Tentang model rekomendasi

Halaman ini menjelaskan model rekomendasi dengan konfigurasi penayangan default dan tujuan pengoptimalan, penyesuaian yang tersedia, dan jenis peristiwa yang didukung.

Pengantar

Saat mendaftar untuk menggunakan Vertex AI Search untuk retail, Anda akan bekerja sama dengan Vertex AI Search untuk Dukungan retail guna menentukan model rekomendasi dan penyesuaian terbaik yang akan digunakan untuk situs Anda. Model dan penyesuaian yang Anda gunakan bergantung pada kebutuhan bisnis, dan tempat Anda berencana menampilkan rekomendasi yang dihasilkan.

Saat meminta rekomendasi, Anda memberikan nilai konfigurasi penayangan ke resource placement. (Lihat Tentang konfigurasi penayangan untuk mengetahui detail tentang penggunaan resource placement untuk menyalurkan konfigurasi, dan tentang dukungan untuk penempatan, yang sebelumnya digunakan untuk menempatkan model.) Konfigurasi penayangan menentukan model mana yang digunakan untuk menampilkan rekomendasi Anda. Anda juga dapat memfilter hasil.

Jenis model rekomendasi

Berikut adalah jenis model rekomendasi:

Orang Lain yang Mungkin Anda Sukai

Rekomendasi Lainnya yang Mungkin Anda Sukai memprediksi produk berikutnya yang paling mungkin digunakan pengguna untuk berinteraksi atau melakukan konversi. Prediksi ini didasarkan pada histori tontonan dan belanja pengguna serta relevansi produk kandidat dengan produk yang ditentukan saat ini.

Tujuan pengoptimalan default: rasio klik-tayang

Konfigurasi penayangan default: T/A

Penyesuaian yang tersedia:

Halaman yang didukung untuk deployment model:

Sering Dibeli Bersama (perluasan keranjang belanja)

Rekomendasi Sering Dibeli Bersama memprediksi item yang sering dibeli bersama untuk produk tertentu dalam sesi belanja yang sama. Jika daftar produk dilihat, sistem akan memprediksi item yang sering dibeli dengan daftar produk tersebut.

Rekomendasi ini berguna saat pengguna telah menunjukkan niat untuk membeli produk tertentu (atau daftar produk), dan Anda ingin merekomendasikan pelengkap (bukan pengganti). Rekomendasi ini biasanya ditampilkan di halaman "tambahkan ke keranjang", atau di halaman "keranjang belanja" atau "registry" (untuk perluasan keranjang belanja).

Tujuan pengoptimalan default: pendapatan per pesanan

Konfigurasi penayangan default: T/A

Penyesuaian yang tersedia:

Halaman yang didukung untuk deployment model:

Direkomendasikan untuk Anda

Rekomendasi yang Direkomendasikan untuk Anda memprediksi produk berikutnya yang kemungkinan besar akan diakses atau dibeli oleh pengguna, berdasarkan histori belanja atau tontonan pengguna tersebut dan informasi kontekstual permintaan, seperti stempel waktu. Rekomendasi ini biasanya digunakan di halaman beranda.

Direkomendasikan untuk Anda juga dapat 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.

Tujuan pengoptimalan default: rasio klik-tayang

Konfigurasi penayangan default: T/A

Penyesuaian yang tersedia:

Halaman yang didukung untuk deployment model:

  • Semua

Item Serupa

Rekomendasi Item Serupa memprediksi produk lain yang sebagian besar memiliki atribut serupa dengan produk yang dipertimbangkan. Rekomendasi ini biasanya digunakan di halaman detail produk, atau saat stok produk yang direkomendasikan habis.

Model Item Serupa hanya memerlukan informasi dari katalog produk; peristiwa pengguna tidak diperlukan.

Model Item Serupa tidak dapat disesuaikan.

Sebaiknya buat hanya satu model Item Serupa per project. Karena model Item Serupa tidak dapat disesuaikan, pembuatan beberapa model Item Serupa berdasarkan peristiwa pengguna yang sama tidak akan menghasilkan rekomendasi yang berbeda dan dapat menimbulkan biaya yang tidak perlu.

Tujuan pengoptimalan default: Rasio klik-tayang

Konfigurasi penayangan default: T/A

Penyesuaian yang tersedia: T/A

Halaman yang didukung untuk deployment model:

Beli Lagi

Model Beli Lagi mendorong pembelian item lagi berdasarkan pembelian berulang sebelumnya. Model yang dipersonalisasi ini memprediksi produk yang sebelumnya telah dibeli setidaknya satu kali dan biasanya dibeli dengan ritme reguler. Interval saat produk disarankan bergantung pada produk dan pengunjung situs. Rekomendasi dari model ini dapat digunakan pada semua jenis halaman.

