Vertex AI Search for Retail implementieren

Sie können Vertex AI Search for Retail für Ihre E-Commerce-Anwendung implementieren.

Wenn Sie Empfehlungen oder die Suche verwenden, nehmen Sie Nutzerereignis- und Katalogdaten auf und stellen Vorhersagen oder Suchergebnisse auf Ihrer Website bereit.

Dieselben Daten werden sowohl für Empfehlungen als auch für die Suche verwendet. Wenn Sie also beides nutzen, müssen Sie dieselben Daten nicht zweimal aufnehmen.

Wenn Sie Empfehlungsmodelle verwenden, werden je nach Modelltyp und Optimierungsziel unter Anforderungen für Nutzerereignisdaten zusätzliche Anforderungen aufgeführt. Diese Anforderungen tragen dazu bei, dass Vertex AI Search for Retail hochwertige Ergebnisse liefert.

Die durchschnittliche Integrationszeit liegt im Bereich von Wochen. Beachten Sie, dass die tatsächliche Dauer für die Suche in hohem Maße von der Qualität und der Menge der Daten abhängt, die aufgenommen werden sollen.

Wenn Sie Google Tag Manager oder das Google Merchant Center verwenden, können Sie Vertex AI Search für den Einzelhandel mit Google-Tools implementieren.

Sie können personalisierte Ergebnisse für Ihre Website erhalten, unabhängig davon, ob Sie zusätzliche Google-Tools verwenden. Falls nicht, lesen Sie den Hilfeartikel Vertex AI Search for Retail ohne Google-Tools implementieren.

Implementierungsschritte unternehmen

Wenn Sie Tag Manager und das Merchant Center verwenden, folgen Sie der Anleitung auf dem Tab Mit Google-Tools, um Vertex AI Search für den Einzelhandel in Ihre Website einzubinden. Wenn Sie Tag Manager und Merchant Center nicht verwenden, folgen Sie der Anleitung auf dem Tab Ohne Google-Tools, um Vertex AI Search for Retail in Ihre Website einzubinden.

Mit Google-Tools

Schritt Beschreibung
1. Google Cloud-Projekt einrichten Sie können ein vorhandenes Google Cloud-Projekt verwenden, falls Sie bereits eines haben. Andernfalls folgen Sie dieser Anleitung, um ein neues Projekt einzurichten.
2a. Produktkatalog mit dem Merchant Center importieren

Sie können Ihren Produktkatalog auch direkt importieren. Durch die Verknüpfung mit dem Merchant Center werden aber die Schritte zum Importieren Ihres Katalogs reduziert. Diese Lösung ist nicht ideal, wenn Sie Felder verwenden möchten. Diese schlüsselfertige Lösung funktioniert gut mit Google Ads und kann schnell in Vertex AI Search for Retail repliziert werden. Die Einrichtung ist mit wenigen Klicks möglich.

Beachten Sie, dass das Merchant Center den Produkttyp „Sammlungen“ nicht unterstützt. Prüfen Sie vor dem Import zuerst, ob die Einschränkungen des Merchant Center Ihren Kataloganforderungen entsprechen.

2b. Tag Manager für das Aufzeichnen von Nutzerereignissen konfigurieren Nutzerereignisse erfassen Nutzeraktionen wie das Klicken auf ein Produkt, das Hinzufügen eines Artikels zu einem Einkaufswagen oder das Kaufen eines Artikels. Sie können mit dem Aufzeichnen von Nutzerereignissen parallel zum Katalogimport beginnen. Wenn der Katalogimport abgeschlossen ist, fügen Sie alle Ereignisse wieder hinzu, die vor dem Import hochgeladen wurden. Wenn Sie bereits Google Tag Manager verwenden, ist dies die empfohlene Methode, da Vertex AI Search for Retail eingebunden ist.
3. Vergangene Nutzerereignisse importieren

Die Bereitstellung früherer Nutzerereignisdaten ermöglicht es Ihnen, mit dem Modelltraining zu beginnen, ohne monatelang darauf warten zu müssen, dass genügend Nutzerereignisdaten von Ihrer Website gesammelt werden. Informationen zum Importieren von Nutzerdaten finden Sie in der Dokumentation Nutzerereignisse importieren zum Importieren von Google Analytics 360- und GA4-Ereignissen aus BigQuery. Die Modelle benötigen ausreichende Trainingsdaten, bevor sie genaue Vorhersagen liefern können. Informationen dazu, wie viele Daten Sie verwenden sollten, finden Sie in den Anforderungen für die einzelnen Modelle.

