Ada kesulitan lain atau masalah yang Anda alami tidak dijelaskan di bawah ini? Harap laporkan bug atau minta fitur, lalu ikuti diskusi di grup Google cloud-recommendations-users atau Stack Overflow.
Umum
1. Apakah Anda memiliki library klien untuk Vertex AI Search untuk retail atau kode contoh lainnya?
Ya. Anda dapat melihat panduan library klien di sini untuk mengetahui informasi penyiapan dan referensi setiap library.
Google API Discovery Service juga dapat digunakan sebagai pengganti panggilan REST mentah.
2. Apakah semua model rekomendasi dipersonalisasi?
Model Direkomendasikan untuk Anda, Orang Lain yang Mungkin Anda Sukai, dan Beli Lagi memberikan rekomendasi yang dipersonalisasi jika disediakan dengan histori pengguna. Model Item yang Sering Dibeli Bersama dan Item Serupa tidak dipersonalisasi.
Lihat Tentang model rekomendasi.
3. Apakah saya akan segera menerima rekomendasi yang dipersonalisasi, atau apakah saya harus menunggu peningkatan kualitas ini seiring waktu?
Rekomendasi akan meningkat seiring Anda mengumpulkan lebih banyak histori pengguna. Model Direkomendasikan untuk Anda menampilkan produk populer dan model Lainnya yang Mungkin Anda Sukai menampilkan produk serupa berdasarkan pandangan orang lain. Kedua model ini mulai mempertimbangkan perilaku pengguna dengan segera, sehingga penting untuk mengirim peristiwa real-time. Lihat artikel Tentang model rekomendasi.
Peristiwa pengguna harus dikirim secara real-time, atau sangat mendekati real-time, agar personalisasi menjadi efektif. Jika peristiwa pengguna hanya dikirim setiap hari, atau dalam batch sepanjang hari, model yang dipersonalisasi mungkin tidak berperforma sebaik jika peristiwa real-time dikirim.
4. Apakah Anda menggunakan data demografi pengguna Google dalam model Anda?
Model ini hanya menggunakan katalog dan data peristiwa pengguna yang Anda berikan. Jika ingin menyertakan data demografis, Anda dapat menyertakan informasi tekstual atau numerik lainnya yang mungkin berguna sebagai atribut khusus. Data ini akan mulai digunakan oleh model setelah di-tuning ulang.
Jangan sertakan informasi identitas pribadi (PII) seperti alamat email atau nama pengguna. Sebaiknya Anda menganonimkan data demografis, seperti dengan melakukan hashing pada nilai atau menggunakan ID grup.
5. Dapatkah saya membuat rekomendasi berdasarkan histori peristiwa sekelompok pengguna, bukan histori satu pengguna?
Saat ini, rekomendasi didasarkan pada satu ID pengunjung atau ID pengguna. Anda harus membuat permintaan satu per satu, lalu menggabungkan hasilnya sebagai dasar untuk rekomendasi pada histori grup. Jika pengguna memiliki atribut metadata yang sama, Anda dapat menggunakan ID grup sebagai ID pengguna untuk memberikan rekomendasi di tingkat grup.
6. Sepertinya Anda dapat mengirimkan URL gambar untuk produk. Apakah model mempertimbangkan gambar produk?
Tidak untuk saat ini. Kolom ini disediakan sehingga Anda dapat mengambil metadata ini beserta hasil rekomendasi yang ditampilkan, untuk membantu dalam hasil rekomendasi rendering. Pratinjau prediksi juga menggunakan URL gambar untuk menampilkan gambar saat Anda melihat pratinjau hasil prediksi model di Search for Retail console.
7. Perusahaan saya bukan situs e-commerce retail. Apakah saya masih dapat menggunakan rekomendasi untuk memprediksi x,y,z?
Sudah pernah pelanggan menggunakan rekomendasi untuk rekomendasi konten, streaming video dan game, serta kasus penggunaan lainnya. Namun, konten dan pengalaman kami saat ini dirancang dengan mempertimbangkan kasus penggunaan e-commerce retail dan mungkin belum cocok untuk kasus penggunaan lainnya.
8. Dapatkah saya menempatkan rekomendasi di halaman mana pun di situs saya?
Ya, tetapi masing-masing model didesain untuk kasus penggunaan tertentu dan dapat berfungsi paling baik di halaman tertentu. Lihat Tentang model rekomendasi.
