Pesquisar enquanto você digita

A barra de pesquisa moderna de e-commerce é muito mais do que apenas um campo de entrada. É um assistente interativo e dinâmico que orienta os usuários aos produtos certos antes mesmo de eles terminarem de inserir o texto. Essa experiência de pesquisa conforme você digita (SAYT, na sigla em inglês), que mostra sugestões de consultas, marcas conhecidas, categorias relevantes e até mesmo os principais resultados de produtos em tempo real, impulsiona o engajamento do usuário e aumenta a probabilidade de conversão.

Embora a Vertex AI para Pesquisa para e-commerce ofereça APIs distintas para preenchimento automático de consultas e pesquisa de produtos, ela deixa propositalmente em aberto a implementação final de uma experiência do usuário SAYT.

Este guia sobre como criar com a Vertex AI para Pesquisa no comércio explora dois padrões de design principais para implementar um widget SAYT robusto usando as APIs da Vertex AI para Pesquisa no comércio, detalhando as compensações de cada abordagem.

Entender os componentes principais

Para criar um recurso SAYT abrangente, é necessário entender as duas APIs fundamentais fornecidas pela Vertex AI Search para e-commerce:

  1. API CompleteQuery: é a inteligência por trás das sugestões de preenchimento automático.

    • Função: para uma determinada string de entrada, como lipst, ela retorna uma lista de sugestões de conclusão de consulta, incluindo batom e brilho labial, marcas populares associadas e categorias relevantes.
    • Custo: essa API está incluída nos preços do pacote da Vertex AI para Pesquisa no comércio.
    • Performance: é uma API de alta capacidade de processamento projetada para respostas rápidas e de baixa latência, necessárias para uma experiência de digitação. Ele usa recursos de aprendizado automático, incluindo correção ortográfica e sugestões projetadas para gerar resultados, todos treinados nos eventos de pesquisa diários da sua loja.

  2. API Search:é o mecanismo principal de descoberta de produtos.

    • Função:para uma determinada consulta, ela retorna uma lista classificada de resultados de produtos relevantes.
    • Custo:essa é uma API paga, e o uso dela afeta diretamente seus custos operacionais.
    • Eventos: para treinamento e análise de modelos, cada chamada de API Search precisa ser pareada com um evento de pesquisa para rastrear o comportamento do usuário e melhorar os modelos de relevância ao longo do tempo.

Para criar a experiência SAYT, você precisa escrever uma API wrapper ou uma lógica de front-end que chame as duas APIs e combine os resultados em uma única interface de usuário coesa.

Padrão de implementação 1: abordagem direta, mas mais cara

Esse é o método mais simples de implementar. A lógica é que, para cada pressionamento de tecla, você faz chamadas paralelas para as APIs CompleteQuery e Search.

Fluxo

O fluxo segue este caminho sequencial:

  1. Um usuário insere um caractere, como l.
  2. Seu aplicativo envia l para a API CompleteQuery.
  3. Ao mesmo tempo, seu aplicativo envia l para a API Search.
  4. Os resultados são combinados e exibidos.
  5. O usuário insere outro caractere (l), fazendo com que a consulta seja li.
  6. O processo se repete para a nova consulta li.

alt_text

Vantagens

As vantagens incluem implementação rápida, permitindo que você escreva e implante o registro em pouco tempo.

Desvantagens

  • Alto volume de APIs Search: essa abordagem aumenta muito o número de chamadas de API Search. Uma consulta como batom acionaria oito solicitações de pesquisa separadas, resultando em um aumento significativo no volume.
  • Aumento do custo: como a API Search é um serviço pago, esse alto volume se traduz diretamente em custos operacionais mais altos, dificultando a conquista de um retorno do investimento (ROI) positivo.
  • Complexidade do gerenciamento de eventos: cada chamada de API Search precisa ser registrada com um evento de pesquisa correspondente para treinamento e medição precisos do modelo. O grande volume de chamadas dificulta a captura de todos os eventos, o que pode levar à perda de dados e a análises distorcidas.
  • Resultados de qualidade potencialmente inferior: pesquisas com um ou dois caracteres, como l, li, podem retornar resultados ruidosos ou muito amplos, o que leva a uma experiência inicial menos relevante.

