Sie haben andere Probleme oder können das unten beschriebene Problem nicht sehen? Bitte melden Sie Fehler oder fordern Sie ein Feature an und treten Sie der Google-Gruppe cloud-recommendations-users oder verfolgen Sie die Stack Overflow-Diskussionen.
Allgemein
1. Haben Sie Clientbibliotheken für Vertex AI Search für den Einzelhandel oder mehr Beispielcode?
Ja. Siehe auch den Leitfaden zu Clientbibliotheken für die Recommendations AI und weitere Informationen zur Einrichtung und zu Referenzinformationen für jede Bibliothek.
Der Google API Discovery Service kann anstelle von rohen REST-Aufrufen verwendet werden.
2. Sind alle Empfehlungsmodelle personalisiert?
Die Modelle „Empfehlungen für mich“, „Was Ihnen sonst noch gefallen könnte“ und „Noch einmal kaufen“ geben personalisierte Empfehlungen, wenn diese über den Nutzerverlauf bereitgestellt werden. Die Modelle „Häufig zusammen gekaufte Artikel“ und „Ähnliche Artikel“ sind nicht personalisiert.
Weitere Informationen finden Sie unter Empfehlungsmodelle.
3. Erhalte ich sofort personalisierte Empfehlungen oder muss ich warten, bis diese im Laufe der Zeit verbessert werden?
Empfehlungen werden verbessert, je mehr Nutzerverlauf Sie erfassen. Das Modell „Empfohlen für Sie“ zeigt beliebte Produkte an und das Modell „Was Ihnen sonst noch gefallen könnte“ zeigt ähnliche Produkte, die hauptsächlich auf den Ansichten anderer Nutzer basieren. Bei beiden Modellen wird das Nutzerverhalten sofort berücksichtigt. Daher ist es wichtig, Echtzeitereignisse zu senden. Weitere Informationen finden Sie unter Empfehlungsmodelle.
Nutzerereignisse müssen in Echtzeit oder nahezu in Echtzeit gesendet werden, damit die Personalisierung wirksam wird. Wenn Nutzerereignisse nur täglich oder in Batches den ganzen Tag gesendet werden, funktionieren die personalisierten Modelle möglicherweise nicht so gut wie bei Echtzeitereignissen.
4. Verwenden Sie in Ihren Modellen demografische Daten von Nutzern?
Die Modelle verwenden nur die von Ihnen bereitgestellten Katalog- und Nutzerereignisdaten. Wenn Sie demografische Daten einschließen möchten, können Sie andere textliche oder numerische Informationen einfügen, die als benutzerdefinierte Attribute nützlich sein können. Diese Daten werden vom Modell verwendet, nachdem es neu abgestimmt wurde.
Geben Sie keine personenidentifizierbaren Informationen wie E-Mail-Adressen oder Nutzernamen an. Wir empfehlen, demografische Daten zu anonymisieren, z. B. durch Hashing der Werte oder mithilfe von Gruppen-IDs.
5. Kann ich Empfehlungen basierend auf dem Ereignisverlauf einer Gruppe von Nutzern und nicht basierend auf dem Verlauf eines einzelnen Nutzers abgeben?
Derzeit basieren Empfehlungen auf einer einzelnen Besucher-ID oder Nutzer-ID. Sie müssen einzelne Anfragen senden und dann die Ergebnisse mit den Empfehlungen aus dem Verlauf einer Gruppe kombinieren. Wenn die Nutzer gemeinsame Metadatenattribute haben, können Sie Gruppen-IDs als Nutzer-IDs verwenden, um Empfehlungen auf Gruppenebene zu geben.
6. Ich habe festgestellt, dass Sie Bild-URLs für Produkte einreichen können. Werden die Produktbilder von den Modellen berücksichtigt?
