Telusuri saat Anda mengetik

Kotak penelusuran e-commerce modern jauh lebih dari sekadar kolom input. Asisten ini bersifat interaktif dan dinamis yang memandu pengguna Anda ke produk yang tepat bahkan sebelum mereka selesai memasukkan teks. Pengalaman penelusuran saat Anda mengetik (SAYT) ini, yang menampilkan saran kueri, merek populer, kategori yang relevan, dan bahkan hasil produk teratas secara real-time, mendorong engagement pengguna dan meningkatkan kemungkinan konversi.

Meskipun Vertex AI Search untuk commerce menyediakan API yang berbeda untuk pelengkapan otomatis kueri dan penelusuran produk, API ini sengaja membiarkan implementasi akhir pengalaman pengguna SAYT tidak ditentukan.

Panduan untuk membangun dengan Vertex AI Search untuk commerce ini membahas dua pola desain utama untuk menerapkan widget SAYT yang andal menggunakan Vertex AI Search for commerce API, yang menjelaskan kelebihan dan kekurangan setiap pendekatan.

Memahami komponen inti

Untuk membangun fitur SAYT yang komprehensif, Anda perlu memahami dua API mendasar yang disediakan oleh Vertex AI Search untuk commerce:

  1. CompleteQuery API: API ini adalah otak di balik saran pelengkapan otomatis Anda.

    • Fungsi: Untuk string input tertentu, seperti lipst, fungsi ini akan menampilkan daftar penyelesaian kueri yang disarankan, termasuk lipstick dan lip gloss, merek populer terkait, dan kategori yang relevan.
    • Biaya: API ini disertakan dalam harga paket Vertex AI Search untuk commerce.
    • Performa: API ini memiliki throughput tinggi dan didesain untuk respons cepat dan berlatensi rendah yang diperlukan untuk pengalaman per ketikan. Fitur ini memanfaatkan fitur pembelajaran otomatis, termasuk koreksi ejaan dan saran yang dirancang untuk menghasilkan hasil, yang semuanya dilatih berdasarkan peristiwa penelusuran harian toko Anda.

  2. Search API:Ini adalah mesin penemuan produk inti Anda.

    • Fungsi:Untuk kueri tertentu, fungsi ini menampilkan daftar hasil produk yang relevan dan diberi peringkat.
    • Biaya:Ini adalah API berbayar, dan penggunaannya secara langsung memengaruhi biaya operasional Anda.
    • Peristiwa: Untuk pelatihan dan analisis model, setiap panggilan API Search idealnya dipasangkan dengan peristiwa penelusuran untuk melacak perilaku pengguna dan meningkatkan model relevansi dari waktu ke waktu.

Untuk membuat pengalaman SAYT, Anda harus menulis API wrapper atau logika frontend yang memanggil kedua API ini dan menggabungkan hasilnya ke dalam satu antarmuka pengguna yang kohesif.

Pola penerapan 1: Pendekatan langsung, tetapi lebih mahal

Ini adalah metode yang paling mudah diterapkan. Logikanya adalah untuk setiap penekanan tombol, Anda melakukan panggilan paralel ke API CompleteQuery dan Search.

Flow

Alurnya mengikuti jalur berurutan ini:

  1. Pengguna memasukkan karakter, seperti l.
  2. Aplikasi Anda mengirim l ke CompleteQuery API.
  3. Secara bersamaan, aplikasi Anda mengirim l ke Search API.
  4. Hasilnya digabungkan dan ditampilkan.
  5. Pengguna memasukkan karakter lain (l, sehingga kueri menjadi li).
  6. Proses ini berulang untuk kueri baru li.

alt_text

Kelebihan

Keuntungannya mencakup penerapan yang cepat, sehingga Anda dapat menulis dan men-deploy log dengan cepat.

Kekurangan

  • Volume API Search yang tinggi: Pendekatan ini secara signifikan meningkatkan jumlah panggilan API Search. Kueri seperti lipstik akan memicu delapan permintaan penelusuran terpisah, sehingga menyebabkan peningkatan volume yang signifikan.
  • Peningkatan biaya: Karena Search API adalah layanan berbayar, volume tinggi ini secara langsung diterjemahkan menjadi biaya operasional yang lebih tinggi, sehingga sulit untuk mencapai laba atas investasi (ROI) yang positif.
  • Kompleksitas pengelolaan peristiwa: Setiap panggilan API Search harus dicatat dengan peristiwa penelusuran yang sesuai untuk pelatihan dan pengukuran model yang akurat. Volume panggilan yang tinggi menyulitkan untuk memastikan setiap peristiwa dicatat, yang berpotensi menyebabkan kehilangan data dan analisis yang tidak akurat.
  • Hasil yang berpotensi berkualitas lebih rendah: Penelusuran untuk satu atau dua karakter, seperti l, li dapat menampilkan hasil yang tidak relevan atau terlalu luas, sehingga menghasilkan pengalaman awal yang kurang relevan.

