¿Tienes otras dificultades o tu problema no se describe en esta página? Informa un error o solicita una característica y únete al grupo de Google cloud-recommendations-users o a los debates de Stack Overflow.
General
1. ¿Tienes bibliotecas cliente para Vertex AI Search para venta minorista o más código de muestra?
Sí. Puedes consultar la guía de las bibliotecas cliente aquí para obtener información sobre la configuración y la referencia de cada biblioteca.
El servicio de descubrimiento de la API de Google también se puede usar en lugar de las llamadas REST sin procesar.
2. ¿Todos los modelos de recomendación son personalizados?
Los modelos Recomendado para ti, Otras opciones que podrían gustarte y Comprar de nuevo hacen recomendaciones personalizadas cuando se les proporciona el historial del usuario. Los modelos de Se suelen comprar juntos y Elementos similares no son personalizados.
Consulta Acerca de los modelos de recomendaciones.
3. ¿Recibiré recomendaciones personalizadas de inmediato o necesito esperar a que mejoren con el tiempo?
Las recomendaciones mejoran a medida que recopilas un historial más extenso. En el modelo Recomendado para ti, se muestran productos populares, mientras que en el modelo Otras opciones que podrían gustarte se muestran productos similares basados, en su mayoría, en las vistas de otros. Ambos modelos comienzan a tener en cuenta el comportamiento de los usuarios de inmediato, por lo que es importante enviar eventos en tiempo real. Consulta Acerca de los modelos de recomendaciones.
Los eventos del usuario deben enviarse en tiempo real, o muy cerca del tiempo real, para que la personalización sea efectiva. Si los eventos de los usuarios solo se envían a diario o por lotes a lo largo del día, es posible que los modelos personalizados no tengan un buen rendimiento como tendrían si se enviaran eventos en tiempo real.
4. ¿Usas los datos demográficos de los usuarios de Google en tus modelos?
Los modelos solo usan los datos del catálogo y de los eventos del usuario que proporciones. Si deseas incluir datos demográficos, puedes incluir otra información textual o numérica que podría ser útil como atributos personalizados. El modelo comenzará a usar estos datos después de que se vuelva a ajustar.
No incluyas información de identificación personal (PII), como direcciones de correo electrónico o nombres de usuario. Te sugerimos anonimizar los datos demográficos, por ejemplo, mediante el hash de los valores o el uso de los ID de grupos.
5. ¿Puedo hacer recomendaciones basadas en el historial de eventos de un grupo de usuarios, en lugar del historial de un solo usuario?
En la actualidad, las recomendaciones se basan en un solo ID de visitante o de usuario. Deberás realizar solicitudes individuales y, luego, combinar los resultados para basar las recomendaciones en el historial de un grupo. Si los usuarios tienen atributos de metadatos comunes, puedes usar los ID de grupo como ID de usuario para proporcionar recomendaciones a nivel de grupo.
6. Noté que se pueden enviar las URLs de las imágenes para los productos. ¿Los modelos toman en cuenta las imágenes del producto?
No. Estos campos se proporcionan a fin de que puedas recuperar estos metadatos junto con los resultados de las recomendaciones que se muestran, para ayudar a procesar los resultados de las recomendaciones. En la vista previa de la predicción, también se usan las URLs de las imágenes para mostrar las imágenes cuando obtienes una vista previa de los resultados de la predicción de un modelo en la consola de Search for Retail.
7. Mi empresa no es un sitio web de comercio electrónico minorista. ¿Puedo usar las recomendaciones para predecir x,y,z?
Tuvimos clientes que usaron recomendaciones para recomendaciones de contenido, transmisión de video por Internet y videojuegos, y otros casos de uso. Sin embargo, nuestro contenido y experiencia están diseñados para el caso de uso del comercio electrónico de venta minorista, y es posible que aún no sea adecuado para otros casos de uso.
8. ¿Puedo colocar recomendaciones en cualquier página de mi sitio?
Sí, pero los modelos están diseñados para casos de uso específicos y pueden funcionar mejor en determinadas páginas. Consulta Acerca de los modelos de recomendaciones.