Derzeit nicht. Diese Felder werden bereitgestellt, damit Sie diese Metadaten zusammen mit den zurückgegebenen Empfehlungsergebnissen abrufen können. Dies erleichtert die Wiedergabe von Empfehlungsergebnissen. Die Vorhersagevorschau verwendet auch Bild-URLs, um die Bilder anzuzeigen, wenn Sie eine Vorschau der Vorhersageergebnisse eines Modells in der Search for Retail Console anzeigen lassen möchten.
7. Mein Unternehmen ist keine E-Commerce-Website für den Einzelhandel. Kann ich Empfehlungen zur Vorhersage von x,y,z verwenden?
Einige Kunden haben Empfehlungen für Inhaltsempfehlungen, für Videostreaming und -spiele sowie für andere Anwendungsfälle verwendet. Unsere Inhalte und Erfahrungen sind jedoch derzeit auf den E-Commerce-Anwendungsfall abgestimmt und eignen sich möglicherweise noch nicht für andere Anwendungsfälle.
8. Kann ich Empfehlungen auf jeder Seite meiner Website platzieren?
Ja, aber die Modelle sind jeweils auf bestimmte Anwendungsfälle ausgelegt und funktionieren möglicherweise am besten auf bestimmten Seiten. Weitere Informationen finden Sie unter Empfehlungsmodelle.
Für „Häufig zusammen gekaufte Artikel“ und „Was Ihnen sonst noch gefallen könnte“ sind Artikel-IDs erforderlich. Sie sollten daher für Empfehlungen verwendet werden, z. B. eine Produkt-ID oder Artikel in einem Einkaufswagen. Die Option „Häufig zusammen gekauft Artikel“ funktioniert in der Regel am besten auf „In den Einkaufswagen“-Seiten oder Zahlungsseiten, während „Ähnliche Artikel“ am besten auf Produktdetailseiten funktioniert. „Für Sie empfohlen“ kann eigentlich auf jeder Seite platziert werden, da diese Option nur eine Besucher-ID als Eingabe erfordert, sie wurde aber für die Bereitstellungskonfiguration auf der Startseite entwickelt. „Noch einmal kaufen“ kann auf jeder Seite platziert werden.
9. Kann ich Empfehlungen für Empfehlungen in E-Mail-Newslettern verwenden?
Ja. Dazu rufen Sie die API mit einer Besucher-ID oder Nutzer-ID auf und binden die Ergebnisse dann in eine E-Mail-Vorlage ein. Wenn Sie möchten, dass die Artikel beim E-Mail-Lesevorgang dynamisch geladen werden, müssen Sie einen Zwischenendpunkt verwenden, wie z. B. Google Cloud Function, um die Vorhersageanfrage zu senden. Die API stellt nur eine Liste bestellter Produkt-IDs und Metadaten bereit. Daher müssen Sie auch Ihren eigenen Code schreiben, um die Bildergebnisse zu rendern.
10. Kann ich Vertex AI Search for Retail für andere Nicht-Web-Anwendungsfälle verwenden (mobile Apps, Kioske)?
Ja. Sie können einen Endpunkt einrichten (z. B. eine Google Cloud-Funktion), um Ergebnisse für die App abzurufen. Sie benötigen auch einen ähnlichen Mechanismus, um Echtzeitereignisse zu senden.
11. Ich habe mehr als drei Monate keine Ereignisdaten. Kann ich Vertex AI Search for Retail weiterhin verwenden? Kann ich später weitere Daten hinzufügen?
Das Modell „Ähnliche Artikel“ verwendet keine Nutzerereignisdaten oder Modellabstimmung. Wenn Sie keine Ereignisdaten haben, können Sie trotzdem ein Modell „Ähnliche Artikel“ erstellen und trainieren, solange Sie Katalogdaten haben.
