc. Ces champs peuvent être renvoyés dans les résultats de predict en spécifiant returnProduct:true, ce qui peut être utile pour l'affichage des résultats. Les images et les attributs d'articles sont utilisés pour prévisualiser la prédiction dans la console Search for Retail.

10. Quels attributs d'un article du catalogue sont utilisés comme entrées pour l'entraînement du modèle ?

Une combinaison du comportement des utilisateurs et des attributs de produit est utilisée. Les champs principaux sont l'ID, le titre, la hiérarchie des catégories, le prix et l'URL. Vous pouvez inclure d'autres attributs clé-valeur personnalisés potentiellement utiles dans Product.attributes[].

Les URL d'image sont plus une fonctionnalité pratique. Vous pouvez renvoyer ces métadonnées dans les résultats de prédiction en spécifiant returnProduct:true, ce qui permet d'économiser un appel supplémentaire pour récupérer ces informations. Avoir des URL d'image permet également à l'aperçu de la prédiction d'afficher les images lorsque vous prévisualisez les résultats de la prédiction d'un modèle dans la console Search for Retail.

11. Quelles sont les langues acceptées pour mes produits ?

  • recommandations:compatible avec la plupart des langues. Le modèle détecte automatiquement la langue du texte. Pour obtenir la liste de tous les langages pouvant être automatiquement détectés, consultez le fichier README de l'outil de détection de langage compact.

  • search:accepte les langues suivantes: allemand, anglais, arabe, coréen, espagnol, français, italien, japonais, néerlandais, polonais, portugais, turc et turc. Vous définissez la langue lorsque vous importez le catalogue. Le catalogue ne doit apparaître que dans une langue et les requêtes doivent être envoyées dans la même langue. La présence de plusieurs langages dans le catalogue dégrade les performances du modèle. Par exemple, si le catalogue est en espagnol, mais que la requête de recherche est en anglais, la requête n'est pas traduite en espagnol.

12. Mon catalogue comporte des SKU principaux/variants ou parents/enfants. Sont-ils compatibles ?

Oui. Cette méthode est semblable à item_group_id dans Merchant Center. Vous devez déterminer comment récupérer les recommandations (au niveau du parent ou de l'enfant) et si les événements sont au niveau du parent ou de l'enfant.

Pour en savoir plus sur les niveaux de produits, consultez Niveaux de produits.

Déterminez et définissez le niveau de produit approprié avant d'envoyer des articles ou des événements. Le niveau de produit peut être modifié, mais vous devez réassocier les articles et réajuster les modèles.

13. Puis-je supprimer des produits du catalogue lorsqu'ils ne sont plus disponibles ?

Si un article n'est plus vendu, nous vous recommandons de définir son état sur OUT_OF_STOCK plutôt que de le supprimer. Ainsi, les événements utilisateur précédents qui le référencent ne sont pas invalidés.

Événements utilisateur

1. Quels événements utilisateur dois-je collecter ?

Consultez À propos des événements utilisateur pour obtenir une liste des types d'événements utilisateur, ainsi que des exigences et des bonnes pratiques concernant les événements utilisateur.

2. Comment résoudre les problèmes de qualité des données lors de la création de modèles ?

Dans la console Search for Retail, accédez à la page Qualité des données pour obtenir des métriques sur la qualité des données concernant votre catalogue ingéré et vos événements utilisateur.

3. Puis-je l'intégrer à Google Analytics 360 ?

Vous pouvez utiliser les données de l'historique de Google Analytics 360 (GA360). Comme pour les données Merchant Center, les données GA360 peuvent être exportées vers BigQuery, puis Vertex AI Search pour le commerce peut lire les événements directement depuis BigQuery.

Pour les événements en temps réel, nous vous recommandons d'intégrer des pixels de suivi avec Google Tag Manager car les événements sont retardés par GA360.

4. Je souhaite importer des événements utilisateur depuis Google Analytics 360. Fournit-il tous les événements utilisateur nécessaires ?

Google Analytics 360 est nativement compatible avec tous les événements utilisateur utilisés par Vertex AI Search pour le commerce, à l'exception des événements de recherche. Vous pouvez toujours importer des événements utilisateur de recherche depuis Analytics 360, mais notez que Vertex AI Search pour le commerce construit l'événement utilisateur de recherche à partir des requêtes de recherche et, le cas échéant, des impressions de produits.

