Búsqueda a medida que se escribe

La barra de búsqueda de comercio electrónico moderna es mucho más que un campo de entrada. Es un asistente interactivo y dinámico que guía a los usuarios hacia los productos adecuados antes de que terminen de introducir el texto. Esta experiencia de búsqueda mientras escribes, que muestra sugerencias de consultas, marcas populares, categorías relevantes e incluso los mejores resultados de productos en tiempo real, fomenta la interacción de los usuarios y aumenta la probabilidad de conversión.

Aunque Vertex AI Search para el sector del comercio proporciona APIs independientes para la función Autocompletar consultas y la búsqueda de productos, deja intencionadamente abierta la implementación final de una experiencia de usuario de tipo "Escríbelo mientras lo ves".

En esta guía sobre cómo crear con Vertex AI Search para el sector del comercio, se analizan dos patrones de diseño principales para implementar un widget de SAYT sólido mediante las APIs de Vertex AI Search para el sector del comercio, y se detallan las ventajas y desventajas de cada enfoque.

Conocer los componentes principales

Para crear una función de SAYT completa, debes conocer las dos APIs fundamentales que proporciona Vertex AI Search for commerce:

  1. API CompleteQuery: es el cerebro que hay detrás de las sugerencias de autocompletar.

    • Función: dada una cadena de entrada, como lipst, devuelve una lista de sugerencias para completar la consulta, como lipstick y lip gloss, marcas populares asociadas y categorías relevantes.
    • Coste: esta API se incluye en los precios del paquete de Vertex AI Search para el sector del comercio.
    • Rendimiento: es una API de alto rendimiento diseñada para ofrecer las respuestas rápidas y de baja latencia que se necesitan para ofrecer una experiencia de escritura letra a letra. Aprovecha las funciones de aprendizaje automático, como la corrección ortográfica y las sugerencias diseñadas para dar resultados, que se entrenan con los eventos de búsqueda diarios de tu tienda.

  2. API Search:es el motor principal de descubrimiento de productos.

    • Función: para una consulta determinada, devuelve una lista ordenada de resultados de productos relevantes.
    • Coste: se trata de una API de pago y su uso influye directamente en tus costes operativos.
    • Eventos: para el entrenamiento de modelos y las analíticas, cada llamada a la API Search debe ir acompañada de un evento de búsqueda para monitorizar el comportamiento de los usuarios y mejorar los modelos de relevancia con el tiempo.

Para crear la experiencia de SAYT, debes escribir una API de envoltorio o una lógica de frontend que llame a ambas APIs y combine sus resultados en una única interfaz de usuario coherente.

Patrón de implementación 1: enfoque directo, pero más costoso

Este es el método más sencillo de implementar. La lógica es que, por cada pulsación de tecla, se hacen llamadas paralelas a las APIs CompleteQuery y Search.

Flow

El flujo sigue esta secuencia:

  1. Un usuario introduce un carácter, como l.
  2. Tu aplicación envía l a la API CompleteQuery.
  3. Al mismo tiempo, tu aplicación envía l a la API Search.
  4. Los resultados se combinan y se muestran.
  5. El usuario introduce otro carácter (l), por lo que la consulta es li.
  6. El proceso se repite para la nueva consulta li.

alt_text

Ventajas

Entre las ventajas se incluyen una implementación rápida, que te permite escribir y desplegar el registro rápidamente.

Desventajas

  • Volumen alto de la API Search: este enfoque aumenta considerablemente el número de llamadas a la API Search. Una consulta como pintalabios activaría ocho solicitudes de búsqueda independientes, lo que provocaría un aumento significativo del volumen.
  • Aumento de los costes: como la API Search es un servicio de pago, este volumen elevado se traduce directamente en un aumento de los costes operativos, lo que dificulta conseguir un retorno de la inversión (ROI) positivo.
  • Complejidad de la gestión de eventos: cada llamada a la API Search debe registrarse con un evento de búsqueda correspondiente para que el entrenamiento y la medición del modelo sean precisos. El gran volumen de llamadas dificulta la captura de todos los eventos, lo que puede provocar la pérdida de datos y analíticas sesgadas.
  • Resultados de menor calidad: las búsquedas de uno o dos caracteres, como l o li, pueden devolver resultados confusos o demasiado amplios, lo que conlleva una experiencia inicial menos relevante.