"Con frecuencia se compran juntos" y "Otras opciones que podrían gustarte" requieren ID de artículo, por lo que deben usarse para recomendaciones mediante, por ejemplo, un ID de producto o artículos en un carrito. Por lo general, "Con frecuencia se compran juntos" suele funcionar mejor en las páginas de agregar al carrito o durante la confirmación de la compra, mientras que “Otras opciones que te pueden gustar” y “Elementos similares” funcionan mejor en las páginas de detalles de los productos. "Recomendado para ti" se puede colocar en cualquier página, ya que solo requiere un ID de visitante como entrada, pero está diseñada como una configuración de entrega de página principal. Comprar de nuevo está diseñado para colocarse en cualquier página.
9. ¿Puedo usar las recomendaciones para obtener recomendaciones en los boletines informativos por correo electrónico?
Sí. Esto se puede hacer llamando a la API con un ID de visitante o de usuario y, luego, incorporando los resultados en una plantilla de correo electrónico. Si quieres que los elementos se carguen de forma dinámica durante la lectura de correos electrónicos, deberás usar un extremo intermediario, como unaGoogle Cloud Function, para enviar la solicitud de predicción. La API solo proporciona una lista de los ID y metadatos del producto ordenados, por lo que también deberás escribir tu propio código para procesar los resultados de la imagen.
10. ¿Puedo usar Vertex AI Search para la venta minorista en otros casos de uso que no sean de la Web (apps para dispositivos móviles, kioscos)?
Sí. Puedes configurar un extremo (por ejemplo, Google Cloud Function) para obtener los resultados de la app. También necesitas un mecanismo similar para enviar eventos en tiempo real.
11. No tengo más de 3 meses de datos de eventos. ¿Puedo usar Vertex AI Search para la venta minorista? ¿Puedo agregar más datos en otro momento?
El modelo de elementos similares no usa datos de eventos del usuario ni ajustes de modelos. Si no tienes datos de eventos, puedes crear y entrenar un modelo de elementos similares siempre que tengas datos de catálogo.
Si puedes registrar suficiente tráfico para los eventos en tiempo real, se pueden usar datos recientes a fin de entrenar otros modelos. Si tienes datos adicionales disponibles más adelante, puedes subirlos después del entrenamiento inicial del modelo. Los datos recién reabastecidos se incorporan a los modelos durante el reentrenamiento diario. Sin embargo, si los datos son bastante diferentes de los eventos que se usaron para el entrenamiento inicial, es posible que se deban ajustar los modelos.
La mayoría de los modelos funcionan mejor con al menos tres meses de páginas vistas de productos, páginas principales vistas y eventos de agregar al carrito para todos los modelos. Lo ideal sería entre uno y dos años de historial de compras para el modelo Con frecuencia se compran juntos.
Una o dos semanas de vistas de páginas de detalles pueden ser suficientes para comenzar a entrenar los modelos Otras opciones que te podrían gustar y Recomendado para ti, mientras que Con frecuencia se compran juntos y Volver a comprar suelen requerir más, ya que, por lo general, hay menos compras por día que vistas de página. La calidad del modelo puede mejorarse de forma significativa con más datos; es posible que la cantidad mínima no produzca resultados óptimos. Por ejemplo, el año de compras permite que los modelos aprovechen mejor la temporada y las tendencias.
12. ¿Puedo recomendar categorías y productos juntos?
Recomendaciones solo muestra recomendaciones de productos, pero puedes obtener las categorías de cada producto que se muestran como parte de los resultados.
13. ¿Tienes integraciones para subir datos de bases de datos SQL o de otros sistemas, como BigQuery?
Sí. Para los eventos, hay código de muestra que lee desde BigQuery. Consulta un conjunto de datos de muestra de Google Analytics para BigQuery.
14. ¿Vertex AI Search para la venta minorista usa cookies?
No, no usa cookies. Sin embargo, todos los eventos enviados a la Búsqueda de Vertex AI para venta minorista deben tener un ID de visitante especificado, que suele ser un identificador de sesión de una cookie.
