Empfehlungsmodelle

Auf dieser Seite werden die Empfehlungsmodelle mit ihren standardmäßigen Bereitstellungskonfigurationen und Optimierungszielen, den verfügbaren Anpassungen und den unterstützten Ereignistypen beschrieben.

Einleitung

Wenn Sie sich für Vertex AI Search für den Einzelhandel registrieren, ermitteln Sie zusammen mit Vertex AI Search for Retail Support die besten Empfehlungsmodelle und Anpassungen für Ihre Website. 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. Details zur Verwendung der placement-Ressource für Bereitstellungskonfigurationen und zur Unterstützung von Placements, die zuvor zum Platzieren von Modellen verwendet wurden, finden Sie unter Bereitstellungskonfigurationen. Die Bereitstellungskonfiguration bestimmt, welches Modell zum Zurückgeben Ihrer Empfehlungen verwendet wird. Außerdem können Sie die Ergebnisse filtern.

Typen von Empfehlungsmodellen

Dies sind die Empfehlungsmodelltypen:

Was Ihnen sonst noch gefallen könnte

Die Empfehlung „Andere, die Ihnen gefallen könnten“ sagt das nächste Produkt voraus, mit dem ein Nutzer am wahrscheinlichsten interagieren oder eine Conversion ausführen wird. 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“ prognostiziert Artikel, die häufig zusammen für ein bestimmtes Produkt in derselben Einkaufssitzung 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 „Empfohlen für Sie“ sagt das nächste Produkt voraus, das ein Nutzer am wahrscheinlichsten ansieht oder kauft. Dazu werden der Einkaufs- oder Aufrufverlauf dieses Nutzers und Kontextinformationen von Anfragen wie Zeitstempel herangezogen. Diese Empfehlung wird normalerweise auf der Startseite verwendet.

Die Empfehlung für Sie 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 für ähnliche Artikel sagt andere Produkte vorher, 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. Nutzerereignisse sind nicht erforderlich.

Ähnliche Artikelmodelle können nicht optimiert werden.

Wir empfehlen, nur ein Modell für ähnliche Artikel pro Projekt zu erstellen. Da Modelle für ähnliche Artikel nicht anpassbar sind, führt das Erstellen mehrerer Modelle für ähnliche Artikel, die auf denselben Nutzerereignissen basieren, nicht zu unterschiedlichen Empfehlungen und kann unnötige Kosten verursachen.

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

Standardbereitstellungskonfiguration: –

Verfügbare Anpassungen: –

Unterstützte Seiten für die Modellbereitstellung:

Kauf wiederholen

Das Modell „Noch einmal kaufen“ motiviert Nutzer auf Basis früherer wiederkehrender Käufe dazu, Artikel noch einmal zu kaufen. Dieses personalisierte Modell sagt Produkte vorher, die zuvor mindestens einmal gekauft wurden und in der Regel regelmäßig gekauft werden. Das Intervall, in dem ein Produkt vorgeschlagen wird, hängt vom Produkt und vom Websitebesucher ab. Empfehlungen aus diesem Modell können für jeden Seitentyp verwendet werden.

Das Modell „Kauf wiederholen“ verwendet Nutzerereignisse für den Kaufabschluss.

Das Modell „Kauf wiederholen“ kann nicht abgestimmt werden.

Wir empfehlen, nur ein „Noch mal kaufen“-Modell pro Projekt zu erstellen. Da „Kauf wiederholen“-Modelle nicht anpassbar sind, führt das Erstellen mehrerer „Kauf wiederholen“-Modelle auf der Grundlage derselben Nutzerereignisse nicht zu unterschiedlichen Empfehlungen und kann unnötige Kosten verursachen.

Standardoptimierungsziel: –

Standardbereitstellungskonfiguration: –

Verfügbare Anpassungen: –

Unterstützte Seiten für die Modellbereitstellung:

  • Alle

Im Angebot

Das Modelltyp „Sonderangebot“ ist ein Modell, das auf personalisierten Angeboten basiert und preisreduzierte Produkte empfehlen kann. Mit diesem Modelltyp können Sie Nutzer zum Kauf ermäßigter Artikel motivieren.

Wird normalerweise auf der Startseite, der Seite zum Hinzufügen zum Einkaufswagen, der Einkaufswagenseite, der Kategorieseite und der Detailseite verwendet.

Standardmäßiges Optimierungsziel:Klickrate

Standardbereitstellungskonfiguration: –

Verfügbare Anpassungen:

Unterstützte Seiten für die Modellbereitstellung:

Zuletzt angesehen

Die zuletzt angesehene Empfehlung 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: –

Standardkonfiguration für die Bereitstellung: recently_viewed_default

Verfügbare Anpassungen: –

Unterstützte Seiten für die Modellbereitstellung:

  • Alle

Optimierung auf Seitenebene

Die Optimierung auf Seitenebene erstreckt sich von der Optimierung für jeweils einen einzelnen Empfehlungsbereich bis hin zur Optimierung für eine ganze Seite mit mehreren Bereichen. Das Optimierungsmodell auf Seitenebene wählt automatisch den Inhalt für jeden Bereich aus und bestimmt die Reihenfolge der Bereiche auf der Seite.

Startseiten sind beispielsweise in der Regel mit Produkten strukturiert, die in Zeilen verwandter Gruppen angeordnet sind, wie z. B. Kategorien, angesagte Artikel oder zuletzt angesehene Produkte. Wenn Sie das Optimierungsmodell auf Seitenebene auf einer Startseite verwenden, können Endnutzer eine personalisierte Empfehlung erhalten und gleichzeitig den Entscheidungsprozess für die Koordination von Modellkombinationen und -layouts für diese Seite automatisieren.

