이 문서는 Recommendations AI 전용 문서입니다. 제한된 GA 단계에서 Retail Search 및 통합 Retail 콘솔을 사용해 보려면 Cloud 영업팀에 문의하세요. Retail Search를 사용할 계획이 없으면 추가 알림이 있을 때까지 권장사항 콘솔에 남아 있으세요.

Recommendations AI의 v1beta 버전을 사용하는 경우 Retail API 버전으로 마이그레이션합니다.

자주 묻는 질문(FAQ)

아래에서 찾을 수 없는 다른 문제나 어려운 점이 있으신가요? 버그 신고 또는 기능 요청에 참여하시고 cloud-recommendations-users Google 그룹 또는 Stack Overflow 토론에 참여하세요.

일반

Retail API용 클라이언트 라이브러리 또는 추가 샘플 코드가 있나요?

예. 각 라이브러리의 설정 및 참조 정보는 여기에서 Recommendations AI에 대한 클라이언트 라이브러리 가이드를 확인하세요.

원시 REST 호출 대신 Google API 검색 서비스를 사용할 수도 있습니다.

모든 추천 모델이 맞춤설정되나요?

'추천 서비스' 및 '내가 좋아할 만한 기타 항목' 모델은 사용자 기록이 제공되는 경우 맞춤 추천을 제공합니다. '자주 함께 구매하는 항목' 모델은 맞춤설정되지 않습니다.

추천 모델 유형을 참조하세요.

맞춤 추천을 즉시 받을 수 있나요? 아니면 시간이 지남에 따라 더 개선될 때까지 기다려야 하나요?

사용자 기록을 많이 수집할수록 추천 항목이 개선됩니다. '추천 서비스' 모델은 인기 제품을 보여주고, '내가 좋아할 만한 기타 항목' 모델은 대부분 다른 사람의 관점을 기반으로 유사한 제품을 보여줍니다. 이 두 모델은 모두 사용자 행동을 즉시 반영하기 때문에 실시간 이벤트를 전송하는 것이 중요합니다. 추천 모델 유형을 참조하세요.

맞춤설정이 적용되려면 사용자 이벤트를 실시간 또는 근실시간으로 전송해야 합니다. 사용자 이벤트가 하루에 한 번만 제출되거나 하루 동안 일괄적으로 제출된 경우, 맞춤 모델이 실시간 이벤트가 전송되었을 때처럼 잘 작동하지 않을 수 있습니다.

모델에 Google 사용자 인구통계 데이터가 사용되나요?

모델에서는 내가 제공하는 카탈로그와 사용자 이벤트 데이터만 사용합니다. 인구통계 데이터를 포함하려면 Product.attributes[]에서 유용한 다른 텍스트 또는 숫자 맞춤 속성을 포함하면 됩니다. 이 데이터는 현재는 모델에서 사용되지 않지만 향후 사용될 수 있습니다.

이메일 주소나 사용자 이름 같은 개인 식별 정보(PII)를 포함하지 마세요. 값을 해싱하거나 그룹 ID를 사용하는 등의 방식으로 인구통계 데이터를 익명처리하는 것이 좋습니다.

단일 사용자의 기록 대신 사용자 그룹의 이벤트 기록을 기반으로 추천할 수 있나요?

현재, 추천은 단일 방문자 ID 또는 사용자 ID를 기반으로 합니다. 개별 요청을 수행한 후 결과를 그룹 기록의 기본 추천에 결합해야 합니다. 사용자에게 공통 메타데이터 속성이 있는 경우 그룹 ID를 사용자 ID로 사용하여 그룹 수준의 추천을 제공할 수 있습니다.

제품의 이미지 URL을 제출할 수 있음을 알게 되었습니다. 모델에서 제품 이미지를 고려하나요?

현재로서는 불가능합니다. 이러한 필드는 추천 결과를 렌더링하는 데 도움이 되도록 반환된 추천 결과와 함께 이 메타데이터를 검색할 수 있게 제공됩니다. 또한 예측 미리보기는 Cloud Console에서 모델의 예측 결과를 미리 볼 때 이미지 URL을 사용하여 이미지를 표시합니다.