15. ¿Necesito un proyecto de Google Cloud dedicado?
Puedes crear un proyecto nuevo y dedicado, o habilitar Vertex AI Search para venta minorista en un proyecto existente.
16. ¿Por qué mis credenciales no funcionan cuando uso Cloud Shell?
Verifica que hayas completado los pasos de configuración de la autenticación para la búsqueda de Vertex AI para venta minorista. Debes usar una cuenta de servicio que hayas hecho disponible en tu entorno. De lo contrario, es posible que recibas un error como este: "Your application has authenticated using end user credentials from the Google SDK de Cloud or Google Cloud Shell which are not supported".
Para obtener más información sobre las cuentas de servicio, consulta la sección de autenticación de la documentación de Google Cloud.
17. ¿Cómo puedo comparar Vertex AI Search for Retail con soluciones similares?
Puedes realizar pruebas A/B para comparar los resultados de Vertex AI Search for Retail con los de otros productos.
18. Creo que la función x,y,z sería excelente. ¿Puedes agregar esto?
Nos gustaría conocer tu opinión. Las solicitudes de funciones se pueden enviar a través del equipo de cuentas, la Atención al cliente de Google o la herramienta de seguimiento de errores.
19. ¿Puedo seguir usando la API anterior para las recomendaciones?
Recomendaciones se migró de la API de Recommendations Engine a Vertex AI Search para venta minorista. Si usabas la API de Recomendaciones Engine mientras estaba en versión Beta, te recomendamos migrar las recomendaciones a la Búsqueda de Vertex AI para venta minorista (https://retail.googleapis.com del extremo de servicio), que es GA.
La API anterior (https://recommendationengine.googleapis.com del extremo de servicio) y su documentación permanecen disponibles, pero ya no se actualizan.
Catálogos y productos
1. ¿Cómo administra Recomendaciones IA los inicios en frío para los productos nuevos?
Para los productos que no tienen historial de compras, ofrecemos recomendaciones basadas en productos similares. En estos casos, es muy importante tener títulos, categorías y descripciones de productos definidos en el catálogo.
Para los usuarios de inicio en frío (visitantes sin historial), los modelos comienzan con los productos generales más populares y se vuelven más personalizados en tiempo real a medida que se reciben más eventos de usuario.
Consulta Acerca de los catálogos y los productos y la página de referencia del producto.
2. ¿Puedo usar mi catálogo de Merchant Center para obtener recomendaciones?
Sí, puedes exportar un catálogo de Merchant Center a BigQuery mediante el Servicio de transferencia de datos de Merchant Center. Luego, podemos leer el catálogo directamente desde BigQuery. Consulta Importa datos de catálogos desde Merchant Center.
3. ¿De qué otra manera puedo importar mi catálogo?
- Merchant Center: Importa con Merchant Center. Si usas la búsqueda, puedes usar la consola para vincular Merchant Center a fin de que su catálogo se sincronice de forma automática.
- BigQuery: Importa directamente desde una tabla o vista.
- Cloud Storage: Importa con archivos de texto con un elemento de catálogo JSON por línea.
- Importación intercalada: Importa con una llamada a la API mediante archivos de texto con un elemento de catálogo JSON por línea.
- Crea elementos de producto: Usa el método de creación
Products.
4. ¿Cómo puedo mantener mi catálogo actualizado? ¿Con qué frecuencia se debe actualizar el catálogo?
Consulta Mantén tu catálogo actualizado.
Te recomendamos actualizar tu catálogo a diario. Puedes realizar una actualización completa desde Cloud Storage o BigQuery, o una actualización incremental (es decir, solo elementos nuevos y modificados).
Si es posible, actualiza el precio y la disponibilidad en tiempo real. Esto afecta la rapidez con la que se pueden buscar los elementos nuevos mediante la búsqueda.
Si tienes una manera fácil de recibir notificaciones sobre los cambios del catálogo (como a través de Pub/Sub, la cola de mensajes, eventos, etc.), puedes actualizar el catálogo en tiempo real mediante la importación o la creación de métodos de la API.
