小売業向け Vertex AI Search の予測結果は小売業のウェブサイトで最もよく使用されますが、メール メッセージでレコメンデーションを使用することもできます。メールでのレコメンデーションは、通常、多数のマーケティング キャンペーンのメール、注文後のメール、破棄されたカートメールの一部として含まれます。
モデルタイプを選択する
「あなたへのおすすめ」モデルは、ユーザーが特定のアイテムに関心を示したことのないユースケースでレコメンデーションを送信するように設計されているため、メールには有用なモデルです。いくつかの閲覧履歴やショッピング履歴があるログイン ユーザーに最も効果的です。
「関連商品のおすすめ」モデルは、通常、メール キャンペーンではなく商品の詳細ページで使用されます。ただし、このモデルはお客様が最近閲覧した商品の類似品または補完品を推奨するようにメールで使用できます。
「よく一緒に購入される商品」モデルは、通常「カートに追加」ページや「ショッピング カート」ページで使用しますが、メールにも使用できます。
「もう一度購入」モデルは、ほとんどのページで使用するよう設計されており、メールでも使用されます。
リクエストの要件
関連するレコメンデーションを取得するように、userId フィールドが、ウェブサイトまたはアプリにログインしているユーザーに関連付けられているユーザー ID と一致する必要があります。
visitorId フィールドは、サイトからの最後のユーザー セッション ID と一致させることをおすすめします。最後のセッション ID は常に記録されないため、ランダムな一意の ID を visitorId フィールドとして送信することもできます。
「よく一緒に購入される商品」と「関連商品のおすすめ」のモデルでも、予測呼び出しの productDetails セクションで商品 ID が必要になります。「よく一緒に購入される商品」モデルでは、ユーザーが直近で購入した商品の ID を指定できます。
メールに静的予測を含める
静的予測を送信するには、メール テンプレートにデータを挿入します。
predict メソッドは、メールの送信時にリアルタイムで呼び出すことができます。また、レコメンデーションは個別に取得可能で、メール テンプレートの一部として保存することも、後で参照できるようにデータベースに保存することもできます。最新のレコメンデーションを取得するには、メールの送信に対して可能な限り近いタイミングで predict メソッドを呼び出します。
メールの predict メソッドを呼び出す
小売業向け Vertex AI Searchl の predict メソッドは、いくつかのフィールドを入力として受け取り、商品のレコメンデーションのリストを返します。visitorId、userId、id は、ほとんどのレコメンデーション モデルの入力として使用されます。
ユーザーの各予測リクエストは、コードまたはシェル スクリプトを使用して個別に行う必要があります。
予測リクエストの疑似コードは次のとおりです。
for user in userlist:
emailTemplate.recommendations = predict(user.visitorid,user.userid,user.lastorder.id,...)
...
format email template as required
メールに動的予測を含める
静的予測は簡単に実装できますが、動的予測よりも早く古くなる可能性があります。ユーザーがしばらくメールを開いていない場合、その時点までにさらに適切なレコメンデーションを利用できるようになっている可能性があります。高度な一括メールシステムでは、HTML メールに画像への参照を含めることによって、動的コンテンツを追加できます。
サービス提供構成のリファレンスを含む画像の HTML の例を以下に示します。
<img src="https://example.com/recs/email?userid=47832&campaign=2020FALL&servingconfig=fbt>
レコメンデーションを再取得するには、Cloud Functions の関数を使用するか、予測リクエストが可能なサーバー側アプリを使用します。次に、予測結果を画像に変換する必要があります。これには、ImageMagick などのライブラリを使用できます。
予測は、開封済み、閲覧済みのメールのみを対象としています。ユーザーがメールをもう一度開いた場合、新しいイメージを作成せずに結果をキャッシュに保存することもできます。これにより、メールに対するレコメンデーションにかかるコストを削減できます。
通常、リンク先はメール内にハードコーディングされているため、表示される商品を把握する必要はありません。個々の商品ページにクリックをリダイレクトするには、追加の構成が必要です。通常は、すべてのレコメンデーションに単一の画像を使用するので、イメージ マップを使用するとクリックされた商品を判別できます。
割り当て
短時間で大量の予測リクエストを実行する場合は、割り当てを確認する必要があります。プロジェクトの [割り当て] ページで、[Recommendation prediction requests per project per minute] を確認します。割り当ての詳細ページで [割り当ての編集] をクリックすると、割り当ての増加をリクエストできます。
指数バックオフを実装して、遅延後にリクエストを再試行することをおすすめします。割り当てを超えた場合、サービスは HTTP 429 レスポンスを返します。
結果を評価する
URL のタグ付けをすると、キャンペーンの効果をトラッキングして評価できます。Google アナリティクスまたは他の分析プラットフォームを使用して、メール内のリンクにトラッキング パラメータを追加し、レポートにそのデータを含めることができます。メールのレコメンデーション クリックをタグ付けしてフィルタすることで、指標を評価できます。
複数のレコメンデーションに A/B テストを実施する場合は、単一のキャンペーン内でテストを実施することをおすすめします。ウェブサイトのすべての標準 A/B テストガイドラインが引き続き適用されます。
次のステップ
- モデルのサービス構成を作成します。
- モデルのトレーニングの一時停止と再開方法を学習する。
- モデルのトレーニングが終了したら、レコメンデーションのリクエストを開始する。
- A/B テストを使用して、小売業向け Vertex AI Search がビジネスに与える影響を理解する。