Retail diganti namanya menjadi Vertex AI Search untuk retail. Kami sedang dalam proses memperbarui konten untuk mencerminkan branding baru ini.

Mendapatkan saran

Halaman ini menjelaskan cara meminta rekomendasi produk untuk pengguna dan peristiwa pengguna tertentu.

Setelah mengupload produk dan mencatat peristiwa pengguna, Anda dapat meminta rekomendasi produk untuk pengguna tertentu berdasarkan peristiwa pengguna yang direkam untuk pengguna tersebut dan aktivitasnya saat ini. Diperlukan waktu hingga 48 jam agar produk baru dan peristiwa pengguna ditampilkan dalam model rekomendasi.

Vertex AI Search untuk retail menampilkan daftar ID produk yang diberi peringkat. Anda bertanggung jawab untuk merender hasil di situs dengan gambar dan teks.

Jangan pernah menyimpan hasil yang dipersonalisasi dari pengguna akhir ke dalam cache, dan jangan pernah menampilkan hasil yang dipersonalisasi untuk pengguna akhir yang berbeda.

Sebelum Memulai

Anda harus membuat project Google Cloud dan menyiapkan autentikasi menggunakan langkah-langkah di bagian Sebelum memulai.

Selain itu, sebelum dapat meminta prediksi dari rekomendasi, Anda memerlukan rekomendasi (model) yang dilatih dan disesuaikan serta satu atau beberapa konfigurasi penayangan aktif.

Mengevaluasi rekomendasi

Sebelum memperbarui kode situs untuk meminta rekomendasi, Anda dapat menggunakan hasil prediksi pratinjau untuk mengonfirmasi bahwa model dan konfigurasi penayangan berfungsi seperti yang Anda harapkan.

Untuk mengetahui informasi selengkapnya tentang konfigurasi penayangan, lihat Tentang menayangkan konfigurasi.

Anda dapat melihat pratinjau penayangan hasil konfigurasi dari halaman Evaluate, atau dengan membuka halaman Details konfigurasi penayangan di konsol dan mengklik tab Evaluate. Langkah-langkah berikut menunjukkan cara melihat pratinjau dari halaman Evaluate.

Untuk melihat pratinjau rekomendasi yang ditampilkan oleh konfigurasi penayangan Anda:

Buka halaman Evaluate di Search for Retail console.

Buka halaman Evaluasi
Klik tab Rekomendasi, jika belum dipilih.
Pilih konfigurasi penayangan yang ingin Anda lihat pratinjaunya.
Opsional: Masukkan ID pengunjung untuk melihat pratinjau rekomendasi bagi pengguna tersebut.
Jika bagian Associated items ditampilkan, klik Add item dan masukkan ID produk untuk mendapatkan rekomendasi terkait untuk item tersebut. Anda dapat menambahkan beberapa item terkait.

Penambahan item hanya tersedia jika jenis model konfigurasi penyajian yang dipilih memerlukan produk sebagai input untuk rekomendasi. Model yang Direkomendasikan untuk Anda tidak memerlukan item terkait untuk dimasukkan.
Klik Pratinjau prediksi untuk melihat hasil prediksi.

Untuk melihat halaman Details untuk konfigurasi penayangan yang sedang Anda lihat pratinjaunya, klik View serving config di kolom Select serving config.

Untuk mengetahui detail biaya prediksi, lihat Harga.

curl

Untuk mendapatkan rekomendasi, buat permintaan POST ke metode REST predict dan berikan isi permintaan yang sesuai:

Akun layanan yang Anda gunakan harus memiliki peran "Retailer" atau yang lebih tinggi.
Ganti SERVING_CONFIG_ID dengan konfigurasi penayangan tempat Anda akan menggunakan prediksi. Pelajari lebih lanjut.
Jika Anda mengimpor peristiwa pengguna Google Analytics 360 menggunakan BigQuery, tetapkan visitorId ke client ID Google Analytics. Lihat dokumentasi Google Analytics untuk mengetahui cara mendapatkan client ID.
Jika Anda menjalankan eksperimen A/B, tetapkan experimentIds ke ID untuk grup eksperimen ini. Pelajari lebih lanjut.
Berikan objek peristiwa pengguna untuk tindakan pengguna yang memulai permintaan rekomendasi.

Perhatikan bahwa peristiwa pengguna ini tidak direkam; peristiwa ini hanya digunakan untuk memberikan konteks bagi permintaan rekomendasi ini. Anda juga harus merekam peristiwa pengguna dengan cara yang sama seperti merekam peristiwa pengguna lainnya.
Secara opsional, berikan filter untuk mempersempit kemungkinan produk yang ditampilkan. Pelajari lebih lanjut.

curl -X POST \
    -H "Authorization: Bearer $(gcloud auth application-default print-access-token)" \
    -H "Content-Type: application/json; charset=utf-8" \
    --data '{
              "filter": "FILTER_STRING",
              "validateOnly": false,
              "userEvent": {
                  "eventType": "detail-page-view",
                  "visitorId": "VISITOR_ID",
                  "userInfo": {
                      "userId": "USER_ID",
                      "ipAddress": "IP_ADDRESS",
                      "userAgent": "USER_AGENT"
                  },
                  "experimentIds": "EXPERIMENT_GROUP",
                  "productDetails": [{
                      "product": {
                        "id": "PRODUCT_ID"
                     }
                  }]
              }
            }' \
https://retail.googleapis.com/v2/projects/PROJECT_ID/locations/global/catalogs/default_catalog/servingConfigs/SERVING_CONFIG_ID:predict