Por ejemplo, Cloud Scheduler se puede usar para realizar una llamada de importación diaria de BigQuery.
5. ¿Hay tamaños de catálogo mínimos y máximos?
No hay un mínimo, pero los tamaños de catálogo muy pequeños (menos de 100 elementos) podrían no ver mucho el beneficio de las recomendaciones debido a que hay muy pocos productos diferentes para recomendar.
El catálogo máximo es de 40 millones de artículos.
Consulta la documentación para conocer las cuotas y los límites predeterminados y cómo solicitar un cambio en tu cuota.
6. Mi empresa opera sitios web en varios países. ¿Debo usar un catálogo para todos mis datos?
Por lo general, es mejor tener solo un catálogo con todos los elementos. Los eventos se deben enviar todos con una sola moneda. No hay forma de tener varios catálogos dentro del mismo proyecto, pero, si usas entidades, puedes especificar el comportamiento de búsqueda, recomendaciones y autocompletado para un país en particular.
Si los catálogos son bastante diferentes entre los sitios web, te recomendamos que tengas un proyecto separado para cada uno. Además, si los países tienen diferentes idiomas, te recomendamos que tengas proyectos independientes, uno para cada idioma.
Si hay sitios web similares con poco tráfico en comparación con el sitio web principal, puede ser mejor usar un solo catálogo si no hay suficientes eventos que produzcan modelos de alta calidad para todos los sitios web individuales.
Para usar un solo catálogo, los IDs de los elementos del catálogo deben ser coherentes, es decir, el mismo producto debe tener un solo ID de artículo en todos los sitios web para que no haya duplicación de productos dentro del catálogo.
Solo para las recomendaciones, una alternativa al uso de entidades es filtrar un sitio web específico con filtros. Sin embargo, los filtros pueden tardar hasta 8 horas en actualizarse, por lo que si hay requisitos de disponibilidad específicos del país (agotado), en general, deben manejarse mediante una regla empresarial que filtre los resultados después de la respuesta de predicción. Esto se aplica al filtrado de filter_tag de la v1 y al filtrado basado en atributos de la v2.
7. ¿Vertex AI Search para la venta minorista admite varias monedas por catálogo?
No, solo se admite un tipo de moneda por catálogo. Los eventos se deben subir con una sola moneda.
Si planeas usar la consola de Búsqueda para venta minorista para obtener tus métricas de ingresos, asegúrate de que todos tus eventos usen una sola moneda o conviértelos en la misma moneda antes de subirlos.
8. Tengo varios sitios web con un catálogo compartido o artículos similares. ¿Las recomendaciones pueden proporcionar recomendaciones entre sitios?
Por lo general, recomendamos usar un solo catálogo como este solo si hay una superposición significativa entre los sitios; deben compartir muchos o todos los mismos productos. Luego, al igual que con los sitios multirregión, puedes usar entidades o etiquetas de filtro para mostrar solo los elementos específicos del sitio para una llamada de predicción en particular.
Si los sitios no comparten muchos elementos del catálogo o ninguno, se deben usar varios catálogos. Usar varios catálogos requiere un proyecto de Google Cloud separado para cada catálogo.
9. ¿Incluir más metadatos mejora el modelo? ¿El modelo considera los campos x,y,z?
Consulta la Información obligatoria del elemento de catálogo para ver los campos obligatorios.
Otros campos de metadatos son opcionales (por ejemplo, images y itemAttributes). Se pueden usar para la vista previa de la predicción, el análisis de resultados, el entrenamiento y el ajuste. Recomendamos incluir atributos útiles, como color, tamaño, material, etcétera. Estos campos se pueden mostrar como parte de los resultados de la predicción si se especifica returnProduct:true, de forma que puedan ser útiles para renderizar los resultados. Los atributos de imágenes y elementos se usan para la vista previa de la predicción en la consola de Search for Retail.
10. ¿Qué atributos de un elemento de catálogo se usan como entradas de entrenamiento de modelos?
