这是仅与 Recommendations AI 相关的文档。如需在受限 GA 阶段试用 Retail Search 和统一 Retail 控制台,请与 Cloud 销售人员联系如果您不打算使用 Retail Search,请保留在 Recommendations 控制台上,直到收到进一步的通知。

如果您使用的是 v1beta 版 Recommendations AI,请迁移到 Retail API 版本

在电子邮件中使用推荐

虽然 Recommendations AI 的预测结果最常用于零售网站展示位置,但您也可以在电子邮件中使用建议。营销中的电子邮件发送、订购电子邮件或放弃购物车操作通常会发送电子邮件中的建议。

选择模型类型

“为您推荐”模型可以成为实用的电子邮件模型,因为它旨在在用户未表示对特定项目感兴趣的情况下提供推荐。最适合拥有浏览或购物历史记录的登录用户。

“其他您可能喜欢”模型通常用作产品详情页面展示位置,而不是电子邮件广告系列。但是,您可以将其用于向用户推荐近期看过的商品的相似或补充商品。

“经常购买”模型通常用于“加入购物车”页面或“购物车”页面,但也可用于电子邮件。

请求要求

为了获得相关的推荐,userId 字段必须与您的网站或应用中登录的用户 ID 一致。

理想情况下,visitorId 字段应与网站的最后一个会话 ID 匹配。由于系统不会始终记录最后一个会话 ID,因此还可以将随机唯一标识符作为 visitorId 字段发送。

经常“一起购买”和“您可能喜欢”的其他模型也需要在预测调用的 productDetails 部分中使用产品 ID。对于“经常一起购买”模型,ID 可以是用户最近购买的商品。

在电子邮件中包含静态预测

您可以通过将数据插入电子邮件模板来发送静态预测。

您可以在发出电子邮件时实时调用 predict 方法,也可以单独检索建议并将其保存到电子邮件模板中或放在之后要引用的数据库中。要获得最新的建议,请在尽可能接近电子邮件发送时间时调用 predict 方法。

调用 predict 方法来发送电子邮件

Recommendations AI predict 方法会将一些字段作为输入,并返回商品推荐列表。visitorIduserIdid 用作大多数 Recommendations AI 模型的输入。

必须使用代码或 shell 脚本单独发出针对用户的每个预测请求。

以下是预测请求的伪代码:

for user in userlist:
  emailTemplate.recommendations = predict(user.visitorid,user.userid,user.lastorder.id,...)
...
format email template as required

在电子邮件中包含动态预测

虽然静态预测易于实现,但它们可能比动态预测更快过时。用户在一段时间内可能不会打开电子邮件,而此时可以提供更实用的建议。更为复杂的批量电子邮件系统可以通过在 HTML 电子邮件中包含图片引用来添加动态内容。

以下是包含展示位置引用的图片的示例 HTML:

<img src="https://example.com/recs/email?userid=47832&campaign=2020FALL&placement=fbt>

您可以使用 Google Cloud Functions 函数或任何可以发出预测请求的服务器端应用重新获取建议。然后,您需要将预测结果转换为图片。可以使用 ImageMagick 等库执行此操作。

系统仅针对已打开和已查看的电子邮件进行预测。当用户再次打开电子邮件时,您也可以缓存结果,而不是创建新图片。这样可以降低使用 Recommendations AI 发送电子邮件的费用。

由于链接目标通常硬编码到电子邮件中,因此您不一定知道要展示哪些产品。将点击重定向至各个产品页面需要进行额外配置。您通常对所有建议使用一张图片,因此使用图片映射可以帮助您确定点击的商品。

配额

如果您计划在短时间内运行大批量的预测请求,则应检查配额。在项目的配额页面上,勾选每个项目每分钟的建议预测请求数。如需申请增加配额,请点击配额详情页面上的修改配额

我们建议您实现指数退避算法,以便在延迟后重试请求。如果超出配额,该服务会返回 HTTP 429 响应。

评估结果

通过网址标记,您可以跟踪和评估广告系列的效果。您可以使用 Google Analytics(分析)或其他分析平台,向电子邮件中的链接添加跟踪参数,并将这些数据纳入报告中。标记来自电子邮件的推荐点击以对其进行过滤,以便您可以评估指标。

如果您要对多项建议进行 A/B 测试,我们建议您在单个广告系列内进行测试。网站的所有标准 A/B 测试指南仍然适用。

后续步骤