전자상거래 애플리케이션에 소매업을 위한 Vertex AI Search를 구현할 수 있습니다.
추천 또는 검색을 사용하면 사용자 이벤트 및 카탈로그 데이터를 수집하고 사이트에서 예측 또는 검색결과를 제공합니다.
추천과 검색에 동일한 데이터가 사용되므로 둘 다 사용하면 같은 데이터를 두 번 수집할 필요가 없습니다.
추천 모델을 사용하는 경우 모델 유형 및 최적화 목표에 따라 사용자 이벤트 데이터 요구사항에 추가 요구사항이 나열됩니다. 이러한 요구사항은 소매업용 Vertex AI Search에서 양질의 결과를 생성하는 데 도움이 됩니다.
평균 통합 시간은 주 단위입니다. 검색의 경우 실제 기간은 수집할 데이터의 품질 및 수량에 따라 크게 달라집니다.
Google 태그 관리자 또는 Google 판매자 센터를 사용하는 경우 Google 도구로 소매업을 위한 Vertex AI Search를 구현할 수 있습니다.
추가 Google 도구 사용 여부와 관계없이 웹사이트의 맞춤 결과를 얻을 수 있습니다. 그렇지 않으면 Google 도구 없이 소매업을 위한 Vertex AI Search 구현을 참조하세요.
구현 단계 수행
태그 관리자 및 판매자 센터를 사용하지 않는 경우 Google 도구 사용 탭의 단계를 따라 소매업을 위한 Vertex AI Search를 웹사이트에 통합합니다. 태그 관리자 및 판매자 센터를 사용하지 않는 경우 Google 도구 제외 탭의 단계를 따라 소매업을 위한 Vertex AI Search를 웹사이트에 통합합니다.
Google 도구 사용
| 단계 | 설명 |
|---|---|
| 1. Google Cloud 프로젝트 설정 | 기존 Google Cloud 프로젝트가 이미 있으면 해당 프로젝트를 사용할 수 있습니다. |
| 2a. 판매자 센터를 사용하여 제품 카탈로그 가져오기 |
제품 카탈로그를 직접 가져올 수도 있지만 판매자 센터에 연결하면 카탈로그를 가져오는 데 필요한 단계가 줄어듭니다. 이 솔루션은 [패싯](facets-overview.md)을 사용하려는 경우 적합하지 않습니다. 이 턴키 솔루션은 Google Ads와 잘 작동하며 소매업을 위한 Vertex AI Search에 빠르게 복제됩니다. 클릭 몇 번으로 설정하고 실행할 수 있습니다. 판매자 센터는 컬렉션 제품 유형을 지원하지 않습니다. 가져오기 전에 판매자 센터 제한사항을 검토하여 카탈로그 요구를 충족하는지 확인합니다. |
| 2b. 사용자 이벤트를 기록하도록 태그 관리자 구성하기 | 사용자 이벤트는 제품 클릭, 장바구니에 상품 추가, 상품 구매와 같은 사용자 작업을 추적합니다. 카탈로그 가져오기와 동시에 사용자 이벤트 기록을 시작할 수 있습니다. 카탈로그 가져오기가 완료되면 가져오기가 완료되기 전에 업로드된 이벤트를 다시 조인합니다. 이미 Google 태그 관리자를 사용하고 있다면 소매업을 위한 Vertex AI Search와 통합되므로 이 방법을 사용하는 것이 좋습니다. |
| 3. 이전 사용자 이벤트 가져오기 |
이전 사용자 이벤트 데이터를 제공하면 사이트에서 충분한 사용자 이벤트 데이터가 수집될 때까지 몇 개월을 기다리지 않고도 모델 학습을 시작할 수 있습니다. 사용자 데이터를 가져오는 방법을 알아보려면 BigQuery에서 Google 애널리틱스 360 및 4 이벤트를 가져오는 방법에 관한 사용자 이벤트 가져오기 문서를 참조하세요. 모델에서 정확한 예측을 제공하려면 충분한 학습 데이터가 필요합니다. 사용할 데이터의 양을 알아보려면 각 모델의 요구사항을 이해하세요. |
| 4. 모니터링 및 알림 설정 |
모니터링 및 알림을 설정합니다. |