Se usa una combinación del comportamiento del usuario y de los atributos del producto. Los campos principales utilizados son ID, título, jerarquía de categorías, precio y URL. Puedes incluir otros atributos clave-valor personalizados que podrían ser útiles en Product.attributes[].
Las URL de imágenes son una función más conveniente; Puedes mostrar estos metadatos como parte de los resultados de la predicción si especificas returnProduct:true, que puede guardar una llamada adicional para recuperar esta información. Tener URLs de imágenes también permite que la vista previa de la predicción muestre las imágenes cuando obtienes una vista previa de los resultados de la predicción de un modelo en la consola de Search for Retail.
11. ¿Qué idiomas son compatibles con mis productos?
La función de recomendaciones: Es compatible con la mayoría de los idiomas. El modelo detecta automáticamente el idioma del texto. Para obtener una lista de todos los idiomas que se pueden detectar automáticamente, consulta el README de GitHub del detector de lenguaje compacto.
La función de búsqueda admite estos idiomas del mundo.
Puedes configurar el idioma cuando subas el catálogo. El catálogo debe estar en un solo idioma y las consultas deben enviarse en el mismo idioma. Tener varios idiomas en el catálogo degrada el rendimiento del modelo. Por ejemplo, si el catálogo está en español, pero la búsqueda está en inglés, esta no se traduce al español.
12. Mi catálogo tiene SKU principales o de variantes, o superiores o secundarias. ¿Son compatibles?
Sí. Esto sería similar a item_group_id en Merchant Center. Debes determinar cómo quieres obtener las recomendaciones (a nivel del superior o del secundario) y si los eventos están en el nivel del superior o del secundario.
Consulta Niveles de producto para obtener más información sobre los niveles de producto.
Determina y establece el nivel de producto correcto antes de enviar cualquier artículo o evento. El nivel de producto se puede cambiar, pero requiere volver a unir los elementos y volver a ajustar los modelos.
13. ¿Puedo borrar productos del catálogo cuando ya no estén disponibles?
Si un elemento ya no es actual, te recomendamos que establezcas su estado en OUT_OF_STOCK en lugar de borrarlo, para que los eventos de usuario anteriores que hagan referencia a él no se invaliden.
Eventos del usuario
1. ¿Qué eventos de usuario debo recopilar?
Consulta Acerca de los eventos de usuario para obtener una lista de los tipos de eventos de usuario, así como los requisitos y las prácticas recomendadas.
2. ¿Cómo soluciono los problemas de calidad de los datos durante la creación del modelo?
En la consola de Search for Retail, ve a la página Calidad de los datos para ver las métricas de calidad de los datos de los catálogos y los eventos de usuarios transferidos.
3. ¿Puedo integrarlo en Google Analytics 360?
Puede usar datos históricos de Google Analytics 360 (GA360). Al igual que los datos de Merchant Center, los datos de GA360 se pueden exportar a BigQuery y, luego, Vertex AI Search para venta minorista puede leer los eventos directamente desde BigQuery.
Para eventos en tiempo real, recomendamos integrar píxeles de seguimiento en Google Tag Manager, ya que los eventos se retrasan desde GA360.
4. Quiero importar eventos de usuario desde Google Analytics 360. ¿Proporciona todos los eventos de usuario necesarios?
Google Analytics 360 admite de forma nativa todos los eventos de usuario que usa la Búsqueda de Vertex AI para venta minorista, excepto los eventos de búsqueda. Aún así puedes importar eventos de usuario de búsqueda de Analytics 360, pero ten en cuenta que Vertex AI Search para venta minorista crea el evento de usuario de búsqueda a partir de búsquedas y, si están presentes, impresiones de productos.
5. ¿Cómo ingreso los eventos en Recomendaciones IA?
- Cloud Storage
- Importación intercalada de API
- Píxel de JavaScript
- Google Tag Manager
- Método de escritura de la API
Los usuarios suelen importar eventos históricos mediante Cloud Storage o la importación de API y, luego, transmitir eventos en tiempo real con la etiqueta de JavaScript, Pixel o Tag Manager en el sitio en vivo, o a través del método de escritura en el backend.
