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'autres services ? exemple de code ?

Oui. Vous pouvez consulter le guide des bibliothèques clientes ici pour obtenir des informations sur la configuration et les références de chaque bibliothèque.

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

2. Tous les modèles de recommandation sont-ils personnalisés ?

Les modèles "Recommandations pour vous", "Autres personnes que vous pourriez aimer" et "Racheter" vous donnent des recommandations personnalisées avec l'historique de l'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. Modèle Recommandé pour vous montre les produits populaires, tandis que le modèle "Autres que vous pourriez aimer" présente des produits similaires en fonction principalement sur les opinions des autres. 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 des données démographiques sur les utilisateurs de Google dans vos modèles ?

Les modèles n'utilisent que les données d'événements utilisateur et de catalogue que vous fournissez. Si vous si vous souhaitez inclure des données démographiques, vous pouvez inclure d'autres Informations pouvant être utiles en tant qu'attributs personnalisés. Ces données commenceront à être utilisées par le modèle après avoir été réajustées.

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 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. J'ai remarqué que l'on peut envoyer des URL d'image 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 de recherche pour le commerce.

7. Mon entreprise ne gère pas de site Web d'e-commerce. Puis-je quand même utiliser des recommandations pour prédire x, y et z ?

Certains de nos clients ont utilisé des recommandations pour des recommandations de contenu, des flux vidéo, des jeux et de nombreuses autres applications. Toutefois, le contenu et l'expérience proposés 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 insérer 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 ceux que vous aimez nécessitent un identifiant d'article, qui doit donc être utilisé pour des recommandations à l'aide, par exemple, d'un ID produit ou d'articles dans un panier. Fréquemment achetés ensemble fonctionne généralement mieux sur les pages d’ajout au panier ou de paiement, tandis que d’autres que vous pourriez aimer et Les articles similaires sont plus performants sur les pages d'informations détaillées sur les produits. Les recommandations personnalisées peuvent être placées car elle ne nécessite qu'un ID de visiteur en entrée, mais elle est conçue comme une page d'accueil de livraison de pages Web. Le bouton "Racheter" peut être placé sur n'importe quelle page.

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

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, Google Cloud Functions) afin d'obtenir les résultats de l'application. Vous avez également ont 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 "Articles 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" tant que vous disposez 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 vues de page produit, de vues de page d'accueil et d'événements d'ajout au panier (tous les modèles), et idéalement avec un an à deux ans d'historique d'achats (pour le modèle "Fréquemment achetés ensemble").

Une à deux semaines de pages d'informations peuvent suffire pour commencer la formation. et Recommandé pour vous, tandis que les options "Achats fréquemment achetés ensemble" et "Acheter de nouveau" en nécessitent généralement davantage, car enregistrent en général moins d'achats par jour que de pages vues. La qualité des modèles peut être considérablement améliorée avec davantage de données et le fait d'utiliser la quantité minimale de données peut 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 avec des produits ?

La page "Recommandations" n'affiche 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 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, elle n'utilise pas de cookies. Toutefois, tous les événements envoyés à Vertex AI Search pour le commerce doit spécifier un ID de visiteur, qui est souvent identifiant de session à partir d'un cookie.

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

Vous pouvez créer un projet dédié ou activer Vertex AI Search for retail dans un projet existant.

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

Vérifiez que vous avez effectué 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 à celles d'autres produits.

18. Je pense que les caractéristiques x, y et z seraient géniales. 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 toujours utiliser l'ancienne API pour les recommandations ?

Les recommandations ont été migrées depuis l'API Recommendations Engine à Vertex AI Search pour le commerce. Si vous utilisiez l'API Recommendations Engine pendant la phase bêta, nous vous recommandons de migrer vos recommandations vers Vertex AI Search for retail (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 la section À propos des catalogues et des produits ainsi que la page de référence du produit.

2. Puis-je utiliser mon catalogue Merchant Center pour obtenir des 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. Pour en savoir plus, consultez la section Importer des données de catalogue à partir de Merchant Center.

3. De quelle autre manière 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 soit synchronisé 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 puis-je maintenir mon catalogue à jour ? À quelle fréquence le catalogue doit-il être mis à jour ?

Consultez Maintenir votre catalogue à jour.

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 façon dont permet d'inclure rapidement de nouveaux éléments 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 minimale et maximale ?

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 gère des sites Web dans plusieurs pays. Dois-je en utiliser un pour l'ensemble de 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'existe aucun moyen de disposer de plusieurs catalogues dans le même projet. Toutefois, si vous utilisez des entités, vous pouvez spécifier le comportement de recherche, de recommandation et de saisie semi-automatique pour un pays donné.

Si les catalogues diffèrent considérablement d'un site Web à l'autre, nous vous recommandons un projet distinct pour chaque site Web. De plus, si les pays utilisent des langues différentes, nous vous recommandons de créer des projets distincts, un pour chaque langue.

S'il existe des sites Web similaires dont le trafic est faible par rapport au site Web principal, il il peut être préférable d'utiliser un seul catalogue s'il n'y a pas assez d'événements à produire des modèles de haute qualité pour tous les sites Web individuels.

Pour utiliser un catalogue unique, les ID d'articles du catalogue doivent être cohérents. En d'autres termes, le même produit doit avoir un ID d'article unique sur tous les sites Web afin qu'il n'y ait pas de produits en double dans le catalogue.

