Empfehlungsmodelle

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

Einführung

Wenn Sie sich für die Verwendung von Vertex AI Search for Commerce registrieren, arbeiten Sie mit dem Support für Vertex AI Search for Commerce zusammen, um die besten Empfehlungsmodelle und -anpassungen für Ihre Website zu ermitteln. 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. Weitere Informationen zur Verwendung der Ressource placement zum Bereitstellen von Konfigurationen und zur Unterstützung von Platzierungen, die zuvor zum Platzieren von Modellen verwendet wurden, finden Sie unter Informationen zu Bereitstellungskonfigurationen. Die Bereitstellungskonfiguration bestimmt, welches Modell zum Zurückgeben der Empfehlungen verwendet wird. Sie können auch Ihre Ergebnisse filtern.

Typen von Empfehlungsmodellen

Folgende Typen von Empfehlungsmodellen sind verfügbar:

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 Produkt 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 add-to-cart oder auf den Seiten „Warenkorb“ oder „Kasse“ (für die Einkaufswagenerweiterung) angezeigt.

Standardoptimierungsziel: Umsatz pro Sitzung

Standardbereitstellungskonfiguration: –

Verfügbare Anpassungen:

Unterstützte Seiten für die Modellbereitstellung:

Empfehlungen für mich

Die Empfehlung „Empfehlungen für mich“ sagt das nächste Produkt vorher, das ein Nutzer am wahrscheinlichsten ansieht oder kauft. Die Vorhersage basiert auf dem Warenkorbverlauf oder dem Aufrufverlauf dieses Nutzers und Kontextinformationen von Anfragen, z. B. Zeitstempeln. 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

Noch einmal kaufen

Das Modell „Nochmal kaufen“ regt Nutzer dazu an, Artikel noch einmal zu kaufen, die sie bereits regelmäßig gekauft haben. Dieses personalisierte Modell sagt Produkte voraus, 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 auf jeder Seitentyp verwendet werden.

Für das Modell „Buy it Again“ werden „purchase-complete“-Nutzerereignisse verwendet.

Das Modell „Nochmal kaufen“ kann nicht optimiert werden.

Wir empfehlen, pro Projekt nur ein „Nochmal kaufen“-Modell zu erstellen. Da „Nochmal kaufen“-Modelle nicht angepasst werden können, werden durch das Erstellen mehrerer „Nochmal kaufen“-Modelle auf Grundlage derselben Nutzerereignisse keine unterschiedlichen Empfehlungen generiert. Außerdem können dadurch unnötige Kosten entstehen.

Standardoptimierungsziel:

Standardbereitstellungskonfiguration: –

Verfügbare Anpassungen:

Unterstützte Seiten für die Modellbereitstellung:

  • Alle

Im Angebot

Der Modelltyp „Im Angebot“ ist ein personalisiertes promotionsbasiertes Modell, mit dem Produkte im Angebot empfohlen werden können. Mit diesem Modelltyp können Sie Nutzer dazu anregen, Artikel mit Rabatt zu kaufen.

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

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 oder Besucher 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

Bei der Optimierung auf Seitenebene werden Empfehlungen nicht nur für einen einzelnen Empfehlungsbereich, sondern für eine ganze Seite mit mehreren Bereichen optimiert. Das Optimierungsmodell auf Seitenebene wählt automatisch die Inhalte für die einzelnen Bereiche aus und bestimmt die Reihenfolge der Bereiche auf Ihrer Seite.

Startseiten sind in der Regel so strukturiert, dass Produkte in Zeilen mit ähnlichen Gruppen wie Kategorien, Trendartikeln oder zuletzt angesehenen Produkten organisiert sind. Wenn Sie das Modell zur Optimierung auf Seitenebene auf einer Startseite verwenden, können Sie Endnutzern personalisierte Empfehlungen geben und gleichzeitig den Entscheidungsprozess für die Koordination von Modellkombinationen und Layouts für diese Seite automatisieren.

Wenn Sie ein Optimierungsmodell auf Seitenebene erstellen möchten, benötigen Sie zuerst vorhandene Bereitstellungskonfigurationen für Empfehlungen mit trainierten Modellen. Wenn Sie ein Modell zur Optimierung auf Seitenebene erstellen, geben Sie an, auf welcher Art von Seite Sie das Modell verwenden möchten, welche Einschränkungen Sie anwenden möchten, um die Bereitstellung ähnlicher Bereitstellungskonfigurationen zu begrenzen, welches Geschäftsziel Sie optimieren möchten (CTR oder CVR), wie viele Empfehlungsbereiche angezeigt werden sollen und welche Bereitstellungskonfigurationen für jeden Bereich berücksichtigt werden sollen.