6. ¿Qué sucede si no puedo enviar todos los tipos de eventos de usuario enumerados como obligatorios para un modelo? ¿Cuáles son los tipos de eventos mínimos necesarios para cada modelo?
Cada modelo y objetivo de optimización tiene requisitos que pueden diferir un poco entre sí. Consulta los Requisitos de datos de los eventos del usuario.
El rendimiento del modelo suele ser mejor cuando hay más eventos por elemento de catálogo. Para los sitios con una gran cantidad de tráfico y catálogos más pequeños, es posible que puedas comenzar con un volumen menor de eventos históricos, pero, por lo general, necesitarás al menos unas pocas semanas de datos históricos y eventos en tiempo real en el futuro.
7. Tengo eventos de agregar al carrito y completar la compra que no tienen un valor para el ingreso o la cantidad. ¿Qué debo enviar?
Si no tienes un valor de cantidad, puedes pasar un valor predeterminado de 1 sin afectar los resultados del modelo. Los artículos siempre deben tener un precio visible establecido (todo lo que se muestre al usuario, como un precio con descuento). El costo y el precio original son opcionales.
8. Mis datos solo abarcaron tipos de eventos limitados. ¿Puedo usar Vertex AI Search para la venta minorista?
Consulta los Requisitos de los datos de eventos del usuario para conocer los requisitos mínimos de datos de cada tipo de modelo.
Resultados de la búsqueda
1. ¿Los resultados de la búsqueda son personalizados?
Sí. La Búsqueda puede proporcionar resultados personalizados. Los resultados de la búsqueda se personalizan en función de los IDs de visitante. Para obtener más información, consulta Personalización.
2. ¿Cómo incluyo contexto, como la tienda desde la que compra un usuario, como parte de la solicitud de búsqueda?
Las opciones de disponibilidad y entrega basadas en el ID de la tienda son atributos del catálogo de productos. Las opciones de entrega son atributos, como “entregado en línea”, “compra en línea” y “retiro en tienda”.
Los atributos se pueden enviar como un parámetro en la solicitud de búsqueda. En este ejemplo, la solicitud de búsqueda puede especificar el ID de la tienda del usuario. Los resultados se pueden filtrar o clasificar según el ID de la tienda en la solicitud.
3. ¿Puedo ocultar productos de los resultados de la búsqueda?
Sí. El parámetro filter puede filtrar los resultados según sus etiquetas.
4. ¿Es posible clasificar en función de múltiples criterios, como la disponibilidad y el precio?
Sí, [boostSpec] permite reglas de clasificación complejas.
5. ¿Es posible agrupar algunos atributos para entregar resultados con varias facetas? Por ejemplo, cuando se agrupan ciudades en el mismo país para el origen de la producción.
Los atributos del producto no son jerárquicos. Sin embargo, puedes usar varios atributos personalizados para lograrlo. En este ejemplo, puedes usar atributos personalizados en los países de producción y en la ciudad de producción.
6. ¿Cómo funcionan las sugerencias?
Las sugerencias son una combinación de consultas de usuarios, consultas reescritas, nombres de productos, etcétera. Para generar sugerencias de autocompletado de alta calidad, se debe transferir una cantidad suficiente de eventos de búsqueda junto con el catálogo.
Resultados de la predicción
1. ¿Existe un límite para la cantidad de predicciones que puedo mostrar?
De forma predeterminada, una solicitud de predicción muestra 20 elementos en la respuesta. Esto se puede aumentar o disminuir si envías un valor para pageSize.
Si necesitas mostrar más de 100 elementos, comunícate con el equipo de Atención al cliente de Google para aumentar el límite. Sin embargo, ten en cuenta que mostrar más de 100 elementos puede aumentar la latencia de respuesta.
2. ¿Puedo ver los motivos por los que un modelo hizo una recomendación específica del producto?
No.
3. ¿Puedo descargar y almacenar en caché los resultados de la predicción?