Wenn Sie genügend Traffic für Echtzeitereignisse erfassen können, können die neuesten Daten für das Training anderer Modelle verwendet werden. Wenn Ihnen später weitere Daten zur Verfügung stehen, können Sie diese nach dem ersten Modelltraining hochladen. Die neu aufgefüllten Daten werden während des täglichen erneuten Trainings in die Modelle aufgenommen. Wenn sich die Daten jedoch erheblich von den Ereignissen unterscheiden, die für das erste Training verwendet wurden, müssen die Modelle möglicherweise neu abgestimmt werden.
Die meisten Modelle funktionieren am besten mit mindestens drei Monaten Produktseitenaufrufen, Startseitenaufrufen und „In den Einkaufswagen“-Ereignissen für alle Modelle und idealerweise einem bis zwei Jahren beim Kaufverlauf für das Attribut „Häufig zusammen gekaufte Artikel“.
Ein bis zwei Wochen mit Detailseiten können ausreichend sein, um die Modelle „Was Ihnen sonst noch gefallen könnte“ und „Für Sie empfohlen“ zu trainieren. Für „Häufig zusammen gekaufte Artikel“ und „Noch einmal kaufen“ ist in der Regel mehr Zeit erforderlich, da normalerweise weniger Käufe pro Tag als Seitenaufrufe stattfinden. Die Modellqualität kann mit mehr Daten erheblich verbessert werden. Die Minimalanforderung erzeugt möglicherweise keine optimalen Ergebnisse. Beispielsweise können die Modelle bei einer Kaufdauer von einem Jahr saisonale Unterschiede und Trends besser berücksichtigen.
12. Kann ich Kategorien zusammen mit Produkten empfehlen?
Recommendations gibt nur Produktempfehlungen zurück, Sie können jedoch die Kategorien für jedes zurückgegebene Produkt als Teil der Ergebnisse abrufen.
13. Haben Sie Integrationen zum Hochladen von Daten aus SQL-Datenbanken oder anderen Systemen, wie BigQuery?
Ja. Für Ereignisse gibt es Beispielcode, der aus BigQuery liest. Sehen Sie sich ein Google Analytics-Beispiel-Dataset für BigQuery an.
14. Verwendet Vertex AI Search for Retail Cookies?
Nein, es werden keine Cookies verwendet. Für alle an die Vertex AI Search for Retail gesendeten Ereignisse muss jedoch eine Besucher-ID angegeben sein. Diese ist häufig eine Sitzungs-ID aus einem Cookie.
15. Benötige ich ein eigenes Google Cloud-Projekt?
Sie können ein neues, dediziertes Projekt erstellen oder Vertex AI Search for Retail in einem vorhandenen Projekt aktivieren.
16. Warum funktionieren meine Anmeldedaten in Cloud Shell nicht?
Prüfen Sie, ob Sie die Schritte zur Authentifizierungseinrichtung für die Vertex AI Search für den Einzelhandel abgeschlossen haben. Sie sollten ein Dienstkonto verwenden, das Sie in Ihrer Umgebung verfügbar gemacht haben. Andernfalls erhalten Sie möglicherweise eine Fehlermeldung wie diese: „Ihre Anwendung wurde mit nicht unterstützten Endnutzer-Anmeldedaten aus dem Google Cloud SDK oder Google Cloud Shell authentifiziert.“
Weitere Informationen zu Dienstkonten finden Sie im Abschnitt „Authentifizierung“ der Google Cloud-Dokumentation.
17. Wie kann ich Vertex AI Search for Retail mit ähnlichen Lösungen vergleichen?
Sie können A/B-Tests durchführen, um die Ergebnisse der Vertex AI Search for Retail API mit denen anderer Produkte zu vergleichen.
18. Ich glaube, das Feature x, y, z wäre toll. Können Sie das hinzufügen?
Treten Sie mit uns in Kontakt! Funktionsanfragen können über Ihr Account-Management-Team, den Google-Support oder die Problemverfolgung eingereicht werden.