| 5. 서빙 구성, 모델, 컨트롤 만들기 |
서빙 구성은 모델 및 선택적 제어를 연결하는 제공 항목입니다. 검색 또는 추천 결과를 생성할 때 컨테이너처럼 사용됩니다. 서빙 구성을 만들 때 모델(추천 전용)과 제어를 동시에 만들 수 있습니다. 또한 이들을 별도로 만들 수도 있습니다. 추천을 사용하는 경우 서빙 구성의 위치와 목표를 기반으로 모델 유형을 선택합니다. 사용 가능한 추천 유형, 최적화 목표, 기타 모델 미세 조정 옵션을 검토하여 비즈니스 목표에 가장 적합한 옵션을 결정하세요. (검색 서빙 구성의 경우 기본 모델이 자동으로 생성됩니다.) |
| 6. 모델 학습 및 미세 조정 시간 허용 |
추천, 검색 또는 둘 다를 사용할지 결정합니다. 그런 다음 사용자 이벤트 형식을 숙지합니다. 검색을 사용하면 기준점을 충족한 것으로 가정하여 학습 및 미세 조정이 자동으로 실행됩니다. 각 모델 및 제품의 사용자 이벤트 요구사항을 참고하여 모델을 학습시키고 미세 조정할 사용자 이벤트의 수와 유형을 결정합니다. 추천을 사용하는 경우 모델을 만들면 학습 및 미세 조정이 시작됩니다. 초기 모델 학습 및 미세 조정을 완료하는 데 2~5일이 걸리지만 데이터 세트가 대규모일 경우에는 더 오래 걸릴 수 있습니다. 초기 모델 학습 및 미세 조정을 완료하는 데 2~5일이 걸리지만 데이터 세트가 대규모일 경우에는 더 오래 걸릴 수 있습니다. |
| 7. 서빙 구성 미리보기 및 테스트 |
모델이 활성화된 후에는 서빙 구성의 추천이나 검색 결과를 미리보기 및 테스트하여 설정이 예상대로 작동하는지 확인합니다. 새 컨트롤을 만들거나 기존 컨트롤을 사용하여 새 서빙 구성을 추가하고 애플리케이션으로 테스트 버전을 가리켜 성능을 비교할 수 있습니다. 규칙을 제외하거나 포함하고 프로덕션과 다른 테스트 서빙 구성 간에 테스트를 분할할 수 있습니다. 그런 다음 콘솔의 평가 페이지에서 이러한 변형을 사용하여 검색을 시뮬레이션할 수 있습니다. |
| 8. A/B 실험 설정하기(선택사항) |
A/B 실험을 통해 소매업용 Vertex AI Search를 사용하거나 사용하지 않는 웹사이트의 실적을 비교할 수 있습니다. |
| 9. 구성 평가 |
Search for Retail에서 제공하는 측정항목을 평가하면 소매업용 Vertex AI Search를 통합하여 비즈니스에 어떤 영향을 미치는지 확인할 수 있습니다. 소매업을 위한 Search 콘솔의 애널리틱스 페이지에서 프로젝트의 측정항목을 확인합니다. |
Google 도구 제외
| 단계 | 설명 |
|---|---|
| 1. Google Cloud 프로젝트 설정 |
Google Cloud 프로젝트를 만들고 API 키 및 OAuth 토큰(사용자 계정 또는 서비스 계정 사용)을 포함한 사용자 인증 정보를 만들어 프로젝트에 액세스합니다. |
| 2a. 제품 카탈로그 가져오기 |
|
| 2b. 사용자 이벤트 기록 |
사용자 이벤트는 제품 클릭, 장바구니에 상품 추가, 상품 구매와 같은 사용자 작업을 추적합니다. 맞춤 결과를 생성하려면 사용자 이벤트 데이터가 필요합니다. 사용자 이벤트를 실시간으로 반영하기 위해 사용자 이벤트를 실시간으로 수집해야 합니다. 카탈로그 가져오기와 동시에 사용자 이벤트 기록을 시작할 수 있습니다. 카탈로그 가져오기가 완료되면 가져오기가 완료되기 전에 업로드된 이벤트를 다시 조인합니다. 추적 픽셀을 작성해야 합니다. |
| 3. 이전 사용자 이벤트 가져오기 |
이전 사용자 이벤트 데이터를 제공하면 사이트에서 충분한 사용자 이벤트 데이터가 수집될 때까지 몇 개월을 기다리지 않고도 모델 학습을 시작할 수 있습니다. 사용자 데이터를 가져오는 방법을 알아보려면 Cloud Storage, BigQuery에서 이벤트를 가져오는 방법에 관한 사용자 이벤트 가져오기 문서를 참조하거나 |
