Acerca de los modelos de recomendaciones

En esta página, se describen los modelos de recomendación que proporciona la API de Retail, con sus parámetros de configuración y objetivos de optimización predeterminados, las personalizaciones disponibles y los tipos de eventos compatibles.

Introducción

Cuando te registras a fin de usar la API de venta minorista, trabajas con la Asistencia para la venta minorista a fin de determinar los mejores modelos y personalizaciones de recomendación para tu sitio. Los modelos y las personalizaciones que uses dependen de las necesidades de tu negocio y del lugar en el que planeas mostrar las recomendaciones resultantes.

Cuando solicitas recomendaciones de la API de Retail, debes proporcionar el valor de configuración de entrega al recurso placement. (Consulta configuraciones de entrega a fin de obtener detalles sobre el uso del recurso placement para la configuración de entrega y sobre la compatibilidad con posiciones, que la API de Retail usaba antes para ubicar modelos). La configuración de entrega determina qué modelo se usa para mostrar tus recomendaciones. También puedes filtrar los resultados.

Tipos de modelos de recomendaciones

La API de venta minorista ofrece los siguientes tipos de modelos de recomendación:

Otros elementos que podrían gustarte

La recomendación "Otros que te pueden gustar" predice el siguiente producto con más probabilidades de que los usuarios interactúen con él o generen conversiones. La predicción se basa en el historial de compras y de visualizaciones del usuario y la relevancia del producto candidato para un producto actual especificado.

Objetivo de optimización predeterminado: tasa de clics

Configuración de entrega predeterminada: N/A

Personalizaciones disponibles:

Páginas admitidas para la implementación del modelo:

Se suelen comprar juntos (expansión del carrito de compras)

La recomendación "Comprados con frecuencia" predice artículos que se compran juntos con frecuencia para un producto específico dentro de la misma sesión de compra. Si se mira una lista de productos, predice los artículos que se compran con frecuencia con esa lista.

Esta recomendación es útil cuando el usuario indica que tiene la intención de comprar un producto en particular (o una lista de productos) y deseas recomendar complementos (en lugar de los sustitutos). Por lo general, esta recomendación se muestra en la página “Agregar al carrito” o en las páginas “carrito de compras” o “registro” (para la expansión del carrito de compras).

Objetivo de optimización predeterminado: Ingresos por pedido

Configuración de entrega predeterminada: N/A

Personalizaciones disponibles:

Páginas admitidas para la implementación del modelo:

Recomendadas para ti

La recomendación Recomendaciones para ti predice el próximo producto con más probabilidades de que un usuario lo compre o interactúe con él, según su historial de compras o visualización y la información contextual de las solicitudes, como las marcas de tiempo. Por lo general, esta recomendación se usa en la página principal.

Recomendado para ti también puede ser útil en las páginas de categorías. Una página de categorías es similar a una página principal, excepto que se muestran solo los elementos de esa categoría. Puedes lograr esto mediante un modelo estándar recomendado para ti con etiquetas de filtro. Por ejemplo, puedes agregar etiquetas de filtro personalizadas (correspondientes a cada página de categoría) a los elementos de tu catálogo. Cuando envíes la solicitud de predicción, configura el objeto del evento de usuario como category-page-view y especifica una etiqueta de página de categoría específica en el campo filter. Solo se muestran los resultados de la recomendación que coinciden con la etiqueta de filtro solicitada. En este caso de uso, se debe inhabilitar la diversidad, ya que la diversidad puede entrar en conflicto con las etiquetas de filtro basadas en categorías.

Objetivo de optimización predeterminado: tasa de clics

Configuración de entrega predeterminada: N/A

Personalizaciones disponibles:

Páginas admitidas para la implementación del modelo:

  • Todas

Artículos similares

La recomendación de artículos similares predice otros productos que tienen atributos similares a los del producto que se está considerando. Por lo general, esta recomendación se usa en la página de detalles de un producto o cuando un producto recomendado está agotado.

El modelo de artículos similares solo requiere información del catálogo de productos; no se requieren eventos de usuario.

Los modelos de elementos similares no se pueden ajustar.

Recomendamos crear solo un modelo de elementos similares por proyecto. Debido a que los modelos de elementos similares no se pueden personalizar, la creación de varios modelos de elementos similares basados en los mismos eventos de usuario no produce recomendaciones diferentes y puede generar costos innecesarios.