19. Kann ich die alte API für Empfehlungen weiterhin verwenden?
Die Funktion „Empfehlungen“ wurde von der Recommendations Engine API zu Vertex AI Search for Retail migriert. Wenn Sie die Recommendations Engine API in der Betaphase verwendet haben, sollten Sie Ihre Empfehlungen zur Vertex AI Search for Retail (Dienstendpunkt https://retail.googleapis.com) migrieren. Diese ist in GA verfügbar.
Die vorherige API (Dienstendpunkt https://recommendationengine.googleapis.com) und die zugehörige Dokumentation bleiben verfügbar, werden jedoch nicht mehr aktualisiert.
Kataloge und Produkte
1. Wie werden Kaltstarts für neue Produkte behandelt?
Für Produkte, für die es keine Käufe gibt, basieren die Empfehlungen auf ähnlichen Produkten. In diesen Fällen ist es besonders wichtig, im Katalog gute Produkttitel, -kategorien und -beschreibungen zu definieren.
Für Kaltstartnutzer (Nutzer ohne Verlauf) beginnen die Modelle mit den beliebtesten allgemeinen Produkten und werden in Echtzeit persönlicher, wenn mehr Nutzerereignisse empfangen werden.
Weitere Informationen finden Sie unter Kataloge und Produkte und auf der Produktreferenzseite.
2. Kann ich meinen Merchant Center-Katalog für Empfehlungen verwenden?
Ja. Sie können einen Merchant Center-Katalog mithilfe des Data Center Service von Merchant Center nach BigQuery exportieren. Anschließend können wir den Katalog direkt aus BigQuery lesen. Weitere Informationen finden Sie unter Katalogdaten aus dem Merchant Center importieren.
3. Wie kann ich meinen Katalog noch importieren?
- Merchant Center: Import mit dem Merchant Center. Wenn Sie die Google Suche verwenden, können Sie das Merchant Center über die Console verknüpfen, damit der Katalog automatisch synchronisiert wird.
- BigQuery: Importieren Sie direkt aus einer Tabelle oder Ansicht.
- Cloud Storage: Importieren Sie ihn mithilfe von Textdateien mit einem JSON-Katalogartikel pro Zeile.
- Inline-Import: Importieren Sie mit einem API-Aufruf unter Verwendung von Textdateien mit einem JSON-Katalogartikel pro Zeile.
- Produktartikel erstellen: Verwenden Sie die Erstellungsmethode
Products.
4. Wie kann ich meinen Katalog auf dem neuesten Stand halten? Wie oft muss der Katalog aktualisiert werden?
Weitere Informationen finden Sie unter Katalog auf dem neuesten Stand halten.
Wir empfehlen Ihnen, Ihren Katalog täglich zu aktualisieren. Sie können eine vollständige Aktualisierung über Cloud Storage oder BigQuery oder eine inkrementelle Aktualisierung (nur neue und geänderte Artikel) durchführen.
Aktualisieren Sie nach Möglichkeit Preis und Verfügbarkeit in Echtzeit. Dies wirkt sich darauf aus, wie schnell neue Artikel mit der Suche suchbar sind.
Wenn Sie Benachrichtigungen über Katalogänderungen einfach erhalten können, z. B. über Pub/Sub, Nachrichtenwarteschlange, Ereignisse usw., können Sie den Katalog in Echtzeit mit den API-Methoden Importieren oder Erstellen aktualisieren.
Beispielsweise kann Cloud Scheduler verwendet werden, um einen täglichen BigQuery-Importaufruf durchzuführen.
5. Gibt es minimale und maximale Kataloggrößen?
Es gibt kein Minimum, aber sehr kleine Kataloggrößen (< 100 Artikel) profitieren möglicherweise nicht von den Empfehlungen, da es nur wenige verschiedene Produkte zu empfehlen gibt.
Der Katalog umfasst maximal 40 Millionen Artikel.
Informationen zu standardmäßigen Kontingenten und Limits sowie zum Anfordern einer Änderung des Kontingents finden Sie in der Dokumentation.
