Empfehlungsmodelle

Auf dieser Seite werden die Empfehlungsmodelle beschrieben. Standardbereitstellungskonfigurationen und Optimierungsziele verfügbaren Anpassungen und unterstützten Ereignistypen.

Einleitung

Wenn Sie sich für Vertex AI Search for Retail registrieren, arbeiten Sie mit Vertex AI Search for Retail Support, um die besten Empfehlungsmodelle zu ermitteln und Anpassungen vor, die Sie für Ihre Website verwenden können. Die Modelle und Anpassungen, die Sie verwenden, hängen von Ihren Geschäftsanforderungen ab und davon, wo Sie die resultierenden Empfehlungen anzeigen möchten.

Wenn Sie Empfehlungen anfordern, geben Sie den Wert der Bereitstellungskonfiguration für die Ressource placement an. (Siehe Informationen zur Auslieferung Konfigurationen finden Sie weitere Informationen zur Verwendung der placement-Ressource für Bereitstellungskonfigurationen und zur Unterstützung von Placements, die zuvor zur Platzierung von Modellen.) Bereitstellungskonfiguration legt fest, welches Modell für die Rückgabe Ihrer Empfehlungen verwendet wird. Sie können auch Filtern der Ergebnisse.

Typen von Empfehlungsmodellen

Dies sind die Arten von Empfehlungsmodellen:

Was Ihnen sonst noch gefallen könnte

Die Empfehlung „Was Ihnen sonst noch gefallen könnte“ sagt das nächste Produkt vorher, das ein Nutzer am wahrscheinlichsten ansieht oder konvertiert. Die Vorhersage basiert auf dem Warenkorbverlauf und Aufrufverlauf des Nutzers und der Relevanz des Produktkandidaten für ein aktuell angegebenes Produkt.

Standardoptimierungsziel: Klickrate (Click-through-Rate, CTR)

Standardbereitstellungskonfiguration: –

Verfügbare Anpassungen:

Unterstützte Seiten für die Modellbereitstellung:

Häufig zusammen gekauft (Warenkorberweiterung)

Die Empfehlung „Häufig zusammen gekauft“ sagt vorher, welche Artikel häufig mit einem bestimmten Produkts innerhalb derselben Shopping-Sitzung gekauft werden. Wenn eine Produktliste angezeigt wird, werden Artikel vorhergesagt, die häufig mit dieser Produktliste gekauft werden.

Diese Empfehlung ist nützlich, wenn der Nutzer bereits die Absicht bekundet hat, ein bestimmtes Produkt (oder eine Liste von Produkten) zu kaufen, und Sie Ergänzungen (im Gegensatz zu Ersatzprodukten) empfehlen möchten. Diese Empfehlung wird normalerweise auf der Seite „In den Einkaufswagen legen“ oder auf den Seiten „Warenkorb“ oder „Kasse“ (für die Einkaufswagenerweiterung) angezeigt.

Standardoptimierungsziel: Umsatz pro Bestellung

Standardbereitstellungskonfiguration: –

Verfügbare Anpassungen:

Unterstützte Seiten für die Modellbereitstellung:

Empfehlungen für mich

Die Empfehlung „Empfehlungen für mich“ sagt das nächste Produkt voraus, das ein Nutzer mit der höchsten Wahrscheinlichkeit interagieren oder sie kaufen, basierend auf dem den Verlauf dieses Nutzers und Kontextinformationen zu Anfragen wie Zeitstempel. Diese Empfehlung wird normalerweise auf der Startseite verwendet.

„Empfehlungen für mich“ kann auch auf Kategorieseiten nützlich sein. Eine Kategorieseite ähnelt einer Startseite, mit der Ausnahme, dass nur Artikel aus dieser Kategorie angezeigt werden. Sie können dies mithilfe eines standardmäßig für Sie empfohlenen Modells mit Filter-Tags erreichen. Beispielsweise können Sie den Artikeln in Ihrem Katalog benutzerdefinierte Filter-Tags (entsprechend den einzelnen Kategorieseiten) hinzufügen. Legen Sie in der Vorhersageanfrage das Nutzerereignisobjekt als category-page-view fest und geben Sie im Feld filter das Tag einer bestimmten Kategorieseite an. Es werden nur Empfehlungsergebnisse zurückgegeben, die mit dem angeforderten Filter-Tag übereinstimmen. Die Diversität sollte in diesem Anwendungsfall deaktiviert werden, da Diversität mit kategoriebasierten Filter-Tags in Konflikt stehen kann.