내 회사는 유통/전자상거래 웹사이트가 아닙니다. 그래도 Recommendations AI를 사용하여 x,y,z를 예측할 수 있나요?

Google 고객은 콘텐츠 추천, 동영상 스트리밍 및 게임, 기타 사용 사례에 Recommendations AI를 사용해 왔습니다. 하지만 Google의 콘텐츠와 환경은 현재 유통/전자상거래 사용 사례를 고려하여 설계되었으며 다른 사용 사례에 적합하지 않을 수 있습니다.

내 사이트의 아무 페이지에나 추천을 제공할 수 있나요?

예. 하지만 모델은 특정 사용 사례에 맞게 설계되었으므로 특정 페이지에서 가장 효과적으로 작동할 수 있습니다. 추천 모델 유형을 참조하세요.

'자주 함께 구매하는 항목' 및 '내가 좋아할 만한 기타 항목'은 제품 ID가 필요하므로 제품 ID 또는 장바구니에 담긴 항목 등을 사용한 추천에 사용해야 합니다. '자주 함께 구매하는 항목'은 일반적으로 장바구니에 추가 또는 결제 페이지에서 가장 잘 작동하지만 '내가 좋아할 만한 기타 항목'은 제품 세부정보 페이지에서 가장 효과적입니다. '추천 서비스'는 방문자 ID만 입력되면 작동하므로 모든 페이지에 배치할 수 있지만 홈페이지에 배치하도록 설계되었습니다.

Recommendations AI를 이메일 뉴스레터의 추천에 사용할 수 있나요?

예. 방문자 ID 또는 사용자 ID로 API를 호출한 다음 결과를 이메일 템플릿에 통합하면 됩니다. 이메일 읽기 시점에 항목을 동적으로 로드하려면 Google Cloud 함수와 같은 중개 엔드포인트를 사용하여 예측 요청을 보내야 합니다. 이 API는 정렬된 제품 ID 및 메타데이터의 목록만 제공하므로 이미지 결과를 렌더링하는 자체 코드도 작성해야 합니다.

웹 이외의 다른 사용 사례(모바일 앱, 키오스크)에서 Recommendations AI를 사용할 수 있나요?

예. 엔드포인트(예: Google Cloud 함수)를 설정하여 앱에 사용할 결과를 가져올 수 있습니다. 실시간 이벤트를 전송할 때도 유사한 메커니즘이 필요합니다.

3개월이 넘는 분량의 이벤트 데이터가 없어도 Recommendations AI를 사용할 수 있나요? 나중에 데이터를 더 추가할 수 있나요?

실시간 이벤트의 트래픽을 충분히 기록할 수 있다면 최신 데이터를 학습에 사용할 수 있습니다. 나중에 제공할 추가 데이터가 있는 경우 초기 모델 학습 후에 업로드할 수 있습니다. 매일 재학습하는 동안 새로 백필된 데이터가 모델에 통합됩니다. 하지만 이 데이터가 초기 학습에 사용된 이벤트와 크게 다를 경우 모델을 다시 미세 조정해야 할 수 있습니다.

모든 모델은 3개월 이상의 제품 페이지 조회, 홈페이지 조회, 장바구니에 추가 이벤트가 있으면 가장 잘 작동하며, '자주 함께 구매하는 항목' 모델의 경우 1~2년의 구매 내역이 있으면 좋습니다.

'내가 좋아할 만한 기타 항목' 및 '추천 서비스' 모델 학습을 시작하는 데 1~2주치의 세부정보 페이지 조회로 충분하지만 일반적으로 '자주 함께 구매하는 항목'의 경우에는 페이지 조회가 있는 경우보다 일일 구매 수가 적기 때문에 더 오랜 기간의 정보가 필요합니다. 데이터가 많을수록 모델 품질이 크게 향상될 수 있습니다. 최소한의 양으로는 최적의 결과를 얻지 못할 수 있습니다. 예를 들어 1년치 구매 정보가 있으면 모델이 계절성과 트렌드를 더 잘 활용할 수 있습니다.

카테고리와 제품을 함께 추천할 수 있나요?

Recommendations AI에서는 현재 제품 추천만 반환하지만 사용자가 결과의 일부로 반환되는 각 제품의 카테고리를 가져올 수 있습니다.