6. Mein Unternehmen betreibt Websites in mehreren Ländern. Soll ich einen Katalog für alle meine Daten verwenden?
In der Regel empfiehlt es sich, nur einen Katalog mit allen Artikeln zu haben. Ereignisse müssen alle in einer einzigen Währung gesendet werden. Es ist nicht möglich, mehrere Kataloge in demselben Projekt zu haben. Wenn Sie jedoch Entitäten verwenden, können Sie die Suche, Empfehlungen und das Verhalten der automatischen Vervollständigung für ein bestimmtes Land festlegen.
Wenn sich die Kataloge zwischen den Websites erheblich unterscheiden, empfehlen wir ein separates Projekt für jede Website. Wenn die Länder unterschiedliche Sprachen haben, empfehlen wir separate Projekte, jeweils eines für jede Sprache.
Falls es ähnliche Websites mit geringerem Traffic als auf der Hauptwebsite gibt, empfiehlt es sich, einen einzigen Katalog zu verwenden, wenn nicht genügend Ereignisse vorhanden sind, um für alle einzelnen Websites hochwertige Modelle zu erstellen.
Wenn Sie einen einzelnen Katalog verwenden möchten, sollten die IDs der Katalogartikel konsistent sein. Das heißt, ein Produkt sollte auf allen Websites eine einzige Artikel-ID haben, sodass keine Duplikate der Produkte im Katalog vorhanden sind.
Wenn es nur um Empfehlungen geht, können Sie anstelle von Entitäten auch Filter verwenden, um nach einer bestimmten Website zu filtern. Die Aktualisierung von Filtern kann jedoch bis zu 8 Stunden dauern. Wenn also länderspezifische Verfügbarkeitsanforderungen (nicht auf Lager) vorliegen, müssen diese normalerweise von einer Geschäftsregel verarbeitet werden, die die Ergebnisse nach der Vorhersageantwort herausfiltert. Dies gilt für die filter_tag-Filterung von Version 1 und die attributbasierte Filterung von Version 2.
7. Unterstützt Vertex AI Search for Retail mehrere Währungen pro Katalog?
Nein, es wird nur ein Währungstyp pro Katalog unterstützt. Ereignisse müssen in einer einzigen Währung hochgeladen werden.
Wenn Sie die Search for Retail Console zum Abrufen Ihrer Umsatzmesswerte verwenden möchten, müssen Sie dafür sorgen, dass alle Ereignisse eine einzige Währung verwenden oder alle in dieselbe Währung konvertiert werden, bevor sie hochgeladen werden.
8. Ich habe mehrere Websites mit einem gemeinsamen Katalog oder ähnlichen Artikeln. Kann Recommendations standortübergreifende Empfehlungen liefern?
Wir empfehlen in der Regel, einen einzelnen Katalog nur dann zu verwenden, wenn sich die Websites erheblich überschneiden. Sie sollten viele oder alle der gleichen Produkte gemeinsam nutzen. Wie bei multiregionalen Standorten können Sie dann Entitäten oder Filter-Tags verwenden, um nur standortspezifische Artikel für einen bestimmten Vorhersageaufruf zurückzugeben.
Wenn die Websites nicht viele oder keine Katalogartikel teilen, sollten mehrere Kataloge verwendet werden. Für jeden Mandanten ein Google Cloud-Projekt erstellen
9. Verbessert es das Modell, wenn weitere Metadaten einbezogen werden? Berücksichtigt das Modell die Felder x, y, z?
Informationen zu Pflichtfeldern finden Sie unter Erforderliche Informationen zu Katalogartikeln.