Model Beli Lagi menggunakan peristiwa pengguna penyelesaian pembelian.

Model Beli Lagi tidak dapat di-tuning.

Sebaiknya buat hanya satu model Beli Lagi per project. Karena model Beli Lagi tidak dapat disesuaikan, pembuatan beberapa model Beli Lagi berdasarkan peristiwa pengguna yang sama tidak menghasilkan rekomendasi yang berbeda dan dapat menimbulkan biaya yang tidak perlu.

Tujuan pengoptimalan default: T/A

Konfigurasi penayangan default: T/A

Penyesuaian yang tersedia: T/A

Halaman yang didukung untuk deployment model:

  • Semua

Diskon

Jenis model Diskon adalah model berbasis promosi yang dipersonalisasi yang dapat merekomendasikan produk diskon. Anda dapat menggunakan jenis model ini untuk mendorong pengguna agar membeli item yang didiskon.

Biasanya digunakan di halaman beranda, halaman tambahkan ke keranjang, halaman keranjang belanja, halaman kategori, dan halaman detail.

Tujuan pengoptimalan default: Rasio klik-tayang

Konfigurasi penayangan default: T/A

Penyesuaian yang tersedia:

Halaman yang didukung untuk deployment model:

Baru Dilihat

Rekomendasi 'Baru Dilihat' sebenarnya bukanlah rekomendasi. Kolom ini memberikan ID produk yang baru-baru ini berinteraksi dengan pengguna/pengunjung, dengan produk terbaru terlebih dahulu.

Tujuan pengoptimalan default: T/A

Konfigurasi penayangan default: recently_viewed_default

Penyesuaian yang tersedia: T/A

Halaman yang didukung untuk deployment model:

  • Semua

Pengoptimalan Tingkat Halaman

Pengoptimalan Tingkat Halaman memperluas rekomendasi dari pengoptimalan untuk satu panel rekomendasi dalam satu waktu hingga pengoptimalan untuk seluruh halaman dengan beberapa panel. Model Pengoptimalan Tingkat Halaman secara otomatis memilih konten untuk setiap panel dan menentukan urutan panel di halaman Anda.

Misalnya, halaman beranda biasanya disusun dengan produk yang disusun ke dalam baris-baris grup terkait, seperti kategori, item yang sedang tren, atau produk yang baru dilihat. Menggunakan model Pengoptimalan Tingkat Halaman di halaman beranda dapat memberikan pengalaman rekomendasi yang dipersonalisasi kepada pengguna akhir sekaligus mengotomatiskan proses keputusan untuk mengoordinasikan kombinasi model dan tata letak untuk halaman tersebut.

Untuk membuat model Pengoptimalan Tingkat Halaman, Anda harus terlebih dahulu memiliki konfigurasi penayangan rekomendasi yang memiliki model terlatih. Saat membuat model Pengoptimalan Tingkat Halaman, Anda menentukan jenis halaman yang akan menjadi tempat penerapan model, batasan yang akan diterapkan untuk membatasi penayangan konfigurasi penayangan serupa, tujuan bisnis yang harus dioptimalkan (CTR atau CVR), jumlah panel rekomendasi yang akan ditampilkan, dan konfigurasi penayangan yang perlu dipertimbangkan untuk setiap panel.

Sama seperti model lainnya, untuk menggunakan model Pengoptimalan Tingkat Halaman, Anda melakukan panggilan prediksi menggunakan konfigurasi penayangan yang berisi model "Pengoptimalan Tingkat Halaman". Sebagai ganti rekomendasi, respons prediksi berisi daftar ID konfigurasi penayangan yang diurutkan yang mewakili konfigurasi penayangan yang akan digunakan untuk setiap panel. Kemudian, lakukan panggilan prediksi baru untuk setiap panel dengan ID konfigurasi penayangan yang sesuai yang ditampilkan dari model Pengoptimalan Tingkat Halaman. Respons prediksi untuk setiap panel berisi daftar item yang direkomendasikan untuk ditampilkan di panel tersebut.

Tujuan pengoptimalan default: T/A

Konfigurasi penayangan default: T/A

Penyesuaian yang tersedia: T/A

Halaman yang didukung untuk deployment model:

  • Semua

Pengoptimalan untuk tujuan bisnis

Model machine learning dibuat untuk mengoptimalkan tujuan bisnis tertentu, yang menentukan cara pembuatan model. Setiap model memiliki tujuan pengoptimalan default, tetapi Anda dapat meminta tujuan pengoptimalan yang berbeda untuk mendukung sasaran bisnis dengan menghubungi perwakilan dukungan Anda.

Setelah melatih model, Anda tidak dapat mengubah tujuan pengoptimalan. Anda harus melatih model baru untuk menggunakan tujuan pengoptimalan yang berbeda.