Esse padrão otimiza o custo, a performance e a relevância usando a API CompleteQuery para decidir de maneira inteligente quando chamar a API Search.

Fluxo

O fluxo segue este caminho sequencial:

  1. Um usuário insere uma consulta de texto parcial, como lip.
  2. Seu aplicativo envia lip para a API CompleteQuery.
  3. A API retorna uma lista de sugestões, sendo batom provavelmente o primeiro resultado.
  4. O aplicativo usa a primeira sugestão (batom) e faz uma única chamada para a API Search com esse termo.
  5. As sugestões de preenchimento automático e os resultados de produtos para batom são exibidos.
  6. À medida que o usuário digita lábios, lábios, ..., você pode adicionar lógica para fazer uma nova chamada de pesquisa apenas se a primeira sugestão de preenchimento automático mudar.

Vantagens

  • Redução significativa de custos: ao reduzir drasticamente o número de chamadas da API Search, esse método mantém os custos sob controle.
  • Volume controlado de API e eventos: os volumes de API e eventos são gerenciáveis e previsíveis, garantindo dados mais confiáveis para treinamento e análise de modelos.
  • Maior relevância: você está pesquisando termos mais completos e prováveis, o que oferece resultados de produtos de maior qualidade no widget SAYT.
  • Melhor ROI: custos mais baixos e uma experiência do usuário melhor contribuem para um retorno do investimento mais forte.

alt_text

Como lidar com casos extremos

Essa abordagem é melhor, mas requer o tratamento de alguns casos extremos:

  • Nenhuma sugestão: se a API CompleteQuery não retornar sugestões, sua lógica vai chamar a API Search com a entrada bruta do usuário.
  • Consulta parcial x sugerida: em casos raros, um usuário pode querer ver resultados para um termo parcial, como olho, em vez da principal sugestão, sombra para os olhos. Embora seja uma troca pequena, a abordagem otimizada prioriza a intenção mais provável do usuário.

Medir o sucesso com IDs de experimento

Independente da implementação escolhida, é importante medir a performance do widget do SAYT de forma independente da página principal de resultados da pesquisa. Se você usar o mesmo acompanhamento para os dois, não será possível determinar se o recurso SAYT está realmente melhorando as taxas de cliques e as conversões.

Para medir as taxas de cliques e de conversas do widget SAYT, use experimentIds distintos nos eventos de pesquisa que diferenciam essas métricas das dos eventos de pesquisa principais.

  • Eventos SAYT: atribua um ID específico, como "experimentId": "sayt-widget", a todos os eventos de pesquisa originados do recurso de pesquisa conforme você digita.
  • Principais eventos de pesquisa: use um ID diferente (ou nenhum ID) para pesquisas iniciadas quando um usuário pressiona Enter ou clica em Pesquisar para acessar a página principal de resultados da pesquisa.

Ao segmentar seus eventos dessa forma, você pode usar os painéis de análise no console da Vertex AI para filtrar e comparar a performance do widget de pesquisa à medida que você digita com a experiência de pesquisa padrão, oferecendo insights claros e úteis.

Conclusão

A Vertex AI para Pesquisa no comércio oferece os componentes para criar uma experiência de pesquisa instantânea. Ao atuar como o arquiteto que projeta a interação entre as APIs CompleteQuery e Search, você pode criar uma capacidade de pesquisa que faz a ponte entre a experiência do usuário e o desempenho. Na maioria dos casos de uso, a abordagem otimizada oferece uma experiência relevante para o usuário e evita operações pesadas de computação.