Dies ist die Dokumentation nur für Recommendations AI. Wenn Sie Retail Search und die einheitliche Retail-Konsole in der eingeschränkten GA-Phase ausprobieren möchten, wenden Sie sich an den Cloud-Vertrieb. Wenn Sie Retail Search nicht verwenden möchten, können Sie das bis auf Weiteres in der Empfehlungskonsole bleiben.

Wenn Sie die v1beta-Version von Recommendations AI verwenden, migrieren Sie zur Retail API-Version.

Typen von Empfehlungsmodellen

Auf dieser Seite werden die von Recommendations AI bereitgestellten Empfehlungstypen oder -modelle mit ihren Standard-Placements und -optimierungszielen, verfügbaren Anpassungen und unterstützten Ereignistypen beschrieben.

Einführung

Wenn Sie sich für die Verwendung von Recommendations AI registrieren, arbeiten Sie mit dem Recommendations AI-Support zusammen, um die besten Empfehlungsmodelle und -anpassungen für Ihre Website zu ermitteln. Die Modelle und Anpassungen, die Sie verwenden, hängen von Ihren Geschäftsanforderungen ab und davon, wo Sie die resultierenden Empfehlungen anzeigen möchten.

Wenn Sie Empfehlungen von Recommendations AI anfordern, geben Sie den placement-Wert an, der bestimmt, welches Modell für die Rückgabe Ihrer Empfehlungen verwendet wird. Sie können auch Ihre Ergebnisse filtern.

Verfügbare Empfehlungstypen

Recommendations AI bietet die folgenden Empfehlungsmodelltypen:

Was Ihnen sonst noch gefallen könnte

Die Empfehlung „Was Ihnen sonst noch gefallen könnte“ sagt das nächste Produkt vorher, das ein Nutzer am wahrscheinlichsten ansieht oder konvertiert. Die Vorhersage basiert auf dem Warenkorbverlauf und Aufrufverlauf des Nutzers und der Relevanz des Produktkandidaten für ein aktuell angegebenes Produkt.

Standardoptimierungsziel: Klickrate (Click-through-Rate, CTR)

Standard-Placement:

Verfügbare Anpassungen:

Unterstützte Nutzerereignistypen:

Häufig zusammen gekauft (Warenkorberweiterung)

Die Empfehlung „Häufig zusammen gekauft“ sagt vorher, welche Artikel häufig mit einem bestimmten Produkts innerhalb derselben Shopping-Sitzung gekauft werden. Wenn eine Produktliste angezeigt wird, werden Artikel vorhergesagt, die häufig mit dieser Produktliste gekauft werden.

Diese Empfehlung ist nützlich, wenn der Nutzer bereits die Absicht bekundet hat, ein bestimmtes Produkt (oder eine Liste von Produkten) zu kaufen, und Sie Ergänzungen (im Gegensatz zu Ersatzprodukten) empfehlen möchten. Diese Empfehlung wird normalerweise auf der Seite „In den Einkaufswagen legen“ oder auf den Seiten „Warenkorb“ oder „Kasse“ (für die Einkaufswagenerweiterung) angezeigt.

Standardoptimierungsziel: Umsatz pro Bestellung

Standard-Placement:

Verfügbare Anpassungen:

Unterstützte Nutzerereignistypen:

Empfehlungen für mich

Die Empfehlung „Empfehlungen für mich“ sagt das nächste Produkt vorher, das ein Nutzer am wahrscheinlichsten ansieht oder kauft. Die Vorhersage basiert auf dem Warenkorbverlauf oder dem Aufrufverlauf dieses Nutzers und Kontextinformationen von Anfragen, z. B. Zeitstempeln. Diese Empfehlung wird normalerweise auf der Startseite verwendet.

„Empfehlungen für mich“ kann auch auf Kategorieseiten nützlich sein. Eine Kategorieseite ähnelt einer Startseite, mit der Ausnahme, dass nur Artikel aus dieser Kategorie angezeigt werden. Sie können dies mithilfe eines standardmäßig für Sie empfohlenen Modells mit Filter-Tags erreichen. Beispielsweise können Sie den Artikeln in Ihrem Katalog benutzerdefinierte Filter-Tags (entsprechend den einzelnen Kategorieseiten) hinzufügen. Wenn Sie die Vorhersageanfrage senden, legen Sie das Nutzerereignisobjekt als category-page-view fest und geben Sie im Feld "Filter" das Tag für eine bestimmte Kategorieseite an. Es werden nur Empfehlungsergebnisse zurückgegeben, die mit dem angeforderten Filter-Tag übereinstimmen. Die Diversität sollte in diesem Anwendungsfall deaktiviert werden, da Diversität mit kategoriebasierten Filter-Tags in Konflikt stehen kann.

Standardoptimierungsziel: Klickrate (Click-through-Rate, CTR)

Standard-Placement:

Verfügbare Anpassungen:

Unterstützte Nutzerereignistypen:

Zuletzt angesehen

Die Empfehlung „Zuletzt angesehen“ ist eigentlich keine Empfehlung. Sie enthält die IDs der Produkte, mit denen der Nutzer/Besuch zuletzt interagiert hat. Die letzten Produkte werden zuerst angezeigt.