Pola ini mengoptimalkan biaya, performa, dan relevansi dengan menggunakan API CompleteQuery untuk memutuskan secara cerdas kapan harus memanggil API Search.

Flow

Alurnya mengikuti jalur berurutan ini:

  1. Pengguna memasukkan kueri teks parsial, seperti bibir.
  2. Aplikasi Anda mengirimkan lip ke CompleteQuery API.
  3. API menampilkan daftar saran, dengan lipstick kemungkinan menjadi hasil pertama.
  4. Aplikasi Anda mengambil saran pertama (lipstick) dan melakukan satu panggilan ke Search API dengan istilah tersebut.
  5. Saran pelengkapan otomatis dan hasil produk untuk lipstik ditampilkan.
  6. Saat pengguna terus mengetik bibir, bibir, ... Anda dapat menambahkan logika untuk hanya melakukan panggilan penelusuran baru jika saran pelengkapan otomatis pertama berubah.

Kelebihan

  • Pengurangan biaya yang signifikan: Dengan mengurangi jumlah panggilan API Search secara drastis, metode ini dapat mengontrol biaya.
  • Volume API dan peristiwa yang terkontrol: Volume API dan peristiwa dapat dikelola dan diprediksi, sehingga memastikan data yang lebih andal untuk pelatihan dan analisis model.
  • Relevansi yang lebih tinggi: Anda menelusuri istilah yang lebih lengkap dan mungkin, yang memberikan hasil produk berkualitas lebih tinggi di widget SAYT.
  • ROI yang lebih baik: Biaya yang lebih rendah dan pengalaman pengguna yang lebih baik berkontribusi pada laba atas investasi yang lebih kuat.

alt_text

Menangani kasus ekstrem

Pendekatan ini lebih unggul, tetapi memerlukan penanganan beberapa kasus ekstrem:

  • Tidak ada saran: Jika API CompleteQuery tidak menampilkan saran, logika Anda harus melakukan penggantian ke panggilan API Search dengan input mentah pengguna.
  • Kueri parsial vs. kueri yang disarankan: Dalam kasus yang jarang terjadi, pengguna mungkin ingin melihat hasil untuk istilah parsial mereka, seperti mata, bukan saran teratas, eye shadow. Meskipun ini merupakan kompromi kecil, pendekatan yang dioptimalkan memprioritaskan maksud pengguna yang paling mungkin.

Mengukur kesuksesan dengan ID eksperimen

Apa pun penerapan yang Anda pilih, penting untuk mengukur performa widget SAYT secara terpisah dari halaman hasil penelusuran utama Anda. Jika Anda menggunakan pelacakan yang sama untuk keduanya, Anda tidak akan dapat menentukan apakah fitur SAYT benar-benar meningkatkan rasio klik-tayang dan konversi.

Solusi untuk mengukur rasio klik-tayang dan rasio konversi widget SAYT secara khusus adalah dengan menggunakan experimentIds yang berbeda dalam peristiwa penelusuran yang membedakan metrik ini dari metrik peristiwa penelusuran utama.

  • Peristiwa SAYT: Tetapkan ID tertentu, seperti "experimentId": "sayt-widget", ke semua peristiwa penelusuran yang berasal dari kemampuan penelusuran saat Anda mengetik.
  • Peristiwa penelusuran utama: Gunakan ID yang berbeda (atau tanpa ID) untuk penelusuran yang dimulai saat pengguna menekan Enter atau mengklik Telusuri untuk membuka halaman hasil penelusuran utama.

Dengan menyegmentasikan peristiwa dengan cara ini, Anda dapat menggunakan dasbor analisis di konsol Vertex AI untuk memfilter dan membandingkan performa widget SAYT dengan pengalaman penelusuran standar, sehingga Anda mendapatkan insight yang jelas dan dapat ditindaklanjuti.

Kesimpulan

Vertex AI Search untuk commerce menyediakan komponen untuk membuat pengalaman penelusuran saat Anda mengetik. Dengan bertindak sebagai arsitek yang mendesain interaksi antara API CompleteQuery dan Search, Anda dapat membangun kemampuan penelusuran yang menjembatani pengalaman pengguna dan performa. Untuk sebagian besar kasus penggunaan, pendekatan yang dioptimalkan memberikan pengalaman yang relevan bagi pengguna sekaligus menghindari operasi berat komputasi.