Este patrón optimiza los costes, el rendimiento y la relevancia mediante el uso de la API CompleteQuery para decidir de forma inteligente cuándo llamar a la API Search.

Flow

El flujo sigue esta secuencia:

  1. Un usuario introduce una consulta de texto parcial, como labio.
  2. Tu aplicación envía lip a la API CompleteQuery.
  3. La API devuelve una lista de sugerencias, en la que pintalabios probablemente sea el primer resultado.
  4. Tu aplicación toma la primera sugerencia (lipstick) y hace una sola llamada a la API Search con ese término.
  5. Se muestran las sugerencias de autocompletar y los resultados de productos para pintalabios.
  6. A medida que el usuario sigue escribiendo lips, lipst, ..., puedes añadir lógica para hacer una nueva llamada de búsqueda solo si cambia la primera sugerencia de autocompletado.

Ventajas

  • Reducción significativa de los costes: al reducir drásticamente el número de llamadas a la API Search, este método mantiene los costes bajo control.
  • Volumen de APIs y eventos controlado: los volúmenes de APIs y eventos son gestionables y predecibles, lo que asegura que los datos para el entrenamiento de modelos y las analíticas sean más fiables.
  • Mayor relevancia: buscas términos más completos y probables, lo que proporciona resultados de productos de mayor calidad en el widget de SAYT.
  • Mejor retorno de la inversión: los costes más bajos y una mejor experiencia de usuario contribuyen a aumentar el retorno de la inversión.

alt_text

Gestionar casos excepcionales

Este enfoque es mejor, pero requiere gestionar algunos casos extremos:

  • Sin sugerencias: si la API CompleteQuery no devuelve ninguna sugerencia, tu lógica debería recurrir a llamar a la API Search con la entrada sin procesar del usuario.
  • Consulta parcial frente a consulta sugerida: en algunos casos, un usuario puede querer ver los resultados de un término parcial, como ojo, en lugar de la sugerencia principal, sombra de ojos. Aunque se trata de un pequeño inconveniente, la estrategia optimizada prioriza la intención de los usuarios con más probabilidades de completarse.

Medir el éxito con IDs de experimento

Independientemente de la implementación que elijas, es importante medir el rendimiento de tu widget de sugerencias de búsqueda de forma independiente de la página principal de resultados de búsqueda. Si usas el mismo seguimiento para ambas, no podrás determinar si la función de sugerencias de búsqueda realmente mejora las tasas de clics y las conversiones.

La solución para medir las tasas de clics y de conversión del widget de SAYT específicamente es usar experimentIds distintos en los eventos de búsqueda que diferencien estas métricas de las de los eventos de búsqueda principales.

  • Eventos de SAYT: asigna un ID específico, como "experimentId": "sayt-widget", a todos los eventos de búsqueda que procedan de la función de búsqueda mientras escribes.
  • Eventos de búsqueda principal: usa un ID diferente (o ningún ID) para las búsquedas que se inician cuando un usuario pulsa Intro o hace clic en Buscar para ir a la página principal de resultados de búsqueda.

Al segmentar los eventos de esta forma, puede usar los paneles de analíticas de la consola de Vertex AI para filtrar y comparar el rendimiento de su widget de SAYT con la experiencia de búsqueda estándar, lo que le proporcionará estadísticas claras y útiles.

Conclusión

Vertex AI Search para el sector del comercio proporciona los componentes para crear una experiencia de búsqueda mientras escribes. Al actuar como el arquitecto que diseña la interacción entre las APIs CompleteQuery y Search, puedes crear una función de búsqueda que sirva de puente entre la experiencia de usuario y el rendimiento. En la mayoría de los casos prácticos, el enfoque optimizado ofrece una experiencia relevante para los usuarios y, al mismo tiempo, evita las operaciones que requieren muchos recursos informáticos.