Ohne Google-Tools

Schritt Beschreibung
1. Google Cloud-Projekt einrichten

Erstellen Sie ein Google Cloud-Projekt und Authentifizierungsdaten mit einem API-Schlüssel und einem OAuth-Token (entweder über ein Nutzerkonto oder ein Dienstkonto), um auf das Projekt zuzugreifen.

2a. Produktkatalog importieren

Mit der Methode Products.create können Sie Ihrem Produktkatalog nach Bedarf Artikel hinzufügen. Bei großen Produktkatalogen empfehlen wir, mit der Methode Products.import Artikel im Bulk hinzuzufügen. Dies bietet mehr Konfigurationsmöglichkeiten und ist eine gute Option für Unternehmen, die ein Pilotprojekt durchführen möchten.

2b. Nutzerereignisse aufzeichnen

Nutzerereignisse erfassen Nutzeraktionen wie das Klicken auf ein Produkt, das Hinzufügen eines Artikels zu einem Einkaufswagen oder das Kaufen eines Artikels. Nutzerereignisdaten sind erforderlich, um personalisierte Ergebnisse zu generieren. Nutzerereignisse müssen in Echtzeit aufgenommen werden, um das Verhalten Ihrer Nutzer genau widerzuspiegeln.

Sie können mit dem Aufzeichnen von Nutzerereignissen parallel zum Katalogimport beginnen. Wenn der Katalogimport abgeschlossen ist, fügen Sie alle Ereignisse wieder hinzu, die vor dem Import hochgeladen wurden. Sie müssen ein Tracking-Pixel einfügen.

3. Vergangene Nutzerereignisse importieren

Die Bereitstellung früherer Nutzerereignisdaten ermöglicht es Ihnen, mit dem Modelltraining zu beginnen, ohne monatelang darauf warten zu müssen, dass genügend Nutzerereignisdaten von Ihrer Website gesammelt werden. Weitere Informationen zum Importieren von Nutzerdaten finden Sie in der Dokumentation Nutzerereignisse importieren. Dort erfahren Sie, wie Sie Ereignisse aus Cloud Storage, BigQuery oder inline mit der Methode userEvents.import importieren. Die Modelle benötigen ausreichende Trainingsdaten, bevor sie genaue Vorhersagen liefern können. Weitere Informationen zu den Importanforderungen für die einzelnen Modelltypen

Führen Sie diese Schritte für beide Onboarding-Pfade aus.

Schritt Beschreibung
4. Monitoring und Benachrichtigungen einrichten

Richten Sie Monitoring und Benachrichtigungen ein.

5. Bereitstellungskonfiguration, Modell und Steuerelemente erstellen

Entscheiden Sie, ob Sie Empfehlungen, die Suche oder beides verwenden möchten. Machen Sie sich dann mit den Formaten für Nutzerereignisse vertraut. Eine Bereitstellungskonfiguration ist eine Entität, die ein Modell und optional Steuerelemente verknüpft. Eine Bereitstellungskonfiguration wird beim Generieren von Such- oder Empfehlungsergebnissen wie ein Container verwendet.

Wenn Sie beim Erstellen einer Bereitstellungskonfiguration Empfehlungen verwenden, können Sie gleichzeitig ein Modell und Ihre Steuerelemente erstellen. Sie können diese auch separat erstellen. Wählen Sie einen Modelltyp aus, der auf dem Standort der Bereitstellungskonfiguration und den Zielen basiert. Prüfen Sie die verfügbaren Empfehlungstypen, Optimierungsziele und andere Optionen zur Modelloptimierung, um die besten Optionen für Ihre Geschäftsziele zu ermitteln. Bei Bereitstellungskonfigurationen für die Suche wird automatisch ein Standardmodell erstellt.