Andere Metadatenfelder sind optional (z. B. Bilder und Artikelattribute). Sie können zur Vorhersagevorschau, zur Ergebnisanalyse, zum Training und zur Feinabstimmung verwendet werden. Wir empfehlen, nützliche Attribute wie Farbe, Größe, Material usw. anzugeben. Diese Felder können als Teil der Vorhersageergebnisse zurückgegeben werden, indem Sie returnProduct:true angeben. Sie können also für das Rendering von Ergebnissen hilfreich sein. Bilder und Artikelattribute werden für die Vorhersagevorschau in der Search for Retail Console verwendet.
10. Welche Attribute eines Katalogartikels werden als Eingaben für das Modelltraining verwendet?
Eine Kombination aus Nutzerverhalten und Produktattributen wird verwendet. Die wichtigsten Felder sind ID, Titel, Kategoriehierarchie, Preis und URL. Sie können weitere benutzerdefinierte Schlüssel/Wert-Paar-Attribute hinzufügen, die für Product.attributes[] hilfreich sein können.
Image-URLs sind eine praktische Funktion. Sie können diese Metadaten als Teil der Vorhersageergebnisse zurückgeben, indem Sie returnProduct:true angeben. Dadurch kann ein zusätzlicher Aufruf gespeichert werden, um diese Informationen abzurufen. Mit Bild-URLs können Sie auch die Vorhersagevorschau anzeigen lassen, wenn Sie eine Vorschau der Vorhersageergebnisse eines Modells in der Search for Retail-Konsole abrufen.
11. Welche Sprachen werden für meine Produkte unterstützt?
Empfehlungsfunktion: Unterstützt die meisten Sprachen. Das Modell erkennt die Textsprache automatisch. Eine Liste aller Sprachen, die automatisch erkannt werden können, finden Sie in der GitHub-README-Datei auf der Seite „Compact Language Detector“.
Suchfunktion: Unterstützt diese Weltsprachen.
Sie legen die Sprache beim Hochladen des Katalogs fest. Der Katalog sollte nur in einer Sprache vorliegen und die Abfragen müssen in derselben Sprache gesendet werden. Wenn der Katalog mehrere Sprachen enthält, wird die Modellleistung beeinträchtigt. Wenn der Katalog beispielsweise auf Spanisch ist, die Suchanfrage aber auf Englisch, wird die Suchanfrage nicht ins Spanische übersetzt.
12. Mein Katalog hat primäre/abweichende oder übergeordnete/untergeordnete Artikelnummern. Werden diese unterstützt?
Ja. Dies entspricht in etwa dem item_group_id im Merchant Center. Sie müssen festlegen, wie Sie Empfehlungen erhalten möchten (auf der übergeordneten oder untergeordneten Ebene) und ob die Ereignisse auf der übergeordneten oder untergeordneten Ebene stattfinden.
Weitere Informationen zu Produktebenen finden Sie unter Produktebenen.
Ermitteln Sie die richtige Produktebene und legen Sie sie fest, bevor Sie Artikel oder Ereignisse senden. Die Produktebene kann geändert werden. Allerdings müssen die Artikel dann noch einmal verbunden werden und die Modelle müssen neu optimiert werden.
13. Kann ich Produkte aus dem Katalog löschen, wenn sie nicht mehr verfügbar sind?
Wenn ein Artikel nicht mehr aktuell ist, sollten Sie seinen Status auf OUT_OF_STOCK setzen, anstatt ihn zu löschen, damit vorherige Nutzerereignisse, die darauf verweisen, nicht ungültig werden.
Nutzerereignisse
1. Welche Nutzerereignisse muss ich erfassen?
Unter Nutzerereignisse finden Sie eine Liste der Nutzerereignistypen sowie Anforderungen und Best Practices für Nutzerereignisse.
2. Wie kann ich Probleme mit der Datenqualität bei der Modellerstellung beheben?
Rufen Sie in der Retail-Konsole die Seite Datenqualität auf, um Messwerte zur Datenqualität zu Ihren aufgenommenen Katalog- und Nutzerereignissen zu erhalten.