5. Comment transmettre des événements à Recommendations AI ?

Les utilisateurs importent généralement l'historique des événements à l'aide de Cloud Storage ou de l'API, puis diffusent les événements en temps réel à l'aide du pixel JavaScript ou du tag Tag Manager sur le site en ligne, ou via la méthode d'écriture sur le backend.

6. Que se passe-t-il si je ne peux pas envoyer tous les types d'événements utilisateur répertoriés comme requis pour un modèle ? Quels sont les types d'événements minimaux requis pour chaque modèle ?

Chaque modèle et chaque objectif d'optimisation ont des exigences légèrement différentes. Consultez les exigences relatives aux données d'événement utilisateur.

Les performances du modèle sont généralement meilleures lorsque le nombre d'événements par article de catalogue est plus élevé. Pour les sites présentant une grande quantité de trafic et des catalogues plus petits, vous pouvez commencer avec un faible volume d'événements historiques, mais vous aurez généralement besoin d'au moins quelques semaines de données d'historique et d'événements en temps réel par la suite.

7. Certains événements d'ajout au panier et d'achat terminé n'ont pas de valeur (revenu, ni quantité). Que dois-je envoyer ?

Si vous n'avez pas de valeur pour la quantité, vous pouvez transmettre une valeur par défaut de 1 sans affecter les résultats du modèle. Les articles doivent toujours avoir un champ "displayPrice" défini (il peut s'agir du prix visible par l'utilisateur, comme un prix réduit). "originalPrice" et "cost" sont facultatifs.

8. Mes données ne couvraient que certains types d'événements. Puis-je quand même utiliser Vertex AI Search pour le commerce ?

Pour connaître la configuration minimale requise pour chaque type de modèle, consultez la section Exigences concernant les données d'événement utilisateur.

Résultats de recherche

1. Les résultats de recherche sont-ils personnalisés ?

Oui. La recherche peut fournir des résultats personnalisés. Les résultats de recherche sont personnalisés en fonction de l'ID des visiteurs. Pour en savoir plus, consultez Personnalisation.

2. Comment inclure dans la requête de recherche du contexte, comme le magasin depuis lequel l'utilisateur effectue des achats ?

Les options de disponibilité et de traitement basées sur l'ID de magasin sont des attributs du catalogue de produits. Les options de traitement sont des attributs tels que "Livré en ligne", "Acheté en ligne" et "Retrait en magasin".

Les attributs peuvent être envoyés en tant que paramètre dans la requête de recherche. Ainsi, dans cet exemple, la requête de recherche peut spécifier l'ID de magasin de l'utilisateur. Les résultats peuvent être filtrés ou classés en fonction de l'ID de magasin dans la requête.

3. Puis-je masquer des produits dans les résultats de recherche ?

Oui. Le paramètre filter permet de filtrer les résultats en fonction de leurs tags.

4. Est-il possible d'être classé selon plusieurs critères, comme la disponibilité et le prix ?

Oui, [boostSpec] autorise les règles de classement complexes.

5. Est-il possible de regrouper certains attributs afin d'obtenir des résultats présentant plusieurs facettes ? Par exemple, le regroupement de villes d'un même pays pour l'origine de la production.

Les attributs de produit ne sont pas hiérarchiques. Toutefois, vous pouvez utiliser plusieurs attributs personnalisés pour obtenir le même résultat. Dans cet exemple, vous pouvez utiliser des attributs personnalisés pour le pays de production et la ville de production.

6. Comment fonctionnent les suggestions ?

Les suggestions sont une combinaison de requêtes utilisateur, de requêtes réécrites, de noms de produits, etc. Afin de générer des suggestions de saisie semi-automatique de haute qualité, un nombre suffisant d'événements de recherche doit être ingéré avec le catalogue.

Résultats de prédiction

1. Le nombre de prédictions que je peux afficher est-il limité ?

Par défaut, une requête de prédiction renvoie une réponse contenant 20 articles. Vous pouvez augmenter ou diminuer le nombre d'articles en soumettant une valeur pour pageSize.

Si vous devez renvoyer plus de 100 articles, contactez l'assistance Google pour augmenter la limite. Notez toutefois que le renvoi de plus de 100 articles peut augmenter la latence de réponse.

2. Puis-je connaître les raisons pour lesquelles un modèle a recommandé un produit spécifique ?

Pas pour le moment.

