Anda dapat menerapkan Vertex AI Search untuk retail untuk aplikasi e-commerce Anda.
Saat menggunakan rekomendasi atau penelusuran, Anda akan meng-upload data peristiwa pengguna dan katalog serta menayangkan prediksi atau hasil penelusuran di situs Anda.
Data yang sama digunakan untuk rekomendasi dan penelusuran, jadi jika Anda menggunakan keduanya, Anda tidak perlu menyerap data yang sama dua kali.
Jika Anda menggunakan model rekomendasi, Persyaratan data peristiwa pengguna mencantumkan persyaratan tambahan bergantung pada jenis model dan tujuan pengoptimalan Anda. Persyaratan ini membantu Vertex AI Search untuk retail menghasilkan hasil berkualitas.
Waktu integrasi rata-rata adalah dalam urutan minggu. Perhatikan bahwa untuk penelusuran, durasi yang sebenarnya sangat bergantung pada kualitas dan kuantitas data yang akan diserap.
Jika menggunakan Google Tag Manager atau Google Merchant Center, Anda dapat menerapkan Vertex AI Search untuk retail dengan alat Google.
Anda bisa mendapatkan hasil yang dipersonalisasi untuk situs Anda, baik Anda menggunakan alat Google tambahan maupun tidak. Jika tidak, lihat Mengimplementasikan Vertex AI Search untuk retail tanpa alat Google.
Mengambil langkah-langkah penerapan
Jika Anda menggunakan Tag Manager dan Merchant Center, ikuti langkah-langkah di tab Dengan alat Google untuk mengintegrasikan Penelusuran Vertex AI untuk retail ke situs Anda. Jika Anda tidak menggunakan Tag Manager dan Merchant Center, ikuti langkah-langkah di tab Tanpa alat Google untuk mengintegrasikan Penelusuran Vertex AI untuk retail ke situs Anda.
Dengan alat Google
| Langkah | Deskripsi |
|---|---|
| 1. Menyiapkan project Google Cloud | Anda dapat menggunakan project Google Cloud yang sudah ada jika sudah memilikinya. Jika tidak, ikuti panduan ini untuk menyiapkan project baru. |
| 2a. Mengimpor katalog produk menggunakan Merchant Center |
Anda juga dapat mengimpor katalog produk secara langsung, tetapi penautan ke Merchant Center akan mengurangi langkah-langkah yang diperlukan untuk mengimpor katalog. Solusi ini tidak ideal jika Anda ingin menggunakan facet. Solusi siap pakai ini berfungsi dengan baik dengan Google Ads dan direplikasi dengan cepat ke Vertex AI Search untuk retail. Fitur ini dapat diaktifkan dan berjalan dalam beberapa klik. Perhatikan bahwa Merchant Center tidak mendukung jenis produk koleksi. Sebelum mengimpor, pastikan untuk meninjau Batasan Merchant Center untuk memeriksa apakah batasan tersebut memenuhi kebutuhan katalog Anda. |
| 2b. Mengonfigurasi Tag Manager untuk mencatat peristiwa pengguna | Peristiwa pengguna melacak tindakan pengguna seperti mengklik produk, menambahkan item ke keranjang belanja, atau membeli item. Anda dapat mulai merekam peristiwa pengguna secara paralel dengan impor katalog. Setelah impor katalog selesai, gabungkan kembali peristiwa apa pun yang diupload sebelum impor selesai. Jika Anda sudah menggunakan Google Tag Manager, ini adalah metode yang direkomendasikan karena integrasi dengan Vertex AI Search untuk retail. |
| 3. Mengimpor peristiwa pengguna historis |
Dengan menyediakan data peristiwa pengguna historis, Anda dapat memulai pelatihan model tanpa harus menunggu berbulan-bulan hingga data peristiwa pengguna yang memadai dikumpulkan dari situs Anda. Untuk mempelajari cara mengimpor data pengguna, lihat dokumentasi Impor peristiwa pengguna tentang cara mengimpor peristiwa Google Analytics 360 dan GA4 dari BigQuery. Model Anda memerlukan data pelatihan yang memadai sebelum dapat memberikan prediksi yang akurat. Untuk mempelajari jumlah data yang akan digunakan, pahami persyaratan untuk setiap model. |
Tanpa alat Google
| Langkah | Deskripsi |
|---|---|
| 1. Menyiapkan project Google Cloud |
Buat project Google Cloud dan buat kredensial autentikasi, termasuk kunci API dan token OAuth (baik menggunakan akun pengguna maupun akun layanan) untuk mengakses project. |
| 2a. Mengimpor katalog produk |
Anda dapat menambahkan item ke katalog produk satu per satu menggunakan metode
|
| 2b. Merekam peristiwa pengguna |
Peristiwa pengguna melacak tindakan pengguna seperti mengklik produk, menambahkan item ke keranjang belanja, atau membeli item. Data peristiwa pengguna diperlukan untuk menghasilkan hasil yang dipersonalisasi. Peristiwa pengguna perlu diserap secara real-time untuk mencerminkan perilaku pengguna Anda secara akurat. Anda dapat mulai merekam peristiwa pengguna secara paralel dengan impor katalog. Setelah impor katalog selesai, gabungkan kembali peristiwa apa pun yang diupload sebelum impor selesai. Anda harus menulis piksel pelacakan. |
| 3. Mengimpor peristiwa pengguna historis |