Objetivo de optimización predeterminado: Tasa de clics

Configuración de entrega predeterminada: N/A

Personalizaciones disponibles: N/A

Páginas admitidas para la implementación del modelo:

Volver a comprar

El modelo Volver a comprar fomenta la compra de artículos nuevamente en función de las compras recurrentes anteriores. Este modelo personalizado predice productos que se compraron anteriormente al menos una vez y que, por lo general, se compran en cadencia normal. El intervalo en el que se sugiere un producto depende del producto y del visitante del sitio. Las recomendaciones de este modelo se pueden usar en cualquier tipo de página.

El modelo para volver a comprar usa eventos de usuario de compra completa.

No se puede ajustar el modelo para volver a comprar.

Recomendamos crear solo un modelo de Comprar de nuevo por proyecto. Debido a que los modelos de Comprar de nuevo no se pueden personalizar, la creación de varios modelos basados en estos mismos eventos del usuario no genera recomendaciones diferentes y puede generar costos innecesarios.

Objetivo de optimización predeterminado: N/A

Configuración de entrega predeterminada: N/A

Personalizaciones disponibles: N/A

Páginas admitidas para la implementación del modelo:

  • Todas

En oferta

El tipo de modelo en oferta es un modelo personalizado basado en promociones que puede recomendar productos en oferta. Puedes usar este tipo de modelo para incentivar a los usuarios a comprar artículos con descuento.

Por lo general, se usan en la página principal, la página de agregar al carrito, la de carrito de compras, la de categorías y la página de detalles.

Objetivo de optimización predeterminado: Tasa de clics

Configuración de entrega predeterminada: N/A

Personalizaciones disponibles:

Páginas admitidas para la implementación del modelo:

Visto recientemente

La recomendación Vistos recientemente no es una recomendación. Proporciona los ID de los productos con los que recientemente interactúa el usuario o visitante, con los productos más recientes primero.

Objetivo de optimización predeterminado: N/A

Configuración de entrega predeterminada: recently_viewed_default

Personalizaciones disponibles: N/A

Páginas admitidas para la implementación del modelo:

  • Todas

Optimización a nivel de la página

La optimización a nivel de la página extiende Recomendaciones IA de la optimización de un solo panel de recomendaciones a la vez a la optimización de una página completa con varios paneles. El modelo de optimización a nivel de la página selecciona automáticamente el contenido de cada panel y determina el orden de los paneles en tu página.

Por ejemplo, las páginas principales suelen estar estructuradas con productos organizados en filas de grupos relacionados, como categorías, artículos del momento o productos vistos recientemente. El uso del modelo de optimización a nivel de la página en una página principal puede brindar a un usuario final una experiencia de recomendación personalizada mientras se automatiza el proceso de decisión para coordinar las combinaciones y los diseños de modelo de esa página.

Para crear un modelo de optimización a nivel de la página, primero debes tener configuraciones de entrega de recomendaciones existentes que tengan modelos entrenados. Cuando creas un modelo de optimización a nivel de la página, especificas en qué tipo de página lo usarás, qué restricciones aplicarás para limitar la entrega de parámetros de configuración de entrega similares, qué objetivo comercial se optimizará (CTR o CVR), cuántos paneles de recomendación se mostrarán y qué parámetros de configuración de entrega se deben considerar para cada panel.

Al igual que con otros modelos, para usar el modelo de optimización a nivel de la página realiza una llamada de predicción con una configuración de entrega que contiene el modelo de optimización a nivel de página. En lugar de recomendaciones, la respuesta de predicción contiene una lista ordenada de ID de configuración de entrega que representan la configuración de entrega que se usará para cada panel. Luego, realiza una nueva llamada de predicción para cada panel con el ID de configuración de entrega correspondiente que se mostró en el modelo de optimización a nivel de la página. La respuesta de predicción de cada panel contiene la lista de elementos recomendados para mostrar en ese panel.

Objetivo de optimización predeterminado: N/A

Configuración de entrega predeterminada: N/A

Personalizaciones disponibles: N/A

Páginas admitidas para la implementación del modelo:

  • Todas

Optimización para objetivos comerciales

Los modelos de aprendizaje automático se crean para realizar optimizaciones en función de un objetivo comercial particular, lo que determina cómo se compila el modelo. Cada modelo tiene un objetivo de optimización predeterminado, pero puedes solicitar un objetivo de optimización diferente para respaldar tus objetivos comerciales. Para ello, comunícate con tu representante de asistencia.