기존 서버 측 코드를 수정하지 않고 웹사이트에 Recommendations AI를 배포할 수 있나요?

가능하지만 Retail predict API가 인증되고 POST 요청을 사용하기 때문에 AJAX 요청을 처리하기 위한 엔드포인트는 여전히 필요합니다. 이 경우 Google Cloud 함수, App Engine 또는 이와 유사한 서비스를 사용하면 됩니다.

SQL 데이터베이스 또는 BigQuery와 같은 다른 시스템의 데이터 업로드를 통합할 수 있나요?

예. 이벤트의 경우 BigQuery에서 읽는 샘플 코드가 있습니다. BigQuery용 Google 애널리틱스 샘플 데이터 세트를 참조하세요.

x,y,z 특성이 유용할 것 같은데 Recommendations AI에 추가해 줄 수 있나요?

여러분의 소중한 의견을 기다리고 있습니다. 특성 요청은 계정팀, Google 지원팀 또는 Issue Tracker를 통해 제출하실 수 있습니다.

기존 API를 계속 사용할 수 있나요?

Recommendations AI는 Recommendations Engine API에서 Retail API로 마이그레이션되었습니다. 베타 기간 동안 Recommendations Engine API를 사용하고 있었다면 일반 안정화 버전인 Retail API(서비스 엔드포인트 https://retail.googleapis.com)로 마이그레이션하는 것이 좋습니다.

이전 API(서비스 엔드포인트 https://recommendationengine.googleapis.com) 및 문서는 계속 사용할 수 있지만 더 이상 업데이트되지 않습니다.

카탈로그 및 제품

Recommendations AI는 새 제품의 콜드 스타트를 어떻게 처리하나요?

구매 내역이 없는 제품은 비슷한 제품을 기준으로 추천을 제공합니다. 이 경우 특히 카탈로그에 올바른 제품 제목, 카테고리, 설명이 정의되어 있어야 합니다.

콜드 스타트 사용자(방문 기록이 없는 방문자)의 경우 모델이 가장 인기 있는 일반 제품부터 시작하며, 더 많은 사용자 이벤트가 수신되면 실시간으로 맞춤설정됩니다.

카탈로그 및 카탈로그 정보제품 참조 페이지를 참조하세요.

판매자 센터 카탈로그를 이용해 추천할 수 있나요?

예. 판매자 센터 Data Transfer Service를 사용하여 판매자 센터 카탈로그를 BigQuery로 내보낼 수 있습니다. 그러면 BigQuery에서 카탈로그를 직접 읽을 수 있습니다. 판매자 센터에서 카탈로그 데이터 가져오기를 참조하세요.

카탈로그를 가져올 수 있는 그 밖의 방법은 무엇인가요?

  • BigQuery: 테이블 또는 뷰에서 직접 가져옵니다.
  • Cloud Storage: JSON 카탈로그 항목을 한 줄에 하나씩 포함한 텍스트 파일을 사용하여 가져옵니다.
  • 인라인 가져오기: API 호출을 통해 JSON 카탈로그 항목을 한 줄에 하나씩 포함한 텍스트 파일로 가져옵니다.
  • 제품 항목 만들기: Products 생성 메서드를 사용합니다.

카탈로그를 최신 상태로 유지하려면 어떻게 해야 하나요? 카탈로그를 얼마나 자주 업데이트해야 하나요?

카탈로그를 최신 상태로 유지를 참조하세요.

Pub/Sub, 메시지 큐, 이벤트 등을 통해 카탈로그 변경사항에 대한 알림을 쉽게 받을 수 있는 경우 import 또는 create API 메서드를 사용하여 실시간으로 카탈로그를 업데이트할 수 있습니다.

그렇지 않으면 카탈로그를 매일 업데이트하는 것이 좋습니다. Cloud Storage 또는 BigQuery에서 전체 업데이트를 실행하거나 증분 업데이트(즉, 신규 항목 및 변경된 항목만)를 실행할 수 있습니다.

예를 들어 Cloud Scheduler를 사용해 일일 BigQuery 가져오기 호출을 실행할 수 있습니다.