Standardoptimierungsziel: Klickrate (Click-through-Rate, CTR)

Standardbereitstellungskonfiguration: –

Verfügbare Anpassungen:

Unterstützte Seiten für die Modellbereitstellung:

  • Alle

Ähnliche Artikel

Die Empfehlung „Ähnliche Artikel“ sagt andere Produkte voraus, die größtenteils ähnliche Attribute wie das betrachtete Produkt haben. Diese Empfehlung wird normalerweise auf einer Produktdetailseite verwendet oder wenn ein empfohlenes Produkt nicht auf Lager ist.

Für das Modell „Ähnliche Artikel“ sind nur Informationen aus dem Produktkatalog erforderlich. kein Nutzer Ereignisse sind erforderlich.

Ähnliche Artikelmodelle können nicht optimiert werden.

Wir empfehlen, nur ein Modell mit ähnlichen Artikeln pro Projekt zu erstellen. Da die Modelle „Ähnliche Artikel“ sind nicht anpassbar und es werden mehrere ähnliche Artikelmodelle auf Basis desselben Nutzers erstellt. keine unterschiedlichen Empfehlungen und können unnötige Kosten.

Standardoptimierungsziel: Klickrate (Click-through-Rate, CTR)

Standardbereitstellungskonfiguration: –

Verfügbare Anpassungen: –

Unterstützte Seiten für die Modellbereitstellung:

Noch einmal kaufen

Das Modell „Noch einmal kaufen“ soll Nutzer dazu anregen, Artikel aufgrund früherer wiederkehrender Käufe noch einmal zu kaufen. Dieses personalisierte Modell prognostiziert Produkte, die bereits mindestens einmal gekauft wurden und in der Regel in regelmäßigen Abständen gekauft werden. Die Häufigkeit, mit der ein Produkt vorgeschlagen wird, hängt vom Produkt und vom Websitebesucher ab. Empfehlungen aus diesem Modell können für jeden Seitentyp verwendet werden.

Für das Modell „Noch einmal kaufen“ werden Nutzerereignisse vom Typ „Purchase-complete“ verwendet.

Das Modell „Noch einmal kaufen“ kann nicht abgestimmt werden.

Wir empfehlen, pro Projekt nur ein Modell für den Weiterverkauf zu erstellen. Da Modelle für „Noch einmal kaufen“ nicht anpassbar sind, führen mehrere Modelle für „Noch einmal kaufen“, die auf denselben Nutzerereignissen basieren, nicht zu unterschiedlichen Empfehlungen und können unnötige Kosten verursachen.

Standardoptimierungsziel: –

Standardbereitstellungskonfiguration: –

Verfügbare Anpassungen: –

Unterstützte Seiten für die Modellbereitstellung:

  • Alle

Im Angebot

Der Modelltyp „Angebot“ ist ein personalisiertes, angebotsbasiertes Modell, mit dem Produkte im Angebot empfohlen werden können. Mit diesem Modelltyp können Sie Nutzer preisreduzierte Artikel kaufen.

Wird normalerweise auf der Startseite, auf der Seite „In den Einkaufswagen“, auf der Einkaufswagenseite oder in der Kategorie verwendet und Detailseite.

Standardoptimierungsziel: Klickrate (Click-through-Rate, CTR)

Standardbereitstellungskonfiguration: –

Verfügbare Anpassungen:

Unterstützte Seiten für die Modellbereitstellung:

Zuletzt angesehen

Die Empfehlung „Zuletzt angesehen“ ist eigentlich keine Empfehlung. Sie enthält die IDs der Produkte, mit denen der Nutzer/Besuch zuletzt interagiert hat. Die letzten Produkte werden zuerst angezeigt.

Standardoptimierungsziel: –

Standardbereitstellungskonfiguration: recently_viewed_default

Verfügbare Anpassungen: –

Unterstützte Seiten für die Modellbereitstellung:

  • Alle

Optimierung auf Seitenebene

Die Optimierung auf Seitenebene erweitert die Empfehlungen von der Optimierung im Empfehlungsbereich zur Optimierung einer ganzen Seite mit mehreren Steuerfeldern. Das Modell für die Optimierung auf Seitenebene wählt automatisch die Inhalte für die einzelnen Bereiche aus und bestimmt die Reihenfolge der Bereiche auf Ihrer Seite.