3. Kann ich Google Analytics 360 einbinden?
Sie können Verlaufsdaten aus Google Analytics 360 (GA360) verwenden. Ähnlich wie Merchant Center-Daten können GA360-Daten nach BigQuery exportiert werden und dann kann Vertex AI Search for Retail die Ereignisse direkt aus BigQuery lesen.
Für Echtzeitereignisse empfehlen wir, Tracking-Pixel mit Google Tag Manager einzubinden, da Ereignisse von GA360 verzögert sind.
4. Ich möchte Nutzerereignisse aus Google Analytics 360 importieren. Bietet es alle erforderlichen Nutzerereignisse?
Google Analytics 360 unterstützt nativ alle von Vertex AI Search for Retail verwendeten Nutzerereignisse mit Ausnahme von Suchereignissen. Sie können trotzdem Nutzerereignisse aus Analytics 360 importieren. Beachten Sie jedoch, dass Vertex AI Search for Retail das Suchnutzerereignis aus Suchanfragen und, sofern vorhanden, Produktimpressionen erstellt.
5. Wie übergebe ich Ereignisse an Recommendations AI?
Nutzer importieren Verlaufsereignisse normalerweise mit Cloud Storage oder dem API-Import und streamen dann Echtzeitereignisse mit dem JavaScript Pixel- oder Tag-Manager-Tag auf der Live-Website oder über die Schreibmethode im Backend.
6. Was ist, wenn ich nicht alle Nutzerereignistypen senden kann, die für ein Modell erforderlich sind? Welche Ereignistypen sind für jedes Modell mindestens erforderlich?
Jedes Modell und jedes Optimierungsziel haben leicht unterschiedliche Anforderungen. Weitere Informationen finden Sie unter Anforderungen an Nutzerereignisdaten.
Die Modellleistung ist normalerweise besser, wenn mehr Ereignisse pro Katalogartikel vorhanden sind. Für Websites mit hohem Traffic und kleineren Katalogen können Sie möglicherweise mit einem kleineren Volumen an Verlaufsereignissen beginnen, benötigen aber in der Regel mindestens einige Wochen an Verlaufsdaten und Echtzeitereignissen.
7. Ich habe „In den Einkaufswagen“-Ereignisse und „Einkauf-abgeschlossen“-Ereignisse, die keinen Wert für Umsatz oder Menge haben. Was soll ich senden?
Wenn Sie keinen Wert für die Menge haben, können Sie einen Standardwert von 1 übergeben, ohne die Modellergebnisse zu beeinträchtigen. Für Artikel sollte immer "displayPrice" festgelegt sein (dies kann dem Nutzer angezeigt werden, z. B. ein Rabatt). Der ursprüngliche Preis und die Kosten sind optional.
8. Meine Daten decken nur bestimmte Ereignistypen ab. Kann ich Vertex AI Search for Retail weiterhin verwenden?
Die Mindestanforderungen für die Daten jedes Modelltyps finden Sie unter Anforderungen an Nutzerereignisdaten.
Suchergebnisse
1. Sind die Suchergebnisse personalisiert?
Ja. Die Suche kann personalisierte Ergebnisse liefern. Die Suchergebnisse werden anhand von Besucher-IDs personalisiert. Weitere Informationen finden Sie unter Personalisierung.
2. Wie beziehe ich den Kontext, z. B. den Laden, in dem der Nutzer einkauft, als Teil der Suchanfrage ein?
Speicher-ID-basierte Verfügbarkeit und Auftragsausführungsoptionen sind Attribute des Produktkatalogs. Optionen für die Ausführung sind Attribute wie "online geliefert", "online kaufen" und "Abholung im Geschäft".
Attribute können in der Suchanfrage als Parameter gesendet werden. In diesem Beispiel kann in der Suchanforderung die Speicher-ID des Benutzers angegeben werden. Die Ergebnisse können anhand der Speicher-ID in der Anfrage gefiltert oder höher eingestuft werden.