카탈로그에 최소 및 최대 크기가 있나요?

최소 크기는 없지만 카탈로그 크기가 너무 적으면(항목 수 100개 미만) 추천할 제품이 너무 적기 때문에 추천을 통해 크게 이득을 보지 못할 수 있습니다.

카탈로그 최댓값은 4,000만 개입니다.

기본 할당량 및 한도와 할당량 변경을 요청하는 방법은 문서를 참조하세요.

여러 국가에서 웹사이트를 운영하는 회사인데 모든 데이터에 하나의 카탈로그를 사용해야 하나요?

일반적으로 모든 항목이 포함된 카탈로그를 하나만 사용하는 것이 가장 좋습니다. 이벤트는 모두 단일 통화를 사용하여 제출해야 합니다. 현재 동일한 프로젝트 내에 여러 개의 카탈로그를 포함할 수 있는 방법은 없지만 필터 태그를 사용하면 추천을 특정 사이트로 필터링할 수 있습니다.

사이트마다 카탈로그가 크게 다른데 사용자 이벤트 패턴도 상당히 다른 경우, 일반적으로 고유한 독립적 추천이 있는 사이트마다 별도의 프로젝트를 운영하는 것이 좋습니다.

하지만 기본 사이트보다 트래픽이 적은 유사한 사이트가 있다면 모든 개별 사이트에 고품질 모델을 생성하기에 충분한 이벤트가 없는 경우 단일 카탈로그를 사용하는 것이 가장 좋습니다.

단일 카탈로그를 사용하려면 카탈로그 항목 ID가 일관되어야 합니다. 즉, 카탈로그 내에서 제품이 중복되지 않도록 동일한 제품이 모든 사이트에서 단일 상품 ID를 사용해야 합니다.

필터 태그가 업데이트되기까지 최대 24시간이 걸릴 수 있으므로 국가별 재고(재고 없음) 요구사항이 있는 경우 일반적으로 예측 응답 후 결과를 필터링하는 비즈니스 규칙에 따라 태그를 처리해야 합니다.

Recommendations AI는 카탈로그당 여러 통화 유형을 지원하나요?

아니요. Recommendations AI는 카탈로그당 하나의 통화 유형을 지원합니다. 이벤트는 단일 통화를 사용하여 Recommendations AI에 업로드해야 합니다.

Recommendations AI Cloud Console을 사용하여 수익 측정항목을 확인하려면 모든 이벤트가 단일 통화를 사용하는지 확인하거나 Recommendations AI에 업로드하기 전에 모두 같은 통화로 변환하세요.

공유 카탈로그 또는 유사한 항목이 포함된 여러 웹사이트가 있습니다. Recommendations AI가 교차 사이트 추천을 제공할 수 있나요?

일반적으로 사이트 간에 겹치는 부분이 많을 때만 이와 같은 단일 카탈로그를 사용하는 것이 좋습니다. 이 경우 동일한 제품을 많이 또는 모두 공유해야 합니다. 그런 다음 멀티 리전 사이트와 마찬가지로 필터 태그를 사용하여 특정 예측 호출의 사이트별 항목만 반환할 수 있습니다.

사이트에서 카탈로그 항목을 하나라도 공유하지 않거나 사용 패턴이 매우 다른 경우 여러 카탈로그를 사용해야 합니다. 여러 카탈로그를 사용하려면 카탈로그마다 별도의 Google Cloud 프로젝트가 필요합니다.

메타데이터를 더 많이 포함하면 모델이 개선되나요? 모델은 x,y,z 필드를 고려하나요?

필수 필드는 필수 카탈로그 항목 정보를 참조하세요.

다른 메타데이터 필드는 선택사항입니다(예: image, itemAttribute). 예측 미리보기, 결과 분석, 학습, 조정에 사용될 수 있습니다. 색상, 크기, 소재 등과 같은 유용한 속성을 포함하는 것이 좋습니다. 이러한 필드는 returnProduct:true를 지정하여 예측 결과의 일부로 반환될 수 있으며 결과를 렌더링하는 데 유용합니다. 이미지 및 항목 속성은 Cloud Console의 예측 미리보기에 사용됩니다.