3. Puis-je télécharger et mettre en cache les résultats de prédiction ?

Étant donné que les résultats de prédiction s'améliorent en temps réel en réponse à l'activité des utilisateurs sur votre site, nous vous déconseillons d'utiliser les prédictions mises en cache. Les modèles sont réentraînés quotidiennement pour intégrer les modifications de votre catalogue et réagir aux nouvelles tendances d'événements utilisateur, ce qui modifie également les résultats.

4. Je dois reclasser les recommandations renvoyées en fonction d'une règle commerciale. Cette fonctionnalité est-elle compatible ?

Oui. Toutefois, vous pouvez réorganiser les recommandations renvoyées en fonction de vos règles métier. Cependant, n'oubliez pas que le tri ou le filtrage des résultats peut réduire l'efficacité globale du modèle dans son objectif d'optimisation choisi.

Le reclassement du prix classe les articles pertinents à prix élevé en premier dans l'ensemble des recommandations renvoyées. Il est disponible en tant que personnalisation intégrée pour les modèles "Autres susceptibles de vous plaire" et "Recommandations pour vous".

Consultez le reclassement du prix.

5. Le nombre de tags de filtre que je peux créer et utiliser est-il limité ?

Il n'y a pas de limite stricte au nombre de tags uniques que vous pouvez créer ou utiliser. Cependant, le système n'est pas conçu pour gérer de nombreux tags de filtre par article. Si possible, nous vous recommandons de limiter les tags de filtre à 10 par article du catalogue. Vous pouvez tout de même utiliser plus de 10 valeurs sur l'ensemble du catalogue, car il s'agit d'une limite par article. Le nombre total de tags (nombre total de tags par article) est limité à 100 000 000.

Consultez la documentation de Vertex AI Search pour en savoir plus sur les quotas et limites du secteur du commerce.

6. Puis-je diversifier les recommandations ?

Oui. La diversité peut être spécifiée dans le cadre de la configuration de la diffusion ou dans les paramètres de la requête de prédiction. Avec une faible diversification, les prédictions peuvent contenir des articles similaires dans la même catégorie. Avec une diversification plus élevée, les résultats contiendront des articles provenant d'autres catégories.

7. Puis-je hiérarchiser les recommandations en fonction du prix ?

Oui. Le reclassement par prix permet de départager les articles recommandés dont la probabilité de recommandation est similaire sur la base du prix, la priorité étant donnée aux articles les plus onéreux. La pertinence est toujours utilisée pour trier les articles. Le fait d'activer le reclassement par prix est donc différent d'un simple tri des articles par prix décroissant. Le reclassement par prix peut être spécifié dans le cadre de la configuration de diffusion ou dans les paramètres de requête de prédiction.

Modèles

1. J'ai importé mon catalogue et mes événements, mais j'obtiens toujours la réponse suivante lorsque j'appelle l'API predict: "Le modèle de recommandation n'est pas prêt. Vous pouvez définir 'dryRun' sur 'true' dans la requête de prédiction à des fins d'intégration, ce qui aura pour effet de renvoyer des articles de catalogue arbitraires à partir de votre catalogue (n'utilisez PAS cette option pour le trafic de production)."

Cela signifie généralement que l'entraînement de votre modèle n'est pas terminé. Si le modèle est créé depuis plus de 10 jours et que vous obtenez toujours cette réponse, veuillez contacter l'assistance.

2. Combien de temps faut-il pour entraîner un modèle ?

L'entraînement et le réglage initiaux du modèle prennent deux à cinq jours, mais peuvent prendre plus de temps pour les ensembles de données volumineux. Par la suite, les modèles sont automatiquement réentraînés de façon quotidienne, sauf s'ils sont désactivés. Consultez la section Mettre en pause et reprendre l'entraînement d'un modèle.

3. Puis-je télécharger ou exporter le modèle ?

N°

4. Puis-je utiliser les modèles que j'ai créés dans un projet existant d'un nouveau projet ?

Non. Vous devez créer et réentraîner les modèles dans le nouveau projet.