Wie bei anderen Modellen auch, müssen Sie einen Vorhersageaufruf mit einer Serving-Konfiguration ausführen, die das Modell „Optimierung auf Seitenebene“ enthält, um das Modell „Optimierung auf Seitenebene“ zu verwenden. Anstelle von Empfehlungen enthält die Vorhersageantwort eine sortierte Liste von Bereitstellungskonfigurations-IDs, die die Bereitstellungskonfiguration für jedes Feld darstellen. Rufen Sie dann für jedes Feld mit der entsprechenden ID der Bereitstellungskonfiguration, die vom Modell zur Optimierung auf Seitenebene zurückgegeben wurde, eine neue Vorhersage auf. Die Vorhersageantwort für jedes Feld enthält die Liste der empfohlenen Elemente, die in diesem Feld angezeigt werden sollen.

Standardoptimierungsziel:

Standardbereitstellungskonfiguration: –

Verfügbare Anpassungen:

Unterstützte Seiten für die Modellbereitstellung:

  • Alle

Wenn Sie diese Funktion aktivieren

  • Die Beschreibung sollte für jedes Produkt erläuternd sein und eindeutige Informationen oder Wörter enthalten, die sich vom Titel unterscheiden.
  • Diese Funktion funktioniert am besten, wenn im Durchschnitt mindestens 10 Wörter in der Beschreibung enthalten sind.
  • Der Prozentsatz der Ereignisse mit unbekannten „item_id“-Werten sollte unter 10 % liegen. Das Verhältnis der nicht verknüpften Daten kann überprüft werden. Weitere Informationen zur Definition der Quote nicht verknüpfter Geräte

Optimierung für Geschäftsziele

Modelle für maschinelles Lernen werden erstellt, um auf ein bestimmtes Unternehmensziel hin zu optimieren, 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 Commerce 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 Empfehlungen für mich.

Umsatz pro Sitzung

Das Optimierungsziel „Umsatz pro Sitzung“ ist für die Empfehlungsmodelltypen Was Ihnen sonst noch gefallen könnte, Empfehlungen für mich und Häufig zusammen gekauft verfügbar. Das Ziel ist bei allen Modellen dasselbe: den Umsatz steigern.

  • Für „Was Ihnen sonst noch gefallen könnte“ und „Empfehlungen für mich“ Das Zielvorhaben kombiniert Informationen aus Klicks, Conversions und Artikelpreisen, damit das Modell Artikel mit höheren Preisen und einer höheren Kaufwahrscheinlichkeit empfehlen kann.

  • Für „Häufig zusammen gekauft“ Bei diesem Zielvorhaben werden Artikel mit einer höheren Wahrscheinlichkeit empfohlen, in den Einkaufswagen gelegt zu werden. So wird der Umsatz gesteigert, da die Größe der Einkaufswagen zunimmt.

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 zu öffnen. Dort sehen Sie die mit dem Modell verknüpften Bereitstellungskonfigurationen.

Kontextprodukte

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

Diese kontextbezogenen Produkte werden als Teil eines Nutzerereignisses in den Text einer predict-Anfrage übergeben. Wenn es beispielsweise einen Empfehlungsbereich auf einer Einkaufswagenseite gibt, 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 die Empfehlung verwendet.

Wenn Sie ein Modell für häufig zusammen gekaufte Artikel erstellen, geben Sie an, ob mit diesem Modell Empfehlungen im Kontext eines oder mehrerer Artikel generiert werden sollen. Welche Option Sie auswählen, hängt davon ab, auf welcher Art von Seite Sie das Modell verwenden möchten.

  • Mehrere Kontextprodukte (Standard): Das Modell „Häufig zusammen gekauft“ kann ein oder mehrere Produkte als Kontext für seine Empfehlungen verwenden. Dieser Anwendungsfall ist in der Regel für Einkaufswagenseiten mit einer Vielzahl von kontextbezogenen Produkten vorgesehen, die als Grundlage für die Empfehlung dienen können, die auf dieser Seite präsentiert wird.
  • Einzelnes Kontextprodukt: Das Modell „Häufig zusammen gekauft“ kann nur ein Kontextprodukt verwenden. Dieser Anwendungsfall ist in der Regel für Seiten mit einem einzelnen Produkt vorgesehen, das als Kontext für Empfehlungen verwendet wird, z. B. Seiten zum Hinzufügen von Artikeln zum Einkaufswagen und Produktdetailseiten.

    Wenn in einer predict-Anfrage aus einem einzelnen Kontextproduktmodell „Häufig zusammen gekauft“ mehr als ein Produkt übergeben wird, schlägt die Anfrage nicht fehl. Es wird jedoch nicht empfohlen, da dies möglicherweise nicht zu optimalen Empfehlungen führt.