Dengan menyediakan data peristiwa pengguna historis, Anda dapat
memulai pelatihan model tanpa harus menunggu berbulan-bulan hingga data peristiwa pengguna
yang memadai dikumpulkan dari situs Anda. Untuk mempelajari cara mengimpor data pengguna, lihat dokumentasi Mengimpor peristiwa pengguna tentang cara mengimpor peristiwa dari Cloud Storage, BigQuery, atau mengimpor peristiwa secara inline menggunakan metode |
Ikuti langkah-langkah ini untuk kedua jalur orientasi
| Langkah | Deskripsi |
|---|---|
| 4. Menyiapkan pemantauan dan pemberitahuan |
Siapkan pemantauan dan pemberitahuan. |
| 5. Membuat konfigurasi, model, dan kontrol penayangan |
Putuskan apakah Anda ingin menggunakan rekomendasi, penelusuran, atau keduanya. Kemudian, pahami format untuk peristiwa pengguna. Konfigurasi penayangan adalah entity yang mengaitkan model dan, secara opsional, kontrol. Konfigurasi penayangan digunakan seperti penampung saat membuat hasil penelusuran atau rekomendasi. Jika menggunakan rekomendasi saat membuat konfigurasi penayangan, Anda dapat membuat model secara bersamaan bersama dengan kontrol Anda. Anda juga dapat membuatnya secara terpisah. Pilih jenis model berdasarkan lokasi konfigurasi penayangan dan tujuannya. Tinjau jenis rekomendasi, tujuan pengoptimalan, dan opsi penyesuaian model lainnya yang tersedia untuk menentukan opsi terbaik bagi tujuan bisnis Anda. (Untuk konfigurasi penayangan penelusuran, model default akan dibuat secara otomatis.) |
| 6. Berikan waktu untuk pelatihan dan penyesuaian model |
Konfigurasi penayangan adalah versi pengujian konfigurasi. Eksperimen digunakan seperti ruang kerja untuk menguji perbedaan antara tujuan atau kontrol pengoptimalan. Anda dapat melakukan staging pada satu konfigurasi penayangan untuk mengujinya dengan konfigurasi produksi, misalnya, dan mengarahkan aplikasi ke salah satu konfigurasi untuk pemecahan masalah. Jika Anda menggunakan penelusuran, pelatihan dan penyesuaian akan otomatis dilakukan, dengan asumsi Anda telah mencapai nilai minimum. Lihat persyaratan untuk peristiwa pengguna untuk setiap model dan setiap produk guna menentukan jumlah dan jenis peristiwa pengguna yang akan digunakan untuk melatih dan menyesuaikan model. Jika Anda menggunakan rekomendasi, pembuatan model akan memulai pelatihan dan penyesuaian. Pelatihan dan penyesuaian model awal memerlukan waktu 2-5 hari untuk diselesaikan, tetapi dapat memerlukan waktu lebih lama untuk set data besar. Pelatihan dan penyesuaian model awal memerlukan waktu 2-5 hari untuk diselesaikan, tetapi dapat memerlukan waktu yang lebih lama untuk set data besar. |
| 7. Melihat pratinjau dan menguji konfigurasi penayangan |
Setelah model diaktifkan, lihat pratinjau dan uji rekomendasi atau hasil penelusuran konfigurasi penayangan untuk memastikan penyiapan berfungsi seperti yang diharapkan. Anda dapat membuat kontrol baru atau menggunakan kontrol yang ada untuk menambahkan konfigurasi penayangan baru dan mengarahkan aplikasi ke versi pengujian untuk membandingkan performa. Anda dapat mengecualikan atau menyertakan aturan dan melakukan pengujian terpisah untuk produksi versus konfigurasi penayangan pengujian lainnya. Kemudian, Anda dapat menyimulasikan penelusuran menggunakan variasi ini di halaman Evaluasi di konsol. |
| 8. Menyiapkan eksperimen A/B (Opsional) |
Anda dapat menggunakan eksperimen A/B untuk membandingkan performa situs dengan dan tanpa Vertex AI Search untuk retail. |
| 9. Mengevaluasi konfigurasi Anda |
Nilai metrik yang disediakan oleh Penelusuran untuk Retail untuk membantu Anda menentukan pengaruh bisnis Anda dengan menyertakan Vertex AI Search untuk retail. Lihat metrik untuk project Anda di halaman Analytics di konsol Penelusuran untuk Retail. |
Persyaratan Layanan
Penggunaan produk tunduk pada Persyaratan dan Ketentuan Google Cloud atau varian offline yang relevan. Pemberitahuan Privasi Google Cloud menjelaskan cara kami mengumpulkan dan memproses informasi pribadi Anda yang terkait dengan penggunaan Google Cloud dan layanan Google Cloud lainnya.
Untuk jaminan kualitas, sekumpulan sampel kecil kueri penelusuran dan hasil penelusuran dari log, yang mencakup data pelanggan, dikirim untuk penilaian manusia kepada vendor pihak ketiga yang diungkapkan sebagai Subpemroses Pihak Ketiga untuk penelusuran. Pengujian tambahan yang menggunakan kueri penelusuran dan hasil penelusuran dari log Google Penelusuran yang merupakan set data yang dikumpulkan secara publik dikirim untuk diberi rating oleh manusia ke berbagai vendor pihak ketiga untuk jaminan kualitas. Log Google Penelusuran tidak dikategorikan sebagai data pelanggan.