Zum Beispiel sind Startseiten in der Regel so strukturiert, dass Produkte in Zeilen verwandter Gruppen wie Kategorien, angesagte Artikel oder zuletzt angesehene Artikel Produkte. Wenn Sie das Modell zur Optimierung auf Seitenebene auf einer Startseite verwenden, können Sie Endnutzern personalisierte Empfehlungen präsentieren und gleichzeitig den Entscheidungsprozess für die Koordination von Modellkombinationen und Layouts für diese Seite automatisieren.

Wenn Sie ein Optimierungsmodell auf Seitenebene erstellen möchten, müssen Sie zuerst eine Empfehlungsbereitstellung haben Konfigurationen mit trainierten Modellen. Wenn Sie ein Modell für die Optimierung auf Seitenebene erstellen, geben Sie an, für welche Art von Seite Sie das Modell verwenden möchten, welche Einschränkungen Sie zum Begrenzen der Auslieferung ähnlicher Auslieferungskonfigurationen anwenden möchten, für welches Geschäftsziel Sie optimieren möchten (CTR oder CVR), wie viele Empfehlungsfelder angezeigt werden sollen und welche Auslieferungskonfigurationen für jedes Feld berücksichtigt werden sollen.

Wie bei anderen Modellen führen Sie für das Modell "Optimierung auf Seitenebene" einen Vorhersageaufruf durch. mithilfe einer Bereitstellungskonfiguration, die die Funktion „Optimierung auf Seitenebene“ modellieren. Anstatt Empfehlungen enthält die Antwort auf die Vorhersage eine sortierte Liste von Bereitstellungskonfigurations-IDs, die die Bereitstellungskonfiguration für jedes Panel repräsentieren. Rufen Sie dann für jedes Panel einen neuen Vorhersageaufruf mit der entsprechenden Bereitstellungskonfigurations-ID auf, die vom Modell zur Optimierung auf Seitenebene zurückgegeben wurde. Die Vorhersageantwort für jedes Feld enthält die Liste der empfohlenen Elemente, die in diesem Steuerfeld angezeigt werden sollen.

Standardoptimierungsziel: –

Standardbereitstellungskonfiguration: –

Verfügbare Anpassungen: –

Unterstützte Seiten für die Modellbereitstellung:

  • Alle

Wenn Sie diese Funktion aktivieren, passiert Folgendes:

Optimierung für Geschäftsziele

Modelle für maschinelles Lernen werden erstellt, um für ein bestimmtes Unternehmen zu optimieren Ziel, das bestimmt, wie das Modell erstellt wird. Für jede Modellplatzierung gilt ein standardmäßiges Optimierungsziel. Sie können jedoch ein anderes Optimierungsziel anfordern, um Ihre Geschäftsziele zu unterstützen, indem Sie sich an Ihren Supportmitarbeiter wenden.

Nachdem Sie ein Modell trainiert haben, können Sie das Optimierungsziel nicht mehr ändern. Sie müssen ein neues Modell trainieren, um ein anderes Optimierungsziel verwenden zu können.

Vertex AI Search for Retail unterstützt die folgenden Optimierungsziele.

Klickrate (Click-through-Rate, CTR)

Bei der Optimierung der CTR wird besonders die Interaktion hervorgehoben. Optimieren Sie die CTR, wenn Sie die Wahrscheinlichkeit maximieren möchten, dass der Nutzer mit der Empfehlung interagiert.

Die CTR ist das standardmäßige Optimierungsziel für die Empfehlungsmodelltypen „Was Ihnen sonst noch gefallen könnte“ und „Empfohlen für mich“.

Umsatz pro Sitzung

Das Optimierungsziel „Umsatz pro Sitzung“ ist verfügbar für Empfehlungen aus den Kategorien Weitere Produkte, die Ihnen gefallen könnten“, Empfehlungen für Sie und Häufig zusammen gekauft Modelltypen. Das Zielvorhaben funktioniert zwar für jedes Modell unterschiedlich, aber das Ziel ist dasselbe: den Umsatz zu steigern.

