Halaman ini menampilkan ringkasan langkah-langkah yang diperlukan untuk menerapkan Vertex AI Search untuk retail bagi aplikasi e-commerce Anda.
Pengantar
Saat Anda menggunakan rekomendasi atau penelusuran, Anda menyerap data peristiwa dan katalog pengguna serta menayangkan prediksi atau hasil penelusuran di situs Anda.
Data yang sama digunakan untuk rekomendasi dan penelusuran. Jadi, jika menggunakan keduanya, Anda tidak perlu menyerap data yang sama dua kali.
Lihat Persyaratan dan praktik terbaik peristiwa pengguna untuk data peristiwa pengguna yang digunakan oleh rekomendasi dan penelusuran. Jika Anda menggunakan model rekomendasi, Persyaratan data peristiwa pengguna akan mencantumkan persyaratan tambahan, bergantung pada jenis model dan tujuan pengoptimalan Anda. Persyaratan ini membantu Vertex AI Search untuk retail memberikan hasil yang berkualitas.
Waktu integrasi rata-rata adalah dalam urutan minggu. Perhatikan bahwa untuk penelusuran, durasi 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, terlepas dari apakah Anda menggunakan alat Google tambahan atau tidak. Jika belum, lihat Mengimplementasikan Vertex AI Search untuk retail.
Jangan pernah menyimpan hasil yang dipersonalisasi dari pengguna akhir ke dalam cache, dan jangan pernah menampilkan hasil yang dipersonalisasi untuk pengguna akhir yang berbeda.
Mengimplementasikan Vertex AI Search untuk retail dengan alat Google
Jika menggunakan Google Tag Manager dan Google Merchant Center, Anda dapat menggunakan produk tersebut untuk menyediakan data yang dapat digunakan oleh Vertex AI Search untuk retail.
| Langkah | Deskripsi |
|---|---|
| 1. Menyiapkan project Google Cloud | Anda dapat menggunakan project Google Cloud yang sudah ada jika sudah memilikinya. |
| 2a. Mengimpor katalog produk menggunakan Merchant Center |
Anda juga dapat mengimpor katalog produk secara langsung, tetapi menautkan ke Merchant Center akan mengurangi langkah-langkah yang diperlukan untuk mengimpor katalog Anda. Perhatikan bahwa Merchant Center tidak mendukung jenis produk koleksi. Sebelum mengimpor, pastikan Anda 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 mencatat peristiwa pengguna secara paralel dengan impor katalog. Setelah impor katalog selesai, gabungkan kembali peristiwa apa pun yang diupload sebelum impor selesai. |
| 3. Mengimpor peristiwa pengguna historis |
Model Anda memerlukan data pelatihan yang memadai sebelum dapat memberikan prediksi yang akurat. Dengan memberikan data peristiwa pengguna historis, Anda dapat memulai pelatihan model tanpa harus menunggu berbulan-bulan hingga data peristiwa pengguna dikumpulkan cukup dari situs Anda. Pelajari lebih lanjut. |
| 4. Membuat konfigurasi, model, dan kontrol penayangan |
Konfigurasi penayangan adalah entity penayangan yang mengaitkan model dan, secara opsional, kontrol. Ini digunakan saat membuat hasil penelusuran atau rekomendasi. Saat membuat konfigurasi penayangan, Anda dapat membuat model (hanya untuk rekomendasi) dan kontrol secara bersamaan. Anda juga dapat membuatnya secara terpisah. Jika Anda menggunakan rekomendasi, 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 otomatis dibuat.) |
| 5. Meluangkan waktu untuk penyesuaian model |
Pembuatan model akan memulai pelatihan model. Pelatihan dan penyesuaian model awal dapat diselesaikan dalam waktu 2-5 hari, tetapi dapat memerlukan waktu lebih lama untuk set data besar. |
| 6. Melihat pratinjau konfigurasi penayangan |
Setelah model diaktifkan, lihat pratinjau rekomendasi konfigurasi penayangan atau hasil penelusuran Anda untuk memastikan penyiapan Anda berfungsi seperti yang diharapkan. |
| 7. Menyiapkan eksperimen A/B (Opsional) |
Anda dapat menggunakan eksperimen A/B untuk membandingkan performa situs dengan dan tanpa Vertex AI Search untuk retail. |
| 8. Mengevaluasi konfigurasi Anda |
Nilai metrik yang disediakan oleh Search for Retail guna membantu Anda menentukan dampak bisnis Anda dengan menyertakan Vertex AI Search untuk retail. Lihat metrik untuk project Anda di halaman Analytics pada Search for Retail Console. |
Menerapkan Vertex AI Search untuk retail tanpa alat Google tambahan
Jika Anda tidak menggunakan Tag Manager dan Merchant Center, gunakan langkah-langkah berikut untuk mengintegrasikan Vertex AI Search untuk retail ke situs Anda.