Sering Dibeli Bersama dan Orang Lain yang Anda Sukai memerlukan ID item, sehingga harus digunakan untuk rekomendasi menggunakan, misalnya, ID produk atau item dalam keranjang. Produk yang Sering Dibeli Bersama biasanya berfungsi paling baik di halaman tambahkan ke keranjang atau halaman checkout, sedangkan Produk Lainnya yang Mungkin Anda Sukai dan Item Serupa berfungsi paling baik di halaman detail produk. Direkomendasikan untuk Anda dapat ditempatkan di halaman mana pun, karena halaman ini hanya memerlukan ID pengunjung sebagai input, tetapi dirancang sebagai konfigurasi penayangan halaman beranda. Beli Lagi dirancang untuk ditempatkan di halaman mana pun.
9. Dapatkah saya menggunakan rekomendasi untuk rekomendasi dalam newsletter email?
Ya. Hal ini dapat dilakukan dengan melakukan panggilan ke API menggunakan ID pengunjung atau ID pengguna, lalu memasukkan hasilnya ke dalam template email. Jika Anda ingin item dimuat secara dinamis pada waktu pembacaan email, Anda harus menggunakan endpoint perantara, seperti Google Cloud Function, untuk mengirim permintaan prediksi. API ini hanya menyediakan daftar metadata dan ID produk yang diurutkan, sehingga Anda juga harus menulis kode sendiri untuk merender hasil gambar.
10. Dapatkah saya menggunakan Vertex AI Search untuk retail untuk kasus penggunaan non-web lainnya (aplikasi seluler, kios)?
Ya. Anda dapat menyiapkan endpoint (misalnya, Google Cloud Function) untuk mendapatkan hasil aplikasi. Anda juga memerlukan mekanisme serupa untuk mengirim peristiwa real-time.
11. Saya tidak punya data peristiwa untuk rentang waktu 3 bulan lebih. Apakah saya masih dapat menggunakan Vertex AI Search untuk retail? Dapatkah saya menambahkan lebih banyak data pada lain waktu?
Model Item Serupa tidak menggunakan data peristiwa pengguna atau penyesuaian model. Jika tidak memiliki data peristiwa, Anda masih dapat membuat dan melatih model Item Serupa selama Anda memiliki data katalog.
Jika Anda dapat merekam traffic yang memadai untuk peristiwa real-time, data terbaru dapat digunakan untuk melatih model lain. Jika memiliki data tambahan yang tersedia di kemudian hari, Anda dapat menguploadnya setelah pelatihan model awal. Data yang baru diisi ulang akan dimasukkan ke dalam model selama pelatihan ulang harian. Namun, jika data tersebut berbeda secara signifikan dengan peristiwa yang digunakan untuk pelatihan awal, model tersebut mungkin perlu disesuaikan.
Sebagian besar model berfungsi paling baik dengan kunjungan halaman produk, kunjungan halaman beranda, dan peristiwa tambahkan ke keranjang minimal selama tiga bulan untuk semua model, dan idealnya histori pembelian selama satu hingga dua tahun untuk model Sering Dibeli Bersama.
Kunjungan halaman detail selama satu hingga dua minggu sudah cukup untuk memulai pelatihan model Lainnya yang Mungkin Anda Sukai dan Direkomendasikan untuk Anda, sedangkan situs yang Sering Dibeli dan Beli Lagi biasanya memerlukan lebih banyak kunjungan karena biasanya pembelian per hari yang lebih sedikit daripada kunjungan halaman. Kualitas model dapat ditingkatkan secara signifikan dengan lebih banyak data; jumlah minimum mungkin tidak memberikan hasil yang optimal. Misalnya, pembelian selama setahun memungkinkan model memanfaatkan musim dan tren dengan lebih baik.
12. Dapatkah saya merekomendasikan kategori beserta produk?
Rekomendasi saat ini hanya menampilkan rekomendasi produk, tetapi Anda bisa mendapatkan kategori untuk setiap produk yang ditampilkan sebagai bagian dari hasil.
13. Apakah Anda memiliki integrasi untuk mengupload data dari database SQL atau sistem lain, seperti BigQuery?
Ya. Untuk peristiwa, ada kode contoh yang membaca dari BigQuery. Lihat set data sampel Google Analytics untuk BigQuery.
14. Apakah Vertex AI Search untuk retail menggunakan cookie?
Tidak, Bard tidak menggunakan cookie. Namun, semua peristiwa yang dikirim ke Vertex AI Search untuk retail harus memiliki ID pengunjung yang ditentukan, yang sering kali merupakan ID sesi dari cookie.