Debido a que los resultados de la predicción mejoran en tiempo real como respuesta a la actividad del usuario en tu sitio, no recomendamos usar predicciones almacenadas en caché. Los modelos se vuelven a entrenar a diario para incorporar cambios en tu catálogo y reaccionar a tendencias nuevas en los eventos del usuario, lo que también cambia los resultados.
4. Necesito volver a revisar las recomendaciones que se muestran en función de una regla empresarial. ¿Esto es compatible?
Sí. Si bien puedes volver a clasificar las recomendaciones que se muestran según tus reglas empresariales, ten en cuenta que reordenar o filtrar los resultados recomendados puede reducir la efectividad general del modelo para lograr el objetivo de optimización que elegiste.
La reclasificación de precios ordena los elementos relevantes con precios altos primero en el conjunto de recomendaciones que se muestran y está disponible como una personalización integrada para los modelos Otras opciones que podrían gustarte y Recomendado para ti.
Consulta Reclasificación de precios.
5. ¿Existen restricciones para la cantidad de etiquetas de filtro que puedo crear y usar?
No hay límites estrictos para la cantidad de etiquetas únicas que puedes crear o usar. Sin embargo, el sistema no está diseñado para manejar muchas etiquetas de filtro por elemento. Recomendamos mantener las etiquetas de filtro limitadas a un máximo de 10 por elemento de catálogo si es posible. Se pueden usar más de 10 valores en todo el catálogo. Este es un límite por elemento. El límite para las etiquetas totales (la suma total de todos los recuentos de etiquetas por artículo) es de 100,000,000.
Consulta la documentación de Vertex AI Search para conocer las cuotas y los límites de venta minorista.
6. ¿Puedo diversificar las recomendaciones?
Sí. La diversificación se puede especificar como parte de la configuración de entrega o en los parámetros de la solicitud de predicción. Con una diversificación baja, las predicciones pueden contener elementos similares en la misma categoría. Con una diversificación más alta, los resultados contendrán elementos de otras categorías.
7. ¿Puedo priorizar las recomendaciones por precio?
Sí. La reclasificación de precios hace que los productos sugeridos con una probabilidad de recomendación similar se ordenen según el precio, con los elementos de precio más alto primero. La relevancia también se usa para ordenar elementos, por lo que habilitar la reclasificación de precio no es lo mismo que ordenarlos por precio. La reclasificación de precios se puede especificar como parte de la configuración de entrega o en los parámetros de la solicitud de predicción.
Modelos
1. Subí mi catálogo y mis eventos, pero sigo recibiendo esta respuesta cuando llamo a la API de predicción: “El modelo de recomendación no está listo. Puedes configurar “dryRun” como verdadero en la solicitud de predicción con fines de integración, lo que muestra elementos arbitrarios del catálogo (NO lo uses para el tráfico de producción)”.
Por lo general, esto significa que tu modelo no terminó de entrenarse. Si transcurrieron más de 10 días desde que creaste el modelo y sigues recibiendo esta respuesta, comunícate con el equipo de asistencia.
2. ¿Cuánto tiempo se necesita para entrenar un modelo?
El entrenamiento y el ajuste del modelo inicial tardan entre 2 y 5 días en completarse, pero pueden tardar más en conjuntos de datos grandes. Luego, los modelos se vuelven a entrenar automáticamente a diario, a menos que estén inhabilitados. Consulta Pausar y reanudar el entrenamiento de un modelo.
3. ¿Puedo descargar o exportar el modelo?
No.
4. ¿Puedo usar modelos que creé en un proyecto existente en un proyecto nuevo?
No. Debes crear y volver a entrenar los modelos en el proyecto nuevo.
5. Quiero usar un modelo para mis páginas de categorías. ¿Puedo hacerlo?
Sí. La opción Recomendado para ti es útil en las páginas de categorías.
Una página de categorías es similar a una página principal, excepto que se muestran solo los elementos de esa categoría.
Puedes lograr esto mediante un modelo estándar recomendado para ti con etiquetas de filtro.