카탈로그 항목의 어떤 속성이 모델 학습 입력으로 사용되나요?

사용자 행동과 제품 속성의 조합이 사용됩니다. 사용되는 기본 필드는 ID, 제목, 카테고리 계층 구조, 가격, URL입니다. Product.attributes[]에 유용할 수 있는 다른 맞춤 키-값 속성을 포함할 수 있습니다.

이미지 URL은 더 편리한 기능입니다. returnProduct:true를 지정하면 이 메타데이터를 예측 결과의 일부로 반환할 수 있으므로 이 정보를 검색하기 위해 추가 호출을 수행할 필요가 없습니다. 또한 이미지 URL이 있으면 Cloud Console에서 모델의 예측 결과를 미리 볼 때 예측 미리보기가 이미지를 표시할 수 있습니다.

내 제품에 어떤 언어가 지원되나요?

Retail API는 대부분의 언어를 지원합니다. 모델은 텍스트 언어를 자동으로 감지합니다. 지원되는 언어 목록은 Compact Language Detector GitHub README를 참조하세요.

카탈로그에 다양한 언어의 텍스트를 포함할 수 있지만 여러 언어의 텍스트를 제공하기 위해 제품을 중복하면 모델 성능이 저하될 수 있습니다.

카탈로그에 기본/변이 또는 상위/하위 SKU가 포함되어 있습니다. 이러한 SKU가 지원되나요?

예. 판매자 센터의 item_group_id와 비슷합니다. 상위 또는 하위 수준에서 추천을 다시 수신할 방법 및 이벤트가 상위 수준 또는 하위 수준인지를 결정해야 합니다.

제품 수준에 대한 상세 설명은 제품 수준 사용을 참조하세요.

항목 또는 이벤트를 보내기 전에 올바른 제품 수준을 결정하고 설정하세요. 제품 수준을 변경할 수 있지만 항목을 재조인하고 모델을 다시 미세 조정해야 합니다.

사용자 이벤트

Google 애널리틱스 360과 통합할 수 있나요?

Google 애널리틱스 360(GA360)의 이전 데이터를 사용할 수 있습니다. 판매자 센터 데이터와 마찬가지로 GA360 데이터도 BigQuery로 내보낼 수 있으며 그러면 Recommendations AI가 BigQuery에서 직접 이벤트를 읽을 수 있습니다.

GA360에서는 이벤트가 지연되므로 실시간 이벤트의 경우 Google 태그 관리자와 추적 픽셀을 통합하는 것이 좋습니다.

Recommendations AI로 이벤트를 제공하려면 어떻게 해야 하나요?

사용자는 일반적으로 Cloud Storage 또는 API 가져오기를 사용하여 이전 이벤트를 가져온 후 라이브 사이트의 자바스크립트 Pixel 또는 태그 관리자 태그를 사용하거나 백엔드의 write 메서드를 통해 실시간 이벤트를 스트리밍합니다.

모델에 필요한 대로 나열한 사용자 이벤트 유형을 모두 전송할 수 없는 경우에는 어떻게 해야 하나요? 각 모델에 필요한 최소 이벤트 유형 수는 어떻게 되나요?

모델 및 최적화 목표마다 요구사항이 약간 다릅니다. 사용자 이벤트 데이터 요구사항을 참조하세요.

일반적으로 카탈로그 항목당 이벤트가 더 많으면 모델 성능이 향상됩니다. 트래픽이 많지만 카탈로그가 작은 사이트의 경우 소량의 과거 이벤트를 사용해 시작할 수 있지만 보통은 최소 2주 이상의 이전 데이터는 물론 향후 실시간 이벤트가 필요합니다.

수익 또는 수량 값이 없는 장바구니 추가 및 구매 완료 이벤트가 있습니다. 무엇을 제출해야 하나요?

수량 값이 없다면 모델 결과에 영향을 주지 않도록 기본값 1을 전달하면 됩니다. 항목에는 항상 displayPrice가 설정되어 있어야 합니다. 할인 가격과 같이 사용자에게 표시되는 것이라면 무엇이든 가능합니다. originalPrice 및 cost는 선택사항입니다.