15. Apakah saya memerlukan project Google Cloud khusus?
Anda dapat membuat project khusus baru, atau mengaktifkan Vertex AI Search untuk retail dalam project yang sudah ada.
16. Mengapa kredensial saya tidak berfungsi saat menggunakan Cloud Shell?
Pastikan Anda telah menyelesaikan langkah-langkah penyiapan autentikasi untuk Vertex AI Search untuk retail. Anda harus menggunakan akun layanan yang telah tersedia di lingkungan Anda. Jika tidak, Anda mungkin akan mendapatkan pesan error seperti ini: "Aplikasi Anda telah diautentikasi menggunakan kredensial pengguna akhir dari Google Cloud SDK atau Google Cloud Shell yang tidak didukung".
Untuk mengetahui informasi selengkapnya tentang akun layanan, lihat bagian Autentikasi di dokumentasi Google Cloud.
17. Bagaimana cara membandingkan Vertex AI Search untuk retail dengan solusi serupa?
Anda dapat melakukan pengujian A/B untuk membandingkan hasil dari Vertex AI Search untuk retail dengan hasil dari produk lain.
18. Menurut saya, fitur x,y,z akan sangat bagus. Dapatkah Anda menambahkannya?
Kami ingin mendengar pendapat Anda. Permintaan fitur dapat dikirimkan melalui tim akun Anda, Dukungan Google, atau issue-tracker.
19. Apakah saya masih dapat menggunakan API lama untuk mendapatkan rekomendasi?
Rekomendasi telah dimigrasikan dari Recommendations Engine API
ke Vertex AI Search untuk retail. Jika Anda menggunakan Recommendations Engine API saat masih dalam versi beta, sebaiknya migrasikan rekomendasi Anda ke Vertex AI Search untuk retail (endpoint layanan https://retail.googleapis.com), yang merupakan GA.
API sebelumnya (endpoint layanan
https://recommendationengine.googleapis.com) dan
dokumentasinya tetap tersedia, tetapi tidak lagi diperbarui.
Katalog dan produk
1. Bagaimana cara rekomendasi menangani cold start untuk produk baru?
Untuk produk yang tidak memiliki histori pembelian, kami membuat rekomendasi berdasarkan produk serupa. Dalam hal ini, sangat penting untuk memiliki judul, kategori, dan deskripsi produk yang baik dalam katalog.
Untuk pengguna cold start (pengunjung tanpa histori), model dimulai dengan produk umum yang paling populer, dan menjadi lebih dipersonalisasi secara real time saat lebih banyak peristiwa pengguna diterima.
Lihat artikel Tentang katalog dan produk serta halaman referensi produk.
2. Dapatkah saya menggunakan katalog Merchant Center untuk mendapatkan rekomendasi?
Ya, Anda dapat mengekspor katalog Merchant Center ke BigQuery menggunakan Layanan Transfer Data Merchant Center. Kemudian kita dapat membaca katalog langsung dari BigQuery. Lihat Mengimpor data katalog dari Merchant Center.
3. Bagaimana lagi cara saya mengimpor katalog?
- Merchant Center: Impor dengan Merchant Center. Jika menggunakan penelusuran, Anda dapat menggunakan konsol untuk menautkan Merchant Center agar katalognya disinkronkan secara otomatis.
- BigQuery: Mengimpor langsung dari tabel atau tampilan.
- Cloud Storage: Impor menggunakan file teks dengan satu item katalog JSON per baris.
- Impor inline: Impor dengan panggilan API, menggunakan file teks dengan satu item katalog JSON per baris.
- Buat item produk: Gunakan metode pembuatan
Products.
4. Bagaimana cara agar katalog saya selalu diperbarui? Seberapa sering katalog perlu diperbarui?
Lihat Memastikan katalog Anda selalu yang terbaru.
Sebaiknya perbarui katalog Anda setiap hari. Anda dapat melakukan update lengkap dari Cloud Storage atau BigQuery, atau update inkremental (misalnya, item baru dan yang diubah saja).
Jika memungkinkan, perbarui harga dan ketersediaan secara real time. Hal ini memengaruhi seberapa cepat item baru dapat ditelusuri dengan penelusuran.
Jika Anda memiliki cara mudah untuk mendapatkan notifikasi perubahan katalog (seperti melalui Pub/Sub, antrean pesan, peristiwa, dll.), Anda dapat memperbarui katalog secara real time menggunakan metode API import atau buat.