Anda akan melihat hasil yang mirip seperti berikut ini:

{
  "results": [{"id": "sample-id-1"}, {"id": "sample-id-2"}],
  "attribution_token": "sample-atr-token"
}

Anda harus mengaitkan nilai attribution_token dengan URL apa pun yang Anda tampilkan sebagai hasil dari prediksi ini, dan menampilkannya dengan peristiwa pengguna untuk URL tersebut. Pelajari lebih lanjut.

Java

public static PredictResponse predictWithNextPageToken(UserEvent userEvent, int pageSize,
    String nextPageToken)
    throws IOException, InterruptedException {
  PredictionServiceClient predictionClient = getPredictionServiceClient();

  PredictRequest request = PredictRequest.newBuilder()
      .setPlacement(HOME_PAGE_PLACEMENT_NAME)
      .setUserEvent(userEvent)
      .setPageSize(pageSize)
      .setPageToken(nextPageToken)
      .setValidateOnly(true)
      .build();

  PredictResponse response = predictionClient.predict(request);

  predictionClient.shutdownNow();
  predictionClient.awaitTermination(2, TimeUnit.SECONDS);

  return response;
}

Pengurutan ulang harga

Pengurutan ulang harga menyebabkan produk yang direkomendasikan dengan probabilitas rekomendasi serupa akan dipesan berdasarkan harga, dengan item dengan harga tertinggi terlebih dahulu. Relevansi juga masih digunakan untuk mengurutkan item, sehingga mengaktifkan pengurutan ulang harga tidak sama dengan mengurutkan berdasarkan harga.

Pengurutan ulang harga dapat ditetapkan pada tingkat konfigurasi penayangan, atau per permintaan prediksi.

Saat Anda memilih setelan pengurutan ulang harga saat membuat konfigurasi penayangan di konsol Search for Retail, setelan tersebut akan berlaku untuk semua rekomendasi yang ditampilkan oleh konfigurasi tersebut, tanpa Anda harus melakukan tindakan lebih lanjut.

Jika perlu mengontrol pemeringkatan harga untuk rekomendasi tertentu, Anda dapat melakukannya menggunakan kolom PredictRequest.params. Tindakan ini akan menggantikan setelan pengurutan ulang tingkat konfigurasi yang akan berlaku untuk rekomendasi ini.

Keragaman rekomendasi

Diversifikasi memengaruhi apakah hasil yang ditampilkan dari satu permintaan prediksi berasal dari kategori katalog produk yang berbeda atau tidak.

Diversifikasi dapat disetel pada level konfigurasi penayangan, atau per permintaan prediksi.

Saat Anda memilih setelan diversifikasi saat membuat konfigurasi penayangan di Search for Retail Console, setelan tersebut akan berlaku secara default untuk semua rekomendasi yang disalurkan oleh konfigurasi tersebut, tanpa Anda harus melakukan tindakan lebih lanjut.

Jika perlu mengontrol keberagaman rekomendasi tertentu, Anda dapat melakukannya menggunakan kolom PredictRequest.params. Tindakan ini akan menggantikan setelan diversifikasi tingkat konfigurasi yang akan berlaku untuk rekomendasi ini. Lihat nilai yang diterima.

Menggunakan filter rekomendasi

Anda dapat memfilter rekomendasi yang ditampilkan oleh rekomendasi menggunakan kolom filter dalam metode predict. Untuk mengetahui informasinya, lihat Filter rekomendasi.

Panggilan prediksi dengan model Pengoptimalan Tingkat Halaman

Memberikan rekomendasi menggunakan Pengoptimalan Tingkat Halaman memerlukan langkah panggilan prediksi tambahan.

Lakukan panggilan prediksi awal menggunakan konfigurasi penayangan yang berisi model Pengoptimalan Tingkat Halaman. Respons prediksi menampilkan daftar urut ID konfigurasi penayangan yang merepresentasikan model yang akan digunakan untuk setiap panel.

Kemudian, lakukan panggilan prediksi untuk setiap panel menggunakan ID konfigurasi penayangan yang direkomendasikan oleh model Pengoptimalan Tingkat Halaman. Respons prediksi berisi nama model (seperti Direkomendasikan untuk Anda) dan daftar item yang direkomendasikan untuk ditampilkan di panel tersebut.

Pengurutan ulang harga, keberagaman rekomendasi, dan filter rekomendasi tidak tersedia untuk menayangkan konfigurasi menggunakan model Pengoptimalan Tingkat Halaman.

Memantau dan memecahkan masalah rekomendasi

Setelah menyiapkan situs untuk mendapatkan rekomendasi, sebaiknya Anda menyiapkan pemberitahuan. Lihat Menyiapkan pemberitahuan untuk error prediksi.

Untuk memecahkan masalah error, lihat Memantau dan memecahkan masalah.