내 데이터에는 제한된 유형의 이벤트만 포함되어 있습니다. 그래도 Recommendations AI를 사용할 수 있나요?

각 모델 유형의 최소 데이터 요구사항은 사용자 이벤트 데이터 요구사항을 참조하세요.

예측 결과

반환할 수 있는 예측 수에 제한이 있나요?

기본적으로 예측 요청은 응답으로 20개의 항목을 반환합니다. pageSize 값을 제출하면 이 수를 늘리거나 줄일 수 있습니다.

100개가 넘는 항목을 반환해야 하는 경우 Google 지원팀에 문의하여 한도를 늘리세요. 그러나 항목을 100개 넘게 반환하면 응답 지연 시간이 증가할 수 있습니다.

모델에서 특정 제품을 추천한 이유를 확인할 수 있나요?

현재로서는 가능하지 않습니다.

예측 결과를 다운로드하고 캐시할 수 있나요?

사이트의 사용자 활동에 따라 예측 결과가 실시간으로 개선되므로 캐시된 예측을 사용하지 않는 것이 좋습니다. 모델에서 매일 재학습을 통해 카탈로그 변경사항을 통합하고 사용자 이벤트의 새로운 추세에 반응하기 때문에 결과 또한 달라집니다.

비즈니스 규칙을 기준으로 반환된 추천을 재정렬해야 합니다. 가능한가요?

예. 반환된 추천을 비즈니스 규칙에 따라 재정렬할 수 있지만 추천 결과를 재정렬하거나 필터링하면 선택한 최적화 목표 달성 시 모델의 전반적인 효율이 떨어질 수 있습니다.

가격 재정렬 기능은 반환된 추천 집합에서 관련 상품을 가격이 높은 순서로 정렬하며 '내가 좋아할 만한 기타 항목' 및 '추천 서비스' 모델의 기본 맞춤설정으로 사용할 수 있습니다.

가격 재정렬을 참조하세요.

만들고 사용할 수 있는 필터 태그 수에 제한이 있나요?

만들거나 사용할 수 있는 고유한 태그 수에는 엄격한 제한이 없습니다. 하지만 시스템은 항목당 여러 개의 필터 태그를 처리하도록 설계되지 않았습니다. 가능하면 필터 태그를 카탈로그 항목당 최대 10개로 제한하는 것이 좋습니다. 전체 카탈로그에서 11개 이상의 값을 사용할 수 있습니다. 이는 항목당 한도입니다. 총 태그(모든 항목당 태그 수 합계)의 한도는 100,000,000개입니다.

Recommendations AI 할당량 및 한도 문서를 참조하세요.

모델

카탈로그 및 이벤트를 업로드했는데 predict API를 호출할 때 다음과 같은 응답이 계속 표시됩니다. 'Recommendations 모델이 준비되지 않았습니다. 통합을 위해 예측 요청에서 'dryRun'을 true로 설정할 수 있습니다. 그러면 카탈로그에서 임의의 카탈로그 항목이 반환됩니다(프로덕션 트래픽에는 사용하지 마세요)."

보통은 모델의 학습이 완료되지 않았다는 의미입니다. 모델을 만든 지 10일이 넘었는데 이 응답이 계속 표시된다면 지원팀에 문의하세요.

모델을 학습시키는 데 얼마나 걸리나요?

초기 모델 학습 및 미세 조정을 완료하는 데 2~5일이 걸립니다. 이후에 사용 중지되지 않는 한 모델은 매일 자동으로 재학습됩니다. 모델의 학습 일시중지 및 재개를 참조하세요.

모델을 다운로드하거나 내보낼 수 있나요?

아니요.

기존 프로젝트에서 만든 모델을 새 프로젝트에서 사용할 수 있나요?

아니요. 새 프로젝트에서 모델을 만들고 재학습시켜야 합니다.

카테고리 페이지에 모델을 사용하고 싶습니다. 그렇게 할 수 있나요?

