Das Produkt Vertex AI Search for Commerce bietet sowohl die Empfehlungsfunktion als auch die Such- und Browsingfunktion. Sie können Produktkataloginformationen und Nutzerereignislogs für Ihre E-Commerce-Anwendungen hochladen und verwalten. Sie haben dann die Möglichkeit, Ergebnisse anhand dieser Informationen abrufen und anzupassen. Diese Daten werden weiterhin zum Trainieren und Aktualisieren von Modellen verwendet, um Ihre Empfehlungen und Suchergebnisse zu verbessern.
Weitere Informationen zum Implementieren von Vertex AI Search for Commerce für Ihre Anwendung finden Sie unter Vertex AI Search for Commerce implementieren.
Empfehlungen
Mit Vertex AI Search für den Einzelhandel können Sie hochwertige, personalisierte Systeme zur Produktempfehlung erstellen, ohne umfassendes Fachwissen im Bereich maschinelles Lernen, Systemdesign oder Betrieb haben zu müssen. Anhand der Einzelhandelsprodukte und des Nutzerverhaltens auf Ihrer Website können Sie Empfehlungen verwenden, um Empfehlungsmodelle zu erstellen, die speziell auf Ihren Anwendungsfall zugeschnitten sind, z. B. „Häufig zusammen gekauft“ und „Empfehlungen für Sie“.
Vertex AI Search for Commerce verwendet Nutzerereignisse und Ihren Produktkatalog, um Ihre Empfehlungsmodelle für maschinelles Lernen zu trainieren, die Empfehlungen auf Basis dieser Daten bereitstellen.
Wenn Sie Empfehlungsmodelle in Ihrer Anwendung bereitstellen, können Sie Empfehlungen für andere Produkte in Ihrem Katalog anfordern und Ihren Nutzern präsentieren.
Zu den Funktionen von Recommendations gehören:
Benutzerdefinierte Modelle Jedes Modell wird speziell für Ihre Daten trainiert. Dazu werden sequenzbasierte Modelle für maschinelles Lernen mit Transformers verwendet.
Persönliche Ergebnisse. Nutzen Sie Personalisierungsalgorithmen ohne Fachwissen in maschinellem Lernen. Empfehlungen basieren auf dem Nutzerverhalten und Aktivitäten wie Ansichten, Klicks und Käufen im Geschäft sowie Onlineaktivitäten, sodass jedes Vorhersageergebnis personalisiert wird.
Echtzeitvorhersagen Bei jeder bereitgestellten Empfehlung werden vorherige Nutzeraktivitäten wie Klick-, Aufruf- und Kaufereignisse berücksichtigt, sodass Empfehlungen in Echtzeit erfolgen.
Automatisches Modelltraining und -abstimmung. Die tägliche Modellaktualisierung sorgt dafür, dass alle Modelle täglich das Nutzerverhalten genau erfassen können.
Optimierungsziele. Ziele wie die Conversion-Rate, die Klickrate und die Umsatzoptimierung unterstützen Sie dabei, Ihr Geschäftsziel genau zu optimieren.
Omni-Channel-Empfehlungen. Mit dem API-Modell können Sie über Websiteempfehlungen hinausgehen und das gesamte Einkaufserlebnis durch Empfehlungen zu mobilen Apps, personalisierten E-Mail-Empfehlungen, Ladengeschäften oder Callcenter-Anwendungen personalisieren.
Suchen
Mit Vertex AI Search for Commerce können Sie qualitativ hochwertige Produktsuchergebnisse bereitstellen, die sich an Ihre geschäftlichen Anforderungen im Einzelhandel anpassen lassen. Mit dem Abfrage- und Kontextverständnis von Google können Sie die Produkterkennung auf Ihrer Website und in mobilen Anwendungen verbessern.
Zu den Suchfunktionen gehören:
Produkthierarchien: Sie können Sammlungen und Varianten in Ihren suchbaren Produktkatalog aufnehmen.
Suchanfragenerweiterung: Erhöhen Sie die relevanten Ergebnisse für Abfragebegriffe, die normalerweise weniger Ergebnisse liefern, z. B. Abfragen, die sehr spezifische Keywords verwenden.
Relevanzschwellenwert: Passen Sie an, wie Vertex AI Search for Commerce die Rückgabegenauigkeit (die Relevanz der zurückgegebenen Suchergebnisse) und die Trefferquote (zurückgegebene Ergebnisse für diese Abfrage) ausgleicht.
Paginierung: Passen Sie die Paginierung Ihrer Suchergebnisse an, um Suchzeit und Antwortgröße zu verringern.
Filter: Verwenden Sie die Ausdruckssyntax, um die Suchergebnisse Ihrer Website durch Filter zu verfeinern.
Reihenfolge: Legen Sie die Reihenfolge der Suchergebnisse nach mehreren Feldern in der Reihenfolge ihrer Priorität fest.
Attributerstellung: Sie können Attribute generieren und auf dieser Basis Nutzern weitere relevante Optionen bereitstellen. Für numerische Attribute müssen in der Suchanforderung Buckets angegeben werden, damit sie in der Suchantwort zurückgegeben werden.
Dynamische Attribute: Hiermit werden Attributschlüssel anhand der Suchanfragen automatisch generiert und automatisch mit den in der Suchanfrage angegebenen Attributschlüsseln kombiniert (und neu eingestuft). Diese Funktion basiert auf einer Zulassungsliste. Wenden Sie sich an den Support, wenn Sie Hilfe beim Aktivieren dieses Features benötigen.
Boosting und Burying: Sie können das Ranking der Suchergebnisse steuern, indem Sie bestimmte Ergebnistypen priorisieren oder herabstufen.
Browsing: Sie erhalten Ergebnisse, die so sortiert sind, dass der Umsatz maximiert wird, wenn Ihre Nutzer Produkte über die Websitenavigation aufrufen. Die Browsersuche kann mit Filtern, Sortieren, Facettierung, dynamischer Facettierung, Boosting und Burying kombiniert werden.
Persönliche Ergebnisse. Personalisierte Text- und Browsersuchergebnisse für jeden Endnutzer basierend auf dem Verhalten des jeweiligen Nutzers auf Ihrer Website, einschließlich des Verlaufs der Produktansichten, Klicks, „In den Einkaufswagen“-Aktionen und Käufe des jeweiligen Nutzers.
Vertex AI Search for Commerce verwenden
Zum Erstellen von Modellen für maschinelles Lernen für Empfehlungen oder Suchvorgänge benötigen Sie zwei Arten von Informationen:
Produktkatalog: Informationen zu den Produkten, die Kunden empfohlen werden. Dies umfasst den Produkttitel, die Beschreibung, die Verfügbarkeit auf Lager und die Preise.
Nutzerereignisse: Das Verhalten der Endnutzer auf Ihrer Website. Dazu gehören Ereignisse wie das Ansehen oder Kaufen eines bestimmten Artikels durch einen Nutzer oder wenn Ihre Website dem Nutzer eine Produktliste anzeigt.
Durch zahlreiche Integrationsoptionen können Sie Ihre Daten mit Tools aufnehmen, die Sie möglicherweise bereits verwenden, z. B. BigQuery, Cloud Storage, Tag Manager und Google Analytics.