| 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 |
Anda dapat menambahkan item ke katalog produk satu per satu menggunakan metode |
| 2b. Mencatat peristiwa pengguna |
Peristiwa pengguna melacak tindakan pengguna seperti mengklik produk, menambahkan item ke keranjang belanja, atau membeli item, dan sebagainya. Data peristiwa pengguna diperlukan untuk memberikan hasil yang dipersonalisasi. Peristiwa pengguna harus diserap secara real time untuk mencerminkan perilaku pengguna Anda secara akurat. Anda dapat mulai mencatat peristiwa pengguna secara paralel dengan impor katalog. Setelah impor katalog selesai, gabungkan kembali peristiwa apa pun yang diupload sebelum impor selesai. |
| 3. Mengimpor peristiwa pengguna historis |
Model Anda memerlukan data pelatihan yang memadai sebelum dapat memberikan prediksi yang akurat. Dengan memberikan data peristiwa pengguna historis, Anda dapat memulai pelatihan model tanpa harus menunggu berbulan-bulan hingga data peristiwa pengguna dikumpulkan cukup dari situs Anda. Pelajari lebih lanjut. |
| 4. Membuat konfigurasi, model, dan kontrol penayangan |
Konfigurasi penayangan adalah entity penayangan yang mengaitkan setelan dengan model dan, secara opsional, kontrol. Ini digunakan saat membuat hasil penelusuran atau rekomendasi. Saat membuat konfigurasi penayangan, Anda dapat membuat model dan kontrol secara bersamaan, atau membuatnya secara terpisah. Untuk rekomendasi, lokasi konfigurasi penayangan dan tujuannya memengaruhi penyesuaian model. Tinjau jenis rekomendasi, tujuan pengoptimalan, dan opsi penyesuaian model lainnya yang tersedia untuk menentukan opsi terbaik bagi tujuan bisnis Anda. |
| 5. Meluangkan waktu untuk pelatihan |
Pembuatan konfigurasi model atau inferensi akan memulai pelatihan. Pelatihan dan penyesuaian model awal dapat diselesaikan dalam waktu 2-5 hari, tetapi dapat memerlukan waktu lebih lama untuk set data besar. |
| 6. Melihat pratinjau konfigurasi penayangan |
Setelah konfigurasi diaktifkan, lihat pratinjau rekomendasi konfigurasi penayangan atau hasil penelusuran Anda untuk memastikan penyiapan Anda berfungsi seperti yang diharapkan. |
| 7. Menyiapkan eksperimen A/B (Opsional) |
Anda dapat menggunakan eksperimen A/B untuk membandingkan performa situs dengan dan tanpa Vertex AI Search untuk retail. |
| 8. Mengevaluasi konfigurasi Anda |
Nilai metrik yang disediakan konsol Search for Retail guna membantu Anda menentukan pengaruh penggunaan Vertex AI Search untuk retail ke bisnis Anda. Lihat metrik untuk project Anda di halaman Analytics pada Search for Retail Console. |
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 terkait penggunaan Google Cloud dan layanan Google Cloud lainnya.
Untuk uji mutu, sejumlah kecil contoh kueri penelusuran dan hasil penelusuran dari log, yang mencakup data pelanggan, dikirim untuk rating manusia kepada vendor pihak ketiga yang diungkapkan sebagai Subpemroses Pihak Ketiga untuk penelusuran. Pengujian tambahan menggunakan kueri penelusuran dan hasil penelusuran dari log Google Penelusuran yang merupakan set data yang dikumpulkan secara publik dikirim untuk dinilai secara manual ke berbagai vendor pihak ketiga untuk uji mutu. Log Google Penelusuran tidak dikategorikan sebagai data pelanggan.