예. '추천 서비스'는 카테고리 페이지에서 유용합니다. 카테고리 페이지는 해당 카테고리의 상품만 표시한다는 점을 제외하면 홈페이지와 유사합니다. 이는 필터 태그가 있는 표준 추천 서비스 모델을 사용하여 수행할 수 있습니다. 예를 들어 카탈로그의 항목에 맞춤설정된 필터 태그(각 카테고리 페이지에 해당)를 추가할 수 있습니다. 예측 요청을 전송할 때 사용자 이벤트 객체를 category-page-view로 설정하고 `filter` 필드에 특정 카테고리 페이지의 태그를 지정합니다. 요청된 필터 태그와 일치하는 추천 결과만 반환됩니다. 다양성은 카테고리 기반 필터 태그와 충돌할 수 있으므로 이 사용 사례에서는 다양성을 사용 중지해야 합니다.

모델에서 맞춤설정을 사용 중지할 수 있나요?

기본적으로 예측 결과는 '내가 좋아할 만한 기타 항목''추천 서비스' 추천 모델 유형의 사용자에 대해 맞춤설정됩니다.

맞춤설정을 사용 중지하면 모델 성능에 부정적인 영향을 줄 수 있으므로 사용 설정하지 않는 것이 좋습니다.

사용자가 사이트에서 이전에 상호작용한 내용을 기반으로 하지 않고 보고 있는 제품과 관련이 있는 카탈로그 항목을 표시해야 하는 경우, 예측 요청에서 가짜 방문자 ID를 사용하여 맞춤 설정되지 않은 추천을 받을 수 있습니다. 맞춤 설정을 원하지 않는 게재위치의 요청에 대해서만 그렇게 해야 합니다.

Recommendations AI Cloud Console

여러 이벤트를 삭제했는데 이러한 이벤트 유형의 개수가 대시보드에 계속 표시됩니다.

이는 정상입니다. Cloud Console 대시보드에는 특정 기간 동안 수집된 이벤트 수가 표시됩니다. 현재 개수나 이벤트 수는 표시되지 않습니다.

카탈로그 또는 사용자 이벤트에 오류가 있는지 어떻게 알 수 있나요?

카탈로그 항목 업데이트 또는 사용자 이벤트에 대한 API 호출은 대부분 구문에 문제가 있거나 어떠한 이유로 요청을 처리할 수 없는 경우에 오류를 반환합니다.

Cloud Console 대시보드에는 조인되지 않은 이벤트의 백분율이 표시됩니다. 이는 카탈로그 또는 이벤트 문제를 파악할 때 사용하면 유용한 측정항목입니다. 조인되지 않은 이벤트(또는 조인되지 않은 예측 호출)는 카탈로그에 없는 항목 ID가 지정된 경우에 발생합니다. 이는 일반적으로 카탈로그가 오래되었으며 새 카탈로그 항목 또는 변경된 카탈로그 항목을 업로드해야 하지만, 잘못된 상품 ID가 전달되었기 때문일 수 있습니다. 요청을 확인하여 상품 ID가 카탈로그에 올바르게 매핑되었는지 확인한 다음 업로드한 카탈로그를 확인하여 항목이 있는지 확인합니다.

Cloud MonitoringCloud Logging을 사용하여 이벤트 상태를 모니터링할 수 있습니다. 예를 들어 일정 기간 동안 이벤트가 없거나 예측 호출이 특정 임곗값 아래로 떨어지면 알림을 받을 수 있습니다.

추천 게재위치가 비활성 상태로 표시되는 이유는 무엇인가요? 이를 활성화하려면 어떻게 해야 하나요?

추천 게재위치를 사용하려면 먼저 카탈로그사용자 이벤트 데이터를 제출하여 해당 모델을 학습시켜야 합니다. 모델이 학습되면 대시보드는 모델이 쿼리할 준비가 되었음을 나타냅니다.

Cloud Console에서는 어떤 통화로 수익 측정항목을 보고하나요?

Recommendations AI Cloud Console은 업로드된 데이터 사용된 통화로 측정항목을 보고합니다. Recommendations AI는 카탈로그당 여러 통화 사용을 지원하지 않으며 통화를 변환하지 않습니다.

Recommendations AI Cloud Console을 사용하여 수익 측정항목을 확인하려면 모든 이벤트가 단일 통화를 사용하는지 확인하거나 Recommendations AI에 업로드하기 전에 모두 같은 통화로 변환하세요.