Por ejemplo, puedes agregar etiquetas de filtro personalizadas (correspondientes a cada página de categoría) a los elementos de tu catálogo. Cuando envíes la solicitud de predicción, configura el objeto del evento de usuario como category-page-view y especifica una etiqueta de página de categoría específica en el campo filter. Solo se muestran los resultados de la recomendación que coinciden con la etiqueta de filtro solicitada. En este caso de uso, se debe inhabilitar la diversidad, ya que la diversidad puede entrar en conflicto con las etiquetas de filtro basadas en categorías.
6. ¿Puedo inhabilitar la personalización de mis modelos?
De forma predeterminada, el usuario personaliza los resultados de la predicción para los tipos de modelo de recomendación Otras opciones que podrían gustarte, Recomendado para ti y Volver a comprar.
No se recomienda inhabilitar la personalización porque puede afectar de forma negativa el rendimiento del modelo.
Si necesitas mostrar elementos de catálogo relevantes para el producto que se visualiza en lugar que se basen en las interacciones anteriores del usuario con tu sitio, es posible recibir recomendaciones no personalizadas mediante un ID de visitante único aleatorio en una solicitud de predicción. Asegúrate de hacerlo solo para las solicitudes en la configuración de entrega que no desees personalizar.
La consola de Búsqueda para la venta minorista
1. Borré definitivamente varios eventos, pero el panel aún muestra los recuentos de esos tipos de eventos.
Esta situación es esperable. En el panel de Búsqueda para venta minorista, se muestra la cantidad de eventos transferidos durante un período determinado. No se muestran el recuento actual ni la cantidad de eventos.
Por lo general, debes dejar los eventos del usuario en su lugar después de que se registraron. No se recomienda borrar definitivamente los eventos. Si planeas restablecer los eventos de usuario por completo, considera crear un proyecto nuevo en su lugar.
Si necesitas borrar definitivamente eventos que no se registraron correctamente, consulta la documentación sobre Cómo quitar eventos de usuario. La eliminación definitiva de un evento puede tardar varios días en completarse.
2. ¿Cómo puedo saber si hay errores en mi catálogo o los eventos del usuario?
La mayoría de las llamadas a la API para actualizaciones de elementos del catálogo o eventos de usuario muestran un error si hay un problema con la sintaxis o si la solicitud no se puede procesar por algún motivo.
En el panel de Búsqueda para venta minorista, se muestra el porcentaje de eventos no unidos, que también es una métrica útil para detectar problemas de catálogos o eventos. Los eventos no unidos (o las llamadas de predicción no unidas) ocurren cuando se especifica un ID de elemento que no está en el catálogo. Por lo general, esto significa que el catálogo está desactualizado y que se deben subir los elementos del catálogo nuevos o modificados, pero también puede deberse a que se pasan ID de elementos incorrectos. Revisa las solicitudes para asegurarte de que los ID de elementos se asignen al catálogo de forma correcta y, luego, revisa el catálogo que subiste para asegurarte de que existan.
Cloud Monitoring y Cloud Logging se pueden usar para supervisar el estado de los eventos. Por ejemplo, puedes recibir alertas si no hay eventos durante un período determinado o si las llamadas de predicción se encuentran por debajo de un umbral determinado.
3. ¿Por qué mis parámetros de configuración de publicación de recomendaciones se muestran como inactivos? ¿Cómo las activo?
Para usar la configuración de publicación de recomendaciones, primero debes enviar el catálogo y los datos de eventos del usuario para entrenar el modelo correspondiente. Una vez que se entrenó un modelo, el panel indica que está listo para consultar.
4. ¿En qué moneda la Búsqueda para minoristas informa las métricas de ingresos?
La Búsqueda de Retail informa las métricas en la moneda que se usa en tus datos subidos. Vertex AI Search for Retail no admite el uso de varias monedas por catálogo y no convierte monedas.
Si planeas usar la consola de Search for Retail para obtener tus métricas de ingresos, asegúrate de que todos tus eventos usen una sola moneda o conviértelos en la misma moneda antes de subirlos a Vertex AI Search for Retail.