Misalnya, Cloud Scheduler dapat digunakan untuk melakukan panggilan impor BigQuery harian.
5. Apakah ada ukuran katalog minimum dan maksimum?
Tidak ada batas minimum, tetapi ukuran katalog yang sangat kecil (<100 item) mungkin tidak banyak mendapatkan manfaat dari rekomendasi karena hanya ada sedikit produk berbeda yang dapat direkomendasikan.
Maksimum katalog adalah 40 juta item.
Baca dokumentasi mengenai kuota dan batas default dan cara meminta perubahan pada kuota Anda.
6. Perusahaan saya mengoperasikan situs web di banyak negara. Haruskah saya menggunakan satu katalog untuk semua data saya?
Sebaiknya Anda hanya memiliki satu katalog yang berisi semua item. Semua peristiwa harus dikirim menggunakan mata uang tunggal. Saat ini tidak ada cara untuk memiliki beberapa katalog dalam project yang sama, tetapi jika menggunakan entitas, Anda dapat menentukan perilaku penelusuran, rekomendasi, dan pelengkapan otomatis untuk negara tertentu.
Jika katalog sangat berbeda di antara situs, sebaiknya Anda memiliki project terpisah untuk setiap situs. Selain itu, jika negara memiliki bahasa yang berbeda, sebaiknya buat project terpisah, satu untuk setiap bahasa.
Jika ada situs serupa dengan traffic yang rendah dibandingkan dengan situs utama, sebaiknya gunakan satu katalog jika tidak ada cukup peristiwa untuk menghasilkan model berkualitas tinggi untuk semua situs.
Untuk menggunakan satu katalog, ID item katalog harus konsisten. Artinya, produk yang sama harus memiliki satu ID item di semua situs agar tidak ada duplikasi produk dalam katalog.
Khusus untuk rekomendasi, alternatif penggunaan entitas adalah memfilter ke situs tertentu menggunakan tag filter. Namun, tag filter mungkin memerlukan waktu hingga 8 jam untuk diperbarui. Jadi, jika ada persyaratan ketersediaan khusus negara (stok habis), tag filter biasanya perlu ditangani oleh aturan bisnis yang memfilter hasil setelah respons prediksi.
7. Apakah Vertex AI Search untuk retail mendukung beberapa mata uang per katalog?
Tidak, hanya satu jenis mata uang per katalog yang didukung. Peristiwa harus diupload menggunakan satu mata uang.
Jika Anda berencana menggunakan konsol Search for Retail untuk mendapatkan metrik pendapatan, pastikan semua peristiwa menggunakan satu mata uang atau mengonversi semuanya ke mata uang yang sama sebelum menguploadnya.
8. Saya memiliki beberapa situs dengan katalog bersama atau item serupa. Dapatkah rekomendasi memberikan rekomendasi lintas situs?
Kami biasanya merekomendasikan penggunaan satu katalog seperti ini hanya jika ada tumpang-tindih yang signifikan di antara situs; situs tersebut seharusnya memiliki banyak atau semua produk yang sama. Kemudian, seperti halnya situs multi-region, Anda dapat menggunakan entity atau tag filter agar hanya menampilkan item khusus situs untuk panggilan prediksi tertentu.
Jika situs tidak membagikan banyak, atau salah satu, item katalog, beberapa katalog harus digunakan. Penggunaan beberapa katalog memerlukan project Google Cloud terpisah untuk setiap katalog.
9. Apakah menyertakan lebih banyak {i>metadata<i} dapat meningkatkan model? Apakah model mempertimbangkan kolom x,y,z?
Lihat Informasi item katalog yang diperlukan untuk kolom yang wajib diisi.
Kolom metadata lainnya bersifat opsional (misalnya, image dan itemAttributes). Model ini dapat digunakan untuk pratinjau prediksi, analisis hasil, pelatihan, dan tuning. Sebaiknya
sertakan atribut yang berguna seperti warna, ukuran, bahan, dll. Kolom
ini dapat ditampilkan sebagai bagian dari hasil predict dengan menentukan
returnProduct:true, sehingga dapat berguna untuk merender
hasil. Gambar dan atribut item digunakan untuk pratinjau prediksi di Search for Retail console.
10. Manakah atribut item katalog yang digunakan sebagai input pelatihan model?
Terdapat kombinasi perilaku pengguna dan atribut produk. Kolom utama
yang digunakan adalah ID, judul, hierarki kategori, harga, dan URL. Anda dapat menyertakan
atribut nilai kunci kustom lainnya yang mungkin berguna dalam
Product.attributes[].