| 4. 모니터링 및 알림 설정 |
모니터링 및 알림을 설정합니다. |
| 5. 서빙 구성, 모델, 컨트롤 만들기 |
서빙 구성은 설정을 모델 및 선택적 제어와 연결하는 제공 항목입니다. 검색 또는 추천 결과를 생성할 때 사용됩니다. 서빙 구성을 만들 때 모델 및 컨트롤을 동시에 만들거나 별도로 만들 수 있습니다. 높은 수준의 구성 가능성을 제공합니다. 추천을 사용하는 경우 서빙 구성의 위치와 목표를 기반으로 모델 유형을 선택합니다. 사용 가능한 추천 유형, 최적화 목표, 기타 모델 미세 조정 옵션을 검토하여 비즈니스 목표에 가장 적합한 옵션을 결정하세요. |
| 6. 모델 학습 및 미세 조정 시간 허용 |
추천, 검색 또는 둘 다를 사용할지 결정합니다. 그런 다음 사용자 이벤트 형식을 숙지합니다. 검색을 사용하면 기준점을 충족한 것으로 가정하여 학습 및 미세 조정이 자동으로 실행됩니다. 각 모델 및 제품의 사용자 이벤트 요구사항을 참고하여 모델을 학습시키고 미세 조정할 사용자 이벤트의 수와 유형을 결정합니다. 추천을 사용하는 경우 모델을 만들면 학습 및 미세 조정이 시작됩니다. 초기 모델 학습 및 미세 조정을 완료하는 데 2~5일이 걸리지만 데이터 세트가 대규모일 경우에는 더 오래 걸릴 수 있습니다. 초기 모델 학습 및 미세 조정을 완료하는 데 2~5일이 걸리지만 데이터 세트가 대규모일 경우에는 더 오래 걸릴 수 있습니다. |
| 7. 서빙 구성 미리보기 및 테스트 |
구성이 활성화된 후에는 서빙 구성의 추천이나 검색 결과를 미리보기하여 설정이 예상대로 작동하는지 확인합니다. 이를 사용하여 자체 커스텀 모델을 만들어야 합니다. 새 컨트롤을 만들거나 기존 컨트롤을 사용하여 새 서빙 구성을 추가하고 애플리케이션으로 테스트 버전을 가리켜 성능을 비교할 수 있습니다. 테스트 버전에서 규칙을 추가하거나 삭제하여 성능에 영향을 미칠 수 있는 규칙을 찾습니다. 규칙을 제외하거나 포함하고 프로덕션과 다른 테스트 서빙 구성 간에 테스트를 분할할 수 있습니다. 그런 다음 콘솔의 평가 페이지에서 이러한 변형을 사용하여 검색을 시뮬레이션할 수 있습니다. |
| 8. A/B 실험 설정하기(선택사항) |
A/B 실험을 통해 소매업용 Vertex AI Search를 사용하거나 사용하지 않는 웹사이트의 실적을 비교할 수 있습니다. |
| 9. 구성 평가 |
Search for Retail 콘솔에서 제공하는 측정항목을 평가하면 소매업용 Vertex AI Search를 통합하여 비즈니스에 어떤 영향을 미치는지 확인할 수 있습니다. 소매업을 위한 Search 콘솔의 애널리틱스 페이지에서 프로젝트의 측정항목을 확인합니다. |
서비스 약관
제품 사용에는 Google Cloud 이용약관 또는 관련 오프라인 변형이 적용됩니다. Google Cloud 개인정보처리방침에서는 Google에서 Google Cloud 및 기타 Google Cloud 서비스 사용과 관련된 개인 정보를 수집하고 처리하는 방식을 설명합니다.
품질 보증을 위해 고객 데이터를 포함한 로그의 작은 검색어 샘플 집합과 검색 결과는 사람이 평가할 수 있도록 검색의 제3자 재처리자로 공개된 서드 파티 공급업체로 전송됩니다. 공개적으로 수집된 데이터 세트인 Google 검색 로그의 검색어와 및 검색 결과를 사용하는 추가 테스트는 품질 보증을 위해 사람이 평가할 수 있도록 다른 서드 파티 공급업체에 전송됩니다. Google 검색 로그는 고객 데이터로 분류되지 않습니다.