6. Zeit für das Modelltraining und die Modellabstimmung einplanen

Bereitstellungskonfigurationen sind Testversionen von Konfigurationen. Sie werden wie ein Arbeitsbereich verwendet, um den Unterschied zwischen Optimierungszielen oder Kontrollelementen zu testen. Sie können eine Bereitstellungskonfiguration beispielsweise mit der Produktionskonfiguration vergleichen und die Anwendung zur Fehlerbehebung auf die eine oder andere verweisen.

Wenn Sie die Suche verwenden, werden Training und Optimierung automatisch durchgeführt, sofern Sie den Grenzwert erreicht haben. Lesen Sie die Anforderungen an Nutzerereignisse für jedes Modell und jedes Produkt, um zu ermitteln, wie viele und welche Art von Nutzerereignissen Sie zum Trainieren und Optimieren der Modelle verwenden sollten.

Wenn Sie Empfehlungen verwenden, wird durch das Erstellen eines Modells das Training und die Abstimmung initiiert. Das erste Training und die Abstimmung des Modells dauern zwei bis fünf Tage. Bei großen Datasets kann es jedoch länger dauern. Das erste Training und die Abstimmung des Modells dauern zwei bis fünf Tage. Bei großen Datasets kann es jedoch länger dauern.

7. Bereitstellungskonfiguration in der Vorschau ansehen und testen

Nachdem Ihr Modell aktiviert wurde, können Sie eine Vorschau der Empfehlungen Ihrer Bereitstellungskonfiguration oder der Suchergebnisse aufrufen und testen, um zu prüfen, ob die Einrichtung wie vorgesehen funktioniert. Sie können neue Steuerelemente erstellen oder vorhandene Steuerelemente verwenden, um neue Bereitstellungskonfigurationen hinzuzufügen und die Anwendung auf die Testversion zu verweisen, um die Leistung zu vergleichen. Sie können Regeln ausschließen oder einschließen und die Produktion mit einer anderen Testbereitstellungskonfiguration vergleichen. Auf der Seite Bewertungen der Console können Sie dann Suchanfragen mit diesen Varianten simulieren.

8. A/B-Test einrichten (optional)

Sie können einen A/B-Test durchführen, um die Leistung Ihrer Website mit und ohne Vertex AI Search for Retail zu vergleichen.

9. Konfiguration bewerten

Prüfen Sie die von der Search for Retail-Funktion bereitgestellten Messwerte, um festzustellen, wie sich die Einbindung von Vertex AI Search for Retail auf Ihre Geschäftstätigkeit auswirkt.

Sie können die Messwerte für Ihr Projekt auf der Seite Analysen der Search for Retail Console einsehen.

Nutzungsbedingungen

Die Nutzung des Produkts erfolgt gemäß den Nutzungsbedingungen von Google Cloud oder der entsprechenden Offlinevariante. In den Datenschutzhinweisen zu Google Cloud wird erläutert, wie wir Ihre personenbezogenen Daten im Zusammenhang mit der Nutzung von Google Cloud und anderen Google Cloud-Diensten erheben und verarbeiten.

Zur Qualitätssicherung wird eine kleine Stichprobe von Suchanfragen und Suchergebnissen aus den Logs, die Kundendaten enthalten, zur manuellen Bewertung an Drittanbieter gesendet, die als Drittanbieter-Unterauftragnehmer für die Suche offengelegt sind. Zusätzliche Tests mit Suchanfragen und Suchergebnissen aus Google-Suchprotokollen, die öffentlich erhobene Datensätze sind, werden zur Qualitätssicherung zur manuellen Bewertung an verschiedene Drittanbieter gesendet. Die Protokolle der Google Suche werden nicht als Kundendaten kategorisiert.