Vertex AI Search untuk retail mendukung tujuan pengoptimalan berikut.

Rasio klik-tayang (CTR)

Pengoptimalan CTR menekankan interaksi; Anda harus mengoptimalkan CTR jika ingin memaksimalkan kemungkinan pengguna berinteraksi dengan rekomendasi.

CTR adalah tujuan pengoptimalan default untuk jenis model rekomendasi Lainnya yang Mungkin Anda Sukai dan Direkomendasikan untuk Anda.

Pendapatan per sesi

Tujuan pengoptimalan pendapatan per sesi tersedia untuk jenis model rekomendasi "Orang Lain yang Mungkin Anda Sukai", "Direkomendasikan untuk Anda", dan "Sering Dibeli Bersama". Meskipun objektif berfungsi berbeda untuk setiap model, tujuannya tetap sama, yaitu meningkatkan pendapatan.

  • Untuk Orang Lain yang Mungkin Anda Sukai dan Direkomendasikan untuk Anda. Tujuan ini menggabungkan informasi dari klik, konversi, dan harga item untuk membantu model merekomendasikan item yang memiliki harga lebih tinggi dan kemungkinan dibeli lebih tinggi.

  • Untuk Produk yang Sering Dibeli Bersama. Tujuan ini mengoptimalkan untuk merekomendasikan item dengan probabilitas ditambahkan ke keranjang yang lebih tinggi, sehingga pendapatan akan memperoleh keuntungan dengan memperluas ukuran keranjang.

Rasio konversi (CVR)

Mengoptimalkan rasio konversi akan memaksimalkan kemungkinan pengguna menambahkan item yang direkomendasikan ke keranjang mereka; jika Anda ingin meningkatkan jumlah item yang ditambahkan ke keranjang per sesi, optimalkan rasio konversi.

Opsi konfigurasi model lanjutan

Bergantung pada jenis model, ada beberapa opsi konfigurasi model lain yang dapat Anda gunakan untuk mengubah perilaku model.

Preferensi penyesuaian

Penyesuaian membuat pelatihan model tetap optimal karena data input berubah dari waktu ke waktu. Setel model agar otomatis disesuaikan setiap tiga bulan, atau pilih untuk menyesuaikannya secara manual. Model akan otomatis disetel satu kali setelah dibuat. Pelajari lebih lanjut.

Untuk mengetahui detail biaya penyesuaian, lihat Harga.

Konfigurasi dan model penayangan yang tersedia

Sebelum dapat meminta prediksi dari model, Anda harus membuat setidaknya satu konfigurasi penayangan untuk model tersebut. Untuk mengetahui informasi selengkapnya, lihat Membuat konfigurasi penayangan.

Anda dapat melihat model Anda tercantum di halaman Model. Klik nama model untuk membuka halaman detailnya, tempat Anda dapat melihat konfigurasi penayangan yang terkait dengan model tersebut.

Produk konteks

Saat membuat rekomendasi, model mempertimbangkan produk yang sebelumnya telah berinteraksi dengan pengguna dalam konteks panel rekomendasi.

Produk kontekstual ini diteruskan ke isi permintaan predict sebagai bagian dari peristiwa pengguna. Misalnya, jika ada panel rekomendasi di halaman keranjang belanja, semua peristiwa pengguna shopping-cart-page-view yang memicu permintaan predict harus menyertakan produk yang ada di keranjang belanja pada saat itu. Produk-produk ini digunakan sebagai produk konteks untuk rekomendasi tersebut.

Saat membuat model Frequent Bought Together, Anda menentukan apakah model tersebut akan menghasilkan rekomendasi dalam konteks satu atau beberapa item. Opsi yang Anda pilih tergantung pada jenis halaman yang akan menggunakan model.

  • Produk beberapa konteks (default): Model Sering Dibeli Bersama dapat menggunakan satu atau beberapa produk sebagai konteks untuk rekomendasinya. Kasus penggunaan ini biasanya untuk halaman keranjang belanja yang memiliki berbagai produk kontekstual yang dapat menginformasikan rekomendasi untuk ditayangkan di halaman tersebut.

  • Produk konteks tunggal: Model Sering Dibeli Bersama hanya dapat menggunakan satu produk konteks. Kasus penggunaan ini biasanya untuk halaman yang memiliki satu produk yang akan digunakan sebagai konteks untuk rekomendasi, seperti halaman tambahkan ke keranjang dan halaman detail produk.

    Meneruskan lebih dari satu produk dalam permintaan predict dari satu model produk konteks yang Sering Dibeli tidak akan gagal, meskipun tidak direkomendasikan karena hal ini mungkin tidak akan menghasilkan rekomendasi yang optimal.