Um ein Optimierungsmodell auf Seitenebene zu erstellen, müssen Sie zuerst Konfigurationen zur Bereitstellung von Empfehlungen mit trainierten Modellen haben. Beim Erstellen eines Optimierungsmodells auf Seitenebene geben Sie an, auf welcher Art von Seite das Modell verwendet werden soll, welche Einschränkungen angewendet werden, um die Bereitstellung ähnlicher Bereitstellungskonfigurationen einzuschränken, für welches Geschäftsziel (CTR oder CVR), wie viele Empfehlungsbereiche angezeigt werden sollen und welche Bereitstellungskonfigurationen für jeden Bereich berücksichtigt werden sollen.

Wie bei anderen Modellen führen Sie bei der Verwendung des Optimierungsmodells auf Seitenebene einen Vorhersageaufruf mithilfe einer Bereitstellungskonfiguration aus, die das Modell „Optimierung auf Seitenebene“ enthält. Anstelle von Empfehlungen enthält die Vorhersageantwort eine sortierte Liste von Bereitstellungskonfigurations-IDs, die die für jedes Feld zu verwendende Bereitstellungskonfiguration darstellen. Führen Sie dann einen neuen Vorhersageaufruf für jeden Bereich mit der entsprechenden Bereitstellungskonfigurations-ID aus, die vom Modell zur Optimierung auf Seitenebene zurückgegeben wurde. Die Vorhersageantwort für jeden Bereich enthält eine Liste mit empfohlenen Elementen, die in diesem Bereich angezeigt werden sollen.

Standardoptimierungsziel: –

Standardbereitstellungskonfiguration: –

Verfügbare Anpassungen: –

Unterstützte Seiten für die Modellbereitstellung:

  • Alle

Optimierung im Hinblick auf Geschäftsziele

Modelle für maschinelles Lernen werden für die Optimierung im Hinblick auf ein bestimmtes Geschäftsziel erstellt, das bestimmt, wie das Modell aufgebaut ist. 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 Empfehlungsmodelle Andere, die Ihnen gefallen könnten und Empfehlungen für Sie.

Umsatz pro Sitzung

Das Optimierungsziel „Umsatz pro Sitzung“ ist für die Empfehlungsmodelle „Andere, die Ihnen gefallen könnten“, „Empfehlungen für Sie“ und „Häufig zusammen gekauft“ verfügbar ist. Obwohl das Ziel bei jedem Modell unterschiedlich funktioniert, ist das Ziel das gleiche, nämlich den Umsatz zu steigern.

  • Empfehlungen, die dir gefallen könnten und für dich empfohlen werden. Dabei werden Informationen zu Klicks, Conversions und Artikelpreisen kombiniert, damit das Modell Artikel empfehlen kann, die höhere Preise haben und mit höherer Wahrscheinlichkeit gekauft werden.

  • Produkte, die häufig zusammen gekauft werden Bei diesem Ziel werden Artikel empfohlen, die mit höherer Wahrscheinlichkeit in den Einkaufswagen gelegt werden, was sich positiv auf den Umsatz auswirkt, da die Warenkorbgröße erweitert wird.

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 eine Bereitstellungskonfiguration dafür erstellen. Weitere Informationen finden Sie unter Bereitstellungskonfigurationen erstellen.

Ihre Modelle werden auf der Seite Modelle aufgelistet. Klicken Sie auf einen Modellnamen, um die zugehörige Detailseite aufzurufen. Dort können Sie die mit diesem Modell verknüpften Bereitstellungskonfigurationen sehen.

Kontextprodukte

Beim Generieren einer Empfehlung berücksichtigen Modelle die Produkte, mit denen ein Nutzer im Kontext des Empfehlungsbereichs bereits interagiert hat.

Diese kontextbezogenen Produkte werden als Teil eines Nutzerereignisses an den Text einer predict-Anfrage übergeben. Wenn sich beispielsweise auf einer Einkaufswagenseite ein Empfehlungsbereich befindet, sollte jedes shopping-cart-page-view-Nutzerereignis, das eine predict-Anfrage auslöst, die Produkte einschließen, die sich zu diesem Zeitpunkt im Einkaufswagen befinden. Diese Produkte werden als Kontextprodukte für diese Empfehlung verwendet.

Beim Erstellen eines „Häufig zusammengekauften“-Modells geben Sie an, ob dieses Modell Empfehlungen im Kontext eines oder mehrerer Artikel generiert. Welche Option Sie wählen, hängt von der Art der Seite ab, die Sie für das Modell verwenden möchten.

  • Mehrere Kontextprodukte (Standard): Das Modell „Häufig zusammengekauft“ kann ein oder mehrere Produkte als Kontext für seine Empfehlungen verwenden. Dieser Anwendungsfall gilt in der Regel für Einkaufswagenseiten mit einer Vielzahl von kontextbezogenen Produkten, die als Grundlage für die Empfehlung auf dieser Seite dienen können.

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

    Das Übergeben mehrerer Produkte in einer predict-Anfrage von einem einzelnen Kontextprodukt-Modell, das häufig zusammen gekauft wird, schlägt nicht fehl. Allerdings wird dies nicht empfohlen, da dies möglicherweise nicht zu optimalen Empfehlungen führt.