5. Je souhaite utiliser un modèle pour mes pages de catégorie. Est-ce possible ?

Oui. La section "Recommandations pour vous" est utile sur les pages de catégorie. Une page de catégorie est semblable à une page d'accueil, à la différence que vous n'affichez que les articles de cette catégorie. Vous pouvez obtenir un résultat similaire en utilisant un modèle standard "Recommandations personnalisées" avec des tags de filtre. Par exemple, vous pouvez ajouter des tags de filtre personnalisés (correspondant à chaque page de catégorie) aux articles de votre catalogue. Lorsque vous envoyez la requête de prédiction, définissez l'objet d'événement utilisateur sur category-page-view et spécifiez le tag d'une page de catégorie spécifique dans le champ filter. Seuls les résultats de recommandations correspondant au tag de filtre demandé seront renvoyés. La diversité doit être désactivée dans ce cas d'utilisation car elle peut entrer en conflit avec les tags de filtre basés sur des catégories.

6. Puis-je désactiver la personnalisation pour mes modèles ?

Par défaut, les résultats de prédiction sont personnalisés par utilisateur pour les types de modèles de recommandations Autres sujets qui pourraient vous plaire, Recommandations pour vous et Acheter à nouveau.

Il n'est pas recommandé de désactiver la personnalisation car cela peut avoir un impact négatif sur les performances du modèle.

Si vous devez afficher des articles du catalogue en rapport avec le produit consulté plutôt qu'en fonction des interactions précédentes de l'utilisateur avec votre site, il est possible d'obtenir des recommandations non personnalisées en utilisant un ID de visiteur unique aléatoire dans une requête de prédiction. Assurez-vous cependant de n'utiliser un ID de visiteur factice que pour les requêtes dans les configurations de diffusion que vous ne souhaitez pas personnaliser.

Console Search for Retail

1. J'ai supprimé définitivement un certain nombre d'événements, mais le tableau de bord affiche toujours les nombres pour ces types d'événements.

Ce comportement est normal. Le tableau de bord Search for Retail affiche le nombre d'événements ingérés au cours d'une période donnée. Il n'indique pas le nombre ni le nombre d'événements actuels.

En règle générale, vous devez conserver les événements utilisateur après leur enregistrement. Il n'est pas recommandé de purger les événements. Si vous envisagez de réinitialiser complètement les événements utilisateur, envisagez plutôt de créer un autre projet.

Si vous devez supprimer définitivement des événements qui n'ont pas été enregistrés correctement, consultez la section Supprimer des événements utilisateur de la documentation. La suppression définitive d'un événement peut prendre plusieurs jours.

2. Comment savoir si mon catalogue ou mes événements utilisateur comportent des erreurs ?

La plupart des appels d'API pour les mises à jour d'articles de catalogue ou les événements utilisateur renvoient une erreur en cas de problème de syntaxe ou si la requête ne peut pas être traitée pour une raison quelconque.

Le tableau de bord "Search for Retail" affiche le pourcentage d'événements non associés, ce qui est également une métrique utile pour détecter les problèmes de catalogue ou d'événements. Les événements non associés (ou les appels de prédiction non associés) surviennent lorsqu'un ID d'article est spécifié alors qu'il ne figure pas dans le catalogue. Cela signifie généralement que le catalogue est obsolète et que des articles de catalogue nouveaux ou modifiés doivent être importés, mais cela peut également être dû à la transmission d'ID d'articles incorrects. Vérifiez vos requêtes pour vous assurer que les ID d'articles sont correctement mappés avec le catalogue, puis vérifiez le catalogue que vous avez importé pour vous assurer que les articles existent.

Cloud Monitoring et Cloud Logging peuvent être utilisés pour surveiller l'état des événements. Par exemple, vous pouvez recevoir des alertes s'il n'y a pas d'événements sur une période donnée ou si les appels de prédiction tombent en dessous d'un certain seuil.

3. Pourquoi mes configurations de diffusion des recommandations apparaissent-elles comme inactives ? Comment les activer ?

Pour utiliser des configurations de diffusion de recommandations, vous devez d'abord envoyer les données de catalogue et d'événements utilisateur pour entraîner le modèle correspondant. Une fois qu'un modèle a été entraîné, le tableau de bord indique qu'il est prêt à être interrogé.

4. Dans quelle devise les métriques sur les revenus sont-elles fournies pour le Réseau de Recherche pour le commerce ?

Recherchez les métriques des rapports "Commerce de détail" dans la devise utilisée dans les données importées. Vertex AI Search pour le commerce ne permet pas d'utiliser plusieurs devises par catalogue et ne convertit pas les devises.

Si vous prévoyez d'utiliser la console Search for Retail pour obtenir vos métriques de revenus, assurez-vous que tous vos événements utilisent une seule devise ou convertissez-les tous dans la même devise avant de les importer dans Vertex AI Search pour le commerce.