  • Für „Was Ihnen sonst noch gefallen könnte“ und „Empfehlungen für mich“ Ziel ist es, Informationen aus Klicks, Conversions und Artikelpreise, damit das Modell Artikel empfehlen kann, und eine höhere Kaufwahrscheinlichkeit.

  • Für „Häufig zusammen gekauft“ Bei diesem Ziel werden Artikel empfohlen, die mit höherer Wahrscheinlichkeit in den Einkaufswagen gelegt werden. So lässt sich der Umsatz durch eine größere Einkaufswagengröße steigern.

Conversion-Rate (CVR)

Durch die Optimierung auf die Conversion-Rate hin wird die Wahrscheinlichkeit maximiert, dass der Nutzer den empfohlenen Artikel in den Einkaufswagen legt. Wenn Sie die Anzahl der Artikel erhöhen möchten, die pro Sitzung einem Einkaufswagen hinzugefügt werden, optimieren Sie anhand der Conversion-Rate.

Erweiterte Optionen für die Modellkonfiguration

Je nach Modelltyp gibt es einige weitere Modellkonfigurationsoptionen, mit denen Sie das Verhalten Ihres Modells ändern können.

Feinabstimmungseinstellung

Die Feinabstimmung sorgt für ein optimales Modelltraining, wenn sich die Eingabedaten im Laufe der Zeit ändern. Legen Sie fest, alle drei Monate automatisch optimiert wird, oder Sie können es ausschließlich manuell optimieren. Das Modell wird nach der Erstellung automatisch ein Mal optimiert. Weitere Informationen

Weitere Informationen zu den Optimierungskosten finden Sie unter Preise.

Verfügbare Bereitstellungskonfigurationen und -modelle

Bevor Sie Vorhersagen von Ihrem Modell anfordern können, müssen Sie mindestens eines erstellen Bereitstellungskonfiguration dafür. Weitere Informationen finden Sie unter Bereitstellungskonfigurationen erstellen.

Ihre Modelle werden auf der Seite Modelle aufgelistet. Klicken Sie auf einen Modellnamen, um die zugehörige Detailseite zu öffnen. Dort sehen Sie die mit dem Modell verknüpften Bereitstellungskonfigurationen.

Kontextprodukte

Beim Generieren einer Empfehlung berücksichtigen Modelle die Produkte, mit denen der Nutzer bereits im Empfehlungsbereich interagiert hat.

Diese kontextbezogenen Produkte werden als Teil eines Nutzerereignisses in den Text einer predict-Anfrage übergeben. Wenn sich beispielsweise auf einer Einkaufswagenseite ein Empfehlungsbereich befindet, sollten alle shopping-cart-page-view-Nutzerereignisse, die eine predict-Anfrage auslösen, die Produkte enthalten, die sich zu diesem Zeitpunkt im Einkaufswagen befinden. Diese Produkte werden als Kontextprodukte für diese Empfehlung.

Wenn Sie ein Modell für häufig zusammen gekaufte Artikel erstellen, geben Sie an, ob dieses Modell Empfehlungen im Kontext eines oder mehrerer Artikel generieren soll. Welche Option Sie auswählen, hängt davon ab, für welche Art von Seite Sie das Modell verwenden möchten.

  • Mehrere Kontextprodukte (Standardeinstellung): Beim Modell „Häufig zusammen gekauft“ können Sie eines oder mehrere Produkte als Kontext für seine Empfehlungen verwenden. Dieser Anwendungsfall ist in der Regel für Einkaufswagenseiten mit einer Vielzahl von kontextbezogenen Produkten geeignet, die die Empfehlung beeinflussen können, die auf dieser Seite präsentiert wird.

  • Einzelnes Kontextprodukt: Für das Modell „Häufig zusammen gekauft“ kann nur ein Kontextprodukt verwendet werden. Dieser Anwendungsfall ist in der Regel für Seiten mit einem einzelnen Produkt gedacht, das als Kontext für Empfehlungen verwendet werden soll, z. B. Seiten zum Hinzufügen zum Einkaufswagen und Produktdetailseiten.

    Wenn Sie in einer predict-Anfrage aus einem einzigen Kontext mehrere Produkte aus dem Modell „Häufig gemeinsam gekauft“ übergeben, wird die Anfrage nicht fehlschlagen. Dies wird jedoch nicht empfohlen, da dies möglicherweise nicht zu optimalen Empfehlungen führt.