Standardoptimierungsziel:

Standard-Placement: recently_viewed_default

Verfügbare Anpassungen:

Unterstützte Nutzerereignistypen:

Alle

Optimierungsziele

Modelle für maschinelles Lernen werden erstellt, um auf ein bestimmtes Ziel hin zu optimieren, das bestimmt, wie das Modell erstellt wird. Für jedes Modell-Placement gilt ein standardmäßiges Optimierungsziel. Sie können jedoch ein anderes Optimierungsziel anfordern, um Ihre Geschäftsziele zu unterstützen, indem Sie sich an Ihren Supportmitarbeiter wenden.

Nachdem Sie ein Modell trainiert haben, können Sie das Optimierungsziel nicht mehr ändern. Sie müssen ein neues Modell trainieren, um ein anderes Optimierungsziel verwenden zu können.

Recommendations AI unterstützt die folgenden Optimierungsziele:

Klickrate (Click-through-Rate, CTR)

Bei der Optimierung der CTR wird besonders die Interaktion hervorgehoben. Optimieren Sie die CTR, wenn Sie die Wahrscheinlichkeit maximieren möchten, dass der Nutzer mit der Empfehlung interagiert.

Die CTR ist das standardmäßige Optimierungsziel für die Empfehlungsmodelltypen „Was Ihnen sonst noch gefallen könnte“ und „Empfohlen für mich“.

Umsatz pro Bestellung

Das Optimierungsziel „Umsatz pro Bestellung“ ist das standardmäßige Optimierungsziel für den Empfehlungsmodelltyp Häufig zusammen gekauft. Dieses Optimierungsziel kann nicht für einen anderen Empfehlungsmodelltyp angegeben werden.

Conversion-Rate (CVR)

Durch die Optimierung auf die Conversion-Rate hin wird die Wahrscheinlichkeit maximiert, dass der Nutzer den empfohlenen Artikel in den Einkaufswagen legt. Wenn Sie die Anzahl der Artikel erhöhen möchten, die pro Sitzung einem Einkaufswagen hinzugefügt werden, optimieren Sie anhand der Conversion-Rate.

Erweiterte Optionen für die Modellkonfiguration

Je nach Modelltyp gibt es einige weitere Modellkonfigurationsoptionen, mit denen Sie das Verhalten Ihres Modells ändern können.

Diversifizierung

Damit die aus einer einzelnen Vorhersageanfrage zurückgegebenen Ergebnisse aus unterschiedlichen Kategorien Ihres Produktkatalogs stammen, können Sie die Diversifizierung aktivieren.

Mit der Diversifizierung wird die Wahrscheinlichkeit reduziert, dass ähnliche Katalogartikel in der Empfehlungsübersicht angezeigt werden. Das birgt jedoch die Gefahr, dass einige gute Empfehlungen entfernt werden. Die Diversifizierung wird nach Ebene konfiguriert. Eine höhere Diversifizierung führt dazu, dass weniger Elemente pro Kategorie angezeigt werden.

Diversifizierungsebene Maximale Anzahl Elemente pro Kategorie Standard
Aus Unbegrenzt Was Ihnen sonst noch gefallen könnte
Häufig zusammen gekauft
Automatisch Hängt vom Katalog ab Empfehlungen für mich
Niedrig 3 -
Mittel 2 -
Hoch 1 -

„Automatisch“ wird nur für das Empfehlungsmodell „Empfehlungen für mich“ unterstützt.

Preis-Reranking

Für die Empfehlungen „Was Ihnen sonst noch gefallen könnte“ und „Empfehlungen für mich“ können Sie das Preis-Reranking aktivieren. Beim Preis-Reranking werden die empfohlenen Katalogelemente mit einer ähnlichen Empfehlungswahrscheinlichkeit nach Preis sortiert, wobei die Elemente mit dem höchsten Preis zuerst aufgelistet werden. (Da die Relevanz auch verwendet wird, um die zurückgegebenen Artikel zu sortieren, entspricht das Aktivieren des Preis-Rerankings nicht dem Sortieren nach Preis.)

Wenn Sie das Preis-Reranking aktivieren, wählen Sie einen Mittelweg zwischen Conversion-Rate und dem durchschnittlichen Bestellwert. Das Preis-Reranking ist standardmäßig deaktiviert.

Feinabstimmungseinstellung

Die Feinabstimmung sorgt für ein optimales Modelltraining, wenn sich die Eingabedaten im Laufe der Zeit ändern. Legen Sie fest, alle drei Monate automatisch optimiert wird, oder Sie können es ausschließlich manuell optimieren. Das Modell wird nach der Erstellung automatisch ein Mal optimiert. Weitere Informationen

Weitere Informationen zur Feinabstimmung der Kosten finden Sie unter Preise.

Ergebnisfilterung

Sie können die Vorhersageergebnisse für ein Placement nach dem Tag-Wert filtern, den Sie mit dem Katalogartikel angegeben haben und ob der Artikel auf Lager ist. Weitere Informationen

Verfügbare Placements

Bevor Sie Vorhersagen von Ihrem Modell anfordern können, müssen Sie mindestens ein Placement dafür erstellen. Weitere Informationen finden Sie unter Empfehlungs-Placements verwalten.

Ihre Modelle werden auf der Seite Modelle aufgelistet. Klicken Sie auf einen Modellnamen, um die zugehörige Detailseite zu öffnen. Dort sehen Sie die mit dem Modell verknüpften Placements.