URL gambar lebih merupakan fitur praktis; Anda dapat menampilkan metadata ini sebagai bagian dari hasil prediksi dengan menentukan returnProduct:true, yang dapat menyimpan panggilan tambahan untuk mengambil informasi ini. Memiliki URL gambar juga memungkinkan pratinjau prediksi menampilkan gambar saat Anda melihat pratinjau hasil prediksi model di Search for Retail console.
11. Bahasa apa saja yang didukung untuk produk saya?
rekomendasi: Mendukung sebagian besar bahasa. Model akan otomatis mendeteksi bahasa teks. Untuk mengetahui daftar semua bahasa yang dapat dideteksi secara otomatis, lihat Compact Language Detector README GitHub.
search: Mendukung bahasa berikut: Arab, Belanda, Inggris, Prancis, Jerman, Italia, Jepang, Korea, Polandia, Portugis, Spanyol, dan Turki. Anda menyetel bahasa saat mengupload katalog. Katalog harus dibuat dalam satu bahasa saja dan kueri harus dikirim dalam bahasa yang sama. Memiliki beberapa bahasa dalam katalog akan menurunkan performa model. Misalnya, jika katalog berbahasa Spanyol tetapi kueri penelusurannya dalam bahasa Inggris, kueri tersebut tidak akan diterjemahkan ke bahasa Spanyol.
12. Katalog saya memiliki SKU utama/varian atau SKU induk/turunan. Apakah hal ini didukung?
Ya. Ini akan mirip dengan item_group_id di Merchant Center. Anda perlu menentukan cara mendapatkan
rekomendasi kembali (di tingkat induk atau turunan) dan apakah peristiwa tersebut berada di
tingkat induk atau turunan.
Lihat Tingkat produk untuk informasi lebih lanjut tentang tingkat produk.
Tentukan dan tetapkan tingkat produk yang benar sebelum mengirim item atau peristiwa apa pun. Tingkat produk dapat diubah, tetapi memerlukan penggabungan item dan penyesuaian ulang model.
13. Dapatkah saya menghapus produk dari katalog saat tidak lagi tersedia?
Jika item sudah tidak berlaku lagi, sebaiknya tetapkan statusnya ke
OUT_OF_STOCK, bukan menghapusnya, agar peristiwa pengguna sebelumnya yang
mereferensikan item tersebut tidak dibatalkan.
Peristiwa pengguna
1. Peristiwa pengguna apa yang perlu saya kumpulkan?
Lihat artikel Tentang peristiwa pengguna untuk mengetahui daftar jenis peristiwa pengguna serta persyaratan dan praktik terbaik peristiwa pengguna.
2. Bagaimana cara memecahkan masalah kualitas data dalam pembuatan model?
Di Search for Retail console, buka halaman Kualitas Data untuk metrik kualitas data tentang katalog yang diserap dan peristiwa pengguna.
3. Dapatkah saya berintegrasi dengan Google Analytics 360?
Anda dapat menggunakan data historis dari Google Analytics 360 (GA360). Serupa dengan data Merchant Center, data GA360 dapat diekspor ke BigQuery. Selanjutnya, Vertex AI Search untuk retail dapat membaca peristiwanya langsung dari BigQuery.
Untuk peristiwa real-time, sebaiknya integrasikan piksel pelacakan dengan Google Tag Manager, karena peristiwa tertunda dari GA360.
4. Saya ingin mengimpor peristiwa pengguna dari Google Analytics 360. Apakah itu menyediakan semua peristiwa pengguna yang diperlukan?
Google Analytics 360 secara native mendukung semua peristiwa pengguna yang digunakan oleh Vertex AI Search untuk retail, kecuali untuk peristiwa penelusuran. Anda tetap dapat mengimpor peristiwa pengguna penelusuran dari Analytics 360, tetapi perhatikan bahwa Vertex AI Search untuk retail membuat peristiwa pengguna penelusuran dari kueri penelusuran dan, jika ada, tayangan produk.
5. Bagaimana cara memasukkan peristiwa ke Recommendations AI?
Pengguna biasanya mengimpor peristiwa historis menggunakan Cloud Storage atau impor API, lalu melakukan streaming peristiwa real-time menggunakan tag Pixel atau Tag Manager JavaScript di situs live, atau melalui metode tulis di backend.
6. Bagaimana jika saya tidak dapat mengirim semua jenis peristiwa pengguna yang tercantum sebagaimana diperlukan untuk suatu model? Apa jenis peristiwa minimum yang diperlukan untuk setiap model?