Después de entrenar un modelo, no puedes cambiar el objetivo de optimización. Debes entrenar un modelo nuevo para usar un objetivo de optimización diferente.

La API de Retail admite los siguientes objetivos de optimización.

Tasa de clics (CTR)

La optimización para aumentar la CTR enfatiza la participación; debes optimizar el CTR cuando quieras maximizar la probabilidad de que el usuario interactúe con la recomendación.

La CTR es el objetivo de optimización predeterminado para los tipos de modelo de recomendación Otros productos que le pueden gustar y Recomendados para ti.

Ingresos por sesión

El objetivo de optimización de ingresos por sesión está disponible para los tipos de modelo de recomendación "Otros usuarios pueden gustarte", "Recomendados para ti" y "Comprados con frecuencia". Aunque el objetivo funciona de manera diferente para cada modelo, el objetivo es el mismo, aumentar los ingresos.

  • Para otros usuarios que podrían gustarte y recomendados para ti. El objetivo combina información de clics, conversiones y precios de artículos para ayudar al modelo a recomendar artículos que tienen precios más altos y una mayor probabilidad de compra.

  • Para comprar juntos con frecuencia. Este objetivo realiza optimizaciones para recomendar artículos con una mayor probabilidad de agregarse a los carritos, lo que beneficia a los ingresos mediante la expansión de los tamaños de carritos.

Porcentaje de conversiones (CVR)

La optimización del porcentaje de conversiones maximiza la probabilidad de que el usuario agregue el artículo recomendado a su carrito. Si deseas aumentar la cantidad de artículos agregados a un carrito por sesión, optimiza el porcentaje de conversiones.

Opciones avanzadas de configuración del modelo

Según el tipo de modelo, existen otras opciones de configuración del modelo que puedes usar para cambiar su comportamiento.

Preferencias de ajuste

El ajuste mantiene el entrenamiento de modelos óptimo a medida que los datos de entrada cambian con el tiempo. Configura el modelo para que se ajuste de forma automática cada tres meses o elige que se ajuste solo de forma manual. El modelo se ajusta de forma automática una vez después de la creación. Obtén más información.

Para ajustar los detalles de los costos, consulta Precios.

Parámetros de configuración y modelos de entrega disponibles

Antes de que puedas solicitar predicciones de tu modelo, debes crear al menos una configuración de entrega para él. Para obtener más información, consulta Crea parámetros de configuración de entrega.

Puedes ver tus modelos en la página Modelos. Haz clic en el nombre de un modelo para ir a su página de detalles, en la que puedes ver la configuración de entrega asociada con ese modelo.

Productos de contexto

Cuando se genera una recomendación, los modelos tienen en cuenta los productos con los que el usuario interactuó anteriormente en el contexto del panel de recomendaciones.

Estos productos contextuales se pasan al cuerpo de una solicitud predict como parte de un evento del usuario. Por ejemplo, si hay un panel de recomendaciones en una página del carrito de compras, cualquier evento de usuario shopping-cart-page-view que active una solicitud predict debe incluir los productos que estén en el carrito de compras en ese momento. Estos productos se usan como productos de contexto de esa recomendación.

Cuando creas un modelo de compra frecuente, especifica si generará recomendaciones en el contexto de uno o varios elementos. La opción que elijas dependerá del tipo de página que planees usar.

  • Varios productos de contexto (predeterminado): el modelo de compra frecuente puede usar uno o varios productos como contexto para sus recomendaciones. Por lo general, este caso de uso es para páginas del carrito de compras que tienen una variedad de productos contextuales que pueden informar que la recomendación de entregarse en esa página.

  • Producto de contexto único: El modelo de compra frecuente en conjunto puede usar solo un producto de contexto. Por lo general, este caso de uso se usa en páginas que tienen un solo producto que se usaría como contexto para recomendaciones, como páginas de agregar al carrito y de detalles del producto.

    Pasar más de un producto en una solicitud predict desde un solo producto de contexto frecuentemente comprado juntos no falla, aunque no se recomienda porque es posible que no genere recomendaciones óptimas.