Pour les recommandations uniquement, une alternative à l'utilisation d'entités consiste à filtrer selon un à l'aide de filtres. Toutefois, les filtres peuvent prendre à 8 heures pour la mise à jour. Ainsi, en cas de disponibilité dans un pays (parmi de stock), elles doivent normalement être régies par une règle commerciale qui filtre les résultats après la réponse de prédiction. Cela s'applique au filtrage filter_tag v1 et au filtrage basé sur des attributs v2.

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 avec une seule et même devise.

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

8. Je possède plusieurs sites Web avec 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 balises de filtre afin de n'afficher que les éléments spécifiques au site pour une "predict".

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

9. L'inclusion de métadonnées améliore-t-elle 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 prédiction en spécifiant returnProduct:true, ce qui peut être utile pour l'affichage des résultats. Les images et les attributs d'élément sont utilisés pour l'aperçu de la prédiction. dans la console Search for Retail.

10. Quels sont les attributs d'un article du catalogue qui sont utilisés comme entrées d'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. Le fait d'avoir des URL d'image permet également d'afficher un aperçu de la prédiction. pour afficher les images lorsque vous prévisualisez les résultats de prédiction d'un modèle dans la Recherchez la console Retail.

11. Quelles langues sont disponibles pour mes produits ?

  • La fonctionnalité de recommandations: disponible dans la plupart des langues. Le modèle détecte automatiquement la langue du texte. Pour obtenir la liste de toutes les langues automatiquement détecté, consultez la page sur le Détecteur de langage compact GitHub README

  • La fonctionnalité de recherche : compatible avec ces langues du monde.

    Vous définissez la langue lorsque vous importez le catalogue. La le catalogue ne doit être rédigé que dans une seule langue et les requêtes doivent être envoyées même langue. La présence de plusieurs langues dans le catalogue nuit aux performances du modèle. Par exemple, si le catalogue est en espagnol, mais que la requête de recherche est en anglais, elle n'est pas traduite en espagnol.

12. Mon catalogue dispose de SKU principaux/variantes 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, consultez la section Niveaux de produit.

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 la liste des types d'événements utilisateur. ainsi que les exigences et les bonnes pratiques liées aux événements utilisateur.

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

Dans la console Search for Retail, accédez à la page Qualité des données. de qualité sur 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 for retail peut les lire directement à partir de 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. Propose-t-il tous les événements utilisateur nécessaires ?

Google Analytics 360 accepte de façon native 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 à partir d'Analytics 360. Notez toutefois que Vertex AI Search for retail crée l'événement utilisateur de recherche à partir des requêtes de recherche et, le cas échéant, des impressions de produits.

5. Comment fournir 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 parviens pas à envoyer tous les types d'événements utilisateur requis pour une ? 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. J'ai des événements d'ajout au panier et d'achat terminé qui n'ont aucune valeur les revenus ou la 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 couvrent 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 des ID des visiteurs. Pour en savoir plus, consultez Personnalisation.

2. Comment inclure du contexte (par exemple, le magasin depuis lequel un utilisateur effectue ses achats) dans le la requête de recherche ?

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'obtenir un classement selon plusieurs critères, tels que la disponibilité le prix ?

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

5. Est-il possible de regrouper certains attributs pour fournir des résultats avec 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 renvoyer 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 voir les raisons pour lesquelles un modèle a fabriqué un produit spécifique recommandation ?

N°

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 métier. 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 donne la priorité aux articles pertinents dont le prix est le plus élevé de recommandations renvoyées et est disponible en tant que personnalisation intégrée Autres modèles que vous pourriez aimer et recommander pour vous.

Consultez le reclassement du prix.

5. Existe-t-il des restrictions quant au nombre de balises de filtre que je peux créer utiliser ?

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 sur Vertex AI Search pour connaître les quotas et limites pour le retail.

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 par 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 cette réponse lorsque j'appelle l'API Prediction : "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 2 à 5 jours, mais peuvent prendre pour les grands ensembles de données. Par la suite, les modèles sont automatiquement réentraînés de façon quotidienne, sauf s'ils sont désactivés. Consultez la section Suspendre et reprendre l'entraînement d'un modèle.

3. Puis-je télécharger ou exporter le modèle ?

N°

4. Puis-je utiliser des modèles que j'ai créés dans un projet existant dans 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 catégories. Est-ce possible ?

Oui. Le modèle "Recommandé 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 en fonction de l'utilisateur Types de modèles de recommandations Autres qui pourraient vous intéresser, Recommandations personnalisées et Acheter de 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'un article basé sur des interactions précédentes de l'utilisateur avec votre site, il est possible de recevoir 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 Retail

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

Ce comportement est normal. Le tableau de bord Search for Retail affiche le nombre les événements ingérés sur une certaine période ; le nombre actuel ne s'affiche pas ou le nombre d'événements.

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

Si vous devez supprimer définitivement des événements qui n'ont pas été enregistrés correctement, consultez la pour supprimer des événements utilisateur. L'opération de purge des événements peut prendre plusieurs jours.

2. Comment identifier les erreurs liées à mon catalogue ou à des événements utilisateur ?

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 : est également une métrique utile pour repérer les problèmes liés au catalogue ou à l'événement. 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 sont-elles considérées comme inactives ? Comment les activer ?

Pour utiliser des configurations de diffusion de recommandations, vous devez d'abord envoyer un catalogue et des données d'événement 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 Search for Retail génère-t-il des métriques de revenus ?

Recherchez les métriques des rapports sur le commerce dans la devise utilisée dans le pays suivant : vos données importées. Vertex AI Search pour le commerce n'est pas compatible avec l'utilisation de plusieurs devises par catalogue et ne convertit pas les devises.

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