Setiap model dan tujuan pengoptimalan memiliki persyaratan yang sedikit berbeda. Lihat Persyaratan data peristiwa pengguna.
Performa model biasanya akan lebih baik jika ada lebih banyak peristiwa per item katalog. Untuk situs dengan traffic dalam jumlah besar dan katalog yang lebih kecil, Anda mungkin dapat memulai dengan volume peristiwa historis yang lebih kecil, tetapi biasanya masih memerlukan data historis selama beberapa minggu serta peristiwa real-time ke depannya.
7. Saya memiliki peristiwa penambahan ke keranjang dan penyelesaian pembelian yang tidak memiliki nilai untuk pendapatan atau kuantitas. Apa yang harus saya kirimkan?
Jika tidak memiliki nilai untuk jumlah, Anda dapat meneruskan nilai default 1 tanpa memengaruhi hasil model. Item harus selalu memiliki displayPrice yang ditetapkan (ini dapat berupa apa pun yang ditampilkan kepada pengguna, seperti harga diskon). Harga asli dan biaya bersifat opsional.
8. Data saya hanya mencakup jenis peristiwa tertentu. Apakah saya masih dapat menggunakan Vertex AI Search untuk retail?
Lihat Persyaratan data peristiwa pengguna untuk mengetahui persyaratan data minimum dari setiap jenis model.
Hasil penelusuran
1. Apakah hasil penelusuran dipersonalisasi?
Ya. Penelusuran dapat memberikan hasil yang dipersonalisasi. Hasil penelusuran dipersonalisasi berdasarkan ID pengunjung. Untuk mengetahui informasi selengkapnya, lihat Personalisasi.
2. Bagaimana cara menyertakan konteks, seperti toko tempat pengguna berbelanja, sebagai bagian dari permintaan penelusuran?
Ketersediaan dan opsi pemenuhan berbasis ID toko adalah atribut katalog produk. Opsi pemenuhan pesanan adalah atribut seperti "dikirim secara online", "beli online", dan "ambil di toko".
Atribut dapat dikirim sebagai parameter dalam permintaan penelusuran. Jadi, untuk contoh ini, permintaan penelusuran dapat menentukan ID toko pengguna. Hasilnya dapat difilter atau diberi peringkat lebih tinggi berdasarkan ID toko dalam permintaan.
3. Dapatkah saya menyembunyikan produk dari hasil penelusuran?
Ya. Parameter filter dapat memfilter hasil berdasarkan tagnya.
4. Apakah mungkin untuk mendapatkan peringkat berdasarkan beberapa kriteria, seperti ketersediaan dan harga?
Ya, [boostSpec] mengizinkan aturan peringkat yang rumit.
5. Apakah mungkin untuk mengelompokkan beberapa atribut untuk memberikan hasil dengan beberapa faset? Misalnya, mengelompokkan kota di negara yang sama untuk asal produksi.
Atribut produk tidak hierarkis. Namun, Anda dapat menggunakan beberapa atribut khusus untuk melakukannya. Dalam contoh ini, Anda dapat menggunakan atribut khusus untuk negara produksi dan kota produksi.
6. Bagaimana cara kerja saran?
Saran adalah kombinasi kueri pengguna, kueri yang ditulis ulang, nama produk, dll. Untuk menghasilkan saran pelengkapan otomatis berkualitas tinggi, sejumlah peristiwa penelusuran yang memadai harus diserap bersama dengan katalog.
Hasil prediksi
1. Apakah ada batas jumlah prediksi yang dapat saya tampilkan?
Secara default, permintaan prediksi menampilkan 20 item dalam respons. Ini dapat ditingkatkan atau diturunkan dengan mengirimkan nilai untuk pageSize.
Jika Anda perlu menampilkan lebih dari 100 item, hubungi Dukungan Google untuk meningkatkan batas. Namun, perlu diperhatikan bahwa menampilkan lebih dari 100 item dapat meningkatkan latensi respons.
2. Apakah saya dapat melihat alasan mengapa sebuah model memberikan rekomendasi produk tertentu?
Saat ini tidak bisa.
3. Dapatkah saya mendownload dan meng-cache hasil prediksi?
Karena hasil prediksi meningkat secara real-time sebagai respons terhadap aktivitas pengguna di situs Anda, sebaiknya jangan gunakan prediksi yang di-cache. Model ini dilatih ulang setiap hari untuk menggabungkan perubahan pada katalog Anda dan bereaksi terhadap tren baru dalam peristiwa pengguna, yang juga akan mengubah hasilnya.
4. Saya perlu mengurutkan ulang rekomendasi yang ditampilkan berdasarkan aturan bisnis. Apakah ini didukung?
Ya. Namun, meskipun Anda dapat mengurutkan ulang rekomendasi yang ditampilkan berdasarkan aturan bisnis, perhatikan bahwa pengurutan ulang atau pemfilteran hasil yang direkomendasikan dapat mengurangi efektivitas keseluruhan model dalam mencapai sasaran pengoptimalan yang Anda pilih.
Mengurutkan ulang harga untuk item relevan berharga tinggi terlebih dahulu dalam kumpulan rekomendasi yang ditampilkan dan tersedia sebagai penyesuaian bawaan untuk model Lainnya yang Mungkin Anda Sukai dan Direkomendasikan untuk Anda.
Lihat Pengurutan ulang harga.
5. Apakah ada batasan jumlah tag filter yang dapat saya buat dan gunakan?
Tidak ada batasan pasti mengenai jumlah tag unik yang dapat Anda buat atau gunakan. Namun, sistem tidak didesain untuk menangani banyak tag filter per item. Sebaiknya batasi tag filter hingga maksimum 10 per item katalog jika memungkinkan. Lebih dari 10 nilai dapat digunakan di seluruh katalog; ini adalah batas per item. Batas total tag (jumlah total semua jumlah tag per item) adalah 100.000.000.
Lihat dokumentasi Vertex AI Search terkait kuota dan batas retail.
6. Dapatkah saya mendiversifikasi rekomendasi?
Ya. Diversifikasi dapat ditentukan sebagai bagian dari konfigurasi penayangan atau dalam parameter permintaan prediksi. Dengan diversifikasi rendah, prediksi dapat berisi item serupa dalam kategori yang sama. Dengan diversifikasi yang lebih tinggi, hasilnya akan berisi item dari kategori lain.
7. Dapatkah saya memprioritaskan rekomendasi berdasarkan harga?
Ya. Pengurutan ulang harga menyebabkan produk yang direkomendasikan dengan probabilitas rekomendasi serupa diurutkan berdasarkan harga, dengan item dengan harga tertinggi terlebih dahulu. Relevansi juga masih digunakan untuk mengurutkan item, sehingga mengaktifkan pengurutan ulang harga tidak sama dengan mengurutkan berdasarkan harga. Pengurutan ulang harga dapat ditentukan sebagai bagian dari konfigurasi penayangan atau dalam parameter permintaan prediksi.
Model
1. Saya telah mengupload katalog & peristiwa, tetapi masih mendapatkan respons ini saat memanggil API prediksi: "Model rekomendasi belum siap. Anda dapat menetapkan 'dryRun' ke benar (true) dalam permintaan prediksi untuk tujuan integrasi, yang menampilkan item katalog arbitrer dari Katalog Anda (JANGAN gunakan ini untuk traffic produksi)."
Hal ini biasanya berarti model Anda belum menyelesaikan pelatihan. Jika sudah lebih dari 10 hari sejak pembuatan model dan Anda terus mendapatkan respons ini, hubungi Dukungan.
2. Berapa lama waktu yang diperlukan untuk melatih model?
Pelatihan dan penyesuaian model awal dapat diselesaikan dalam waktu 2-5 hari, tetapi dapat memerlukan waktu lebih lama untuk set data besar. Selanjutnya, model otomatis dilatih ulang setiap hari kecuali jika dinonaktifkan. Lihat Menjeda dan melanjutkan pelatihan untuk model.
3. Dapatkah saya mendownload atau mengekspor model?
Tidak.
4. Dapatkah saya menggunakan model yang saya buat di project yang sudah ada untuk project baru?
Tidak. Anda perlu membuat dan melatih ulang model di project baru.
5. Saya ingin menggunakan model untuk halaman kategori saya. Dapatkah saya melakukannya?
Ya. Direkomendasikan untuk Anda berguna pada halaman kategori.
Halaman kategori serupa dengan halaman beranda, kecuali bahwa Anda hanya menampilkan item dari kategori tersebut.
Anda dapat melakukannya menggunakan model standar yang Direkomendasikan untuk Anda dengan tag filter.
Misalnya, Anda dapat menambahkan tag filter yang disesuaikan (yang sesuai dengan setiap halaman kategori) ke item dalam katalog Anda. Saat Anda mengirim permintaan prediksi, tetapkan objek peristiwa pengguna sebagai category-page-view dan tentukan tag halaman kategori tertentu di kolom filter. Hanya hasil rekomendasi yang cocok dengan tag filter yang diminta yang
ditampilkan. Dalam kasus penggunaan ini, keberagaman harus dinonaktifkan karena keberagaman dapat bertentangan dengan tag filter berbasis kategori.
6. Dapatkah saya menonaktifkan personalisasi untuk model saya?
Secara default, hasil prediksi dipersonalisasi oleh pengguna untuk jenis model rekomendasi Lainnya yang Mungkin Anda Sukai, Direkomendasikan untuk Anda, dan Beli Lagi.
Menonaktifkan personalisasi tidak direkomendasikan karena dapat berdampak negatif pada performa model.
Jika perlu menampilkan item katalog yang relevan dengan produk yang dilihat, bukan berdasarkan interaksi pengguna sebelumnya dengan situs, Anda mungkin akan menerima rekomendasi yang tidak dipersonalisasi dengan menggunakan ID pengunjung unik acak dalam permintaan prediksi. Pastikan Anda hanya melakukannya untuk permintaan dalam menayangkan konfigurasi yang tidak ingin dipersonalisasi.
Konsol Search for Retail
1. Saya menghapus permanen sejumlah peristiwa, tetapi dasbor masih menampilkan jumlah untuk jenis peristiwa tersebut.
Hal ini sudah diperkirakan. Dasbor Search for Retail menampilkan jumlah peristiwa yang diserap selama jangka waktu tertentu; dasbor ini tidak menampilkan jumlah atau jumlah peristiwa saat ini.
Biasanya, Anda harus membiarkan peristiwa pengguna tetap ada setelah peristiwa tersebut direkam. Sebaiknya jangan menghapus permanen peristiwa. Jika Anda berencana mereset peristiwa pengguna sepenuhnya, sebaiknya buat project baru.
Jika Anda perlu menghapus permanen peristiwa yang belum dicatat dengan benar, lihat dokumentasi untuk Menghapus peristiwa pengguna. Penghapusan permanen acara dapat memerlukan waktu hingga beberapa hari.
2. Bagaimana cara mengetahui apakah ada error pada katalog atau peristiwa pengguna saya?
Sebagian besar panggilan API untuk pembaruan item katalog atau peristiwa pengguna menampilkan error jika ada masalah dengan sintaksis atau permintaan tidak dapat diproses karena alasan tertentu.
Dasbor Penelusuran Retail menampilkan persentase peristiwa yang tidak bergabung, yang juga merupakan metrik yang berguna untuk menemukan masalah katalog atau peristiwa. Peristiwa yang tidak tergabung (atau panggilan prediksi yang tidak tergabung) terjadi saat ID item ditentukan yang tidak ada dalam katalog. Hal ini biasanya berarti katalog sudah tidak berlaku dan item katalog baru atau yang diubah perlu diupload, tetapi hal ini juga dapat disebabkan oleh ID item yang buruk yang diteruskan. Periksa permintaan Anda untuk memastikan ID item dipetakan dengan benar ke katalog, lalu periksa katalog yang Anda upload untuk memastikan item tersebut ada.
Cloud Monitoring dan Cloud Logging dapat digunakan untuk memantau status peristiwa. Misalnya, Anda dapat menerima pemberitahuan jika tidak ada peristiwa selama jangka waktu tertentu, atau jika panggilan prediksi turun di bawah batas tertentu.
3. Mengapa konfigurasi penayangan rekomendasi saya ditampilkan sebagai tidak aktif? Bagaimana cara mengaktifkannya?
Untuk menggunakan konfigurasi penayangan rekomendasi, Anda harus mengirimkan katalog dan data peristiwa pengguna terlebih dahulu untuk melatih model yang sesuai. Setelah model dilatih, dasbor akan menunjukkan bahwa model siap membuat kueri.
4. Dalam mata uang apa Search for Retail melaporkan metrik pendapatan?
Telusuri metrik laporan Retail dalam mata uang yang digunakan di data yang Anda upload. Vertex AI Search untuk retail tidak mendukung penggunaan beberapa mata uang per katalog dan tidak mengonversi mata uang.
Jika Anda berencana menggunakan Search for Retail Console untuk mendapatkan metrik pendapatan, pastikan semua peristiwa Anda menggunakan satu mata uang atau konversikan semuanya ke mata uang yang sama sebelum menguploadnya ke Vertex AI Search untuk retail.