3. Kann ich Produkte in den Suchergebnissen ausblenden?
Ja. Der Parameter filter kann Ergebnisse anhand ihrer Tags herausfiltern.
4. Ist es möglich, nach mehreren Kriterien zu sortieren, z. B. nach Verfügbarkeit und Preis?
Ja, [boostSpec] erlaubt komplexe Rankingregeln.
5. Ist es möglich, einige Attribute zu gruppieren, um Ergebnisse mit mehreren Attributen zu erhalten? So lassen sich beispielsweise Städte im selben Land für den Produktionsstandort gruppieren.
Produktattribute sind nicht hierarchisch. Sie können jedoch mehrere benutzerdefinierte Attribute verwenden. In diesem Beispiel können Sie benutzerdefinierte Attribute sowohl für das Produktionsland als auch für die Stadt der Produktion verwenden.
6. Wie funktionieren Vorschläge?
Vorschläge sind eine Kombination aus Nutzerabfragen, neu geschriebenen Abfragen und Produktnamen usw. Um qualitativ hochwertige Vorschläge zur automatischen Vervollständigung zu generieren, sollte neben dem Katalog eine ausreichende Anzahl von Suchereignissen aufgenommen werden.
Vorhersageergebnisse
1. Gibt es ein Limit für die Anzahl der Vorhersagen, die ich zurückgeben kann?
Standardmäßig gibt eine Vorhersageanfrage 20 Artikel in der Antwort zurück. Dies kann erhöht oder verringert werden, wenn Sie einen Wert für pageSize senden.
Wenn Sie mehr als 100 Artikel zurückgeben müssen, wenden Sie sich an den Google-Support, um das Limit zu erhöhen. Beachten Sie jedoch, dass die Rückgabe von mehr als 100 Artikeln die Antwortlatenz erhöhen kann.
2. Kann ich die Gründe aufrufen, warum ein Modell eine bestimmte Produktempfehlung abgegeben hat?
Nein.
3. Kann ich Vorhersageergebnisse herunterladen und im Cache speichern?
Da sich die Vorhersageergebnisse in Echtzeit als Reaktion auf Nutzeraktivitäten auf Ihrer Website verbessern, empfehlen wir die Verwendung von im Cache gespeicherten Vorhersagen nicht. Die Modelle werden täglich neu trainiert, um Änderungen an Ihrem Katalog aufzunehmen und auf neue Trends in Nutzerereignissen zu reagieren. Dies führt auch zu Änderungen der Ergebnisse.
4. Ich muss die zurückgegebenen Empfehlungen basierend auf einer Geschäftsregel neu sortieren. Wird dies unterstützt?
Ja. Sie können die zurückgegebenen Empfehlungen anhand Ihrer Geschäftsregeln neu sortieren. Beachten Sie jedoch, dass die Neuordnung oder Filterung empfohlener Ergebnisse die Gesamteffizienz des Modells beeinträchtigen kann, was die Erreichung des von Ihnen gewählten Optimierungsziels betrifft.
Beim Preis-Reranking werden relevante teure Artikel zuerst in den zurückgegebenen Empfehlungen bestellt und als integrierte Anpassung für die Modelle „Was Ihnen sonst noch gefallen könnte“ und „Für Sie empfohlen“ verfügbar.
Siehe Preis-Reranking.
5. Gibt es Einschränkungen für die Anzahl der Filter-Tags, die ich erstellen und verwenden kann?
Die Anzahl der Tags, die Sie erstellen oder verwenden können, ist unbegrenzt. Das System ist jedoch nicht für die Verarbeitung vieler Filter-Tags pro Artikel ausgelegt. Wir empfehlen, Filter-Tags auf maximal 10 pro Katalogartikel zu beschränken, wenn dies möglich ist. Im gesamten Katalog können mehr als 10 Werte verwendet werden. Dies ist eine Grenze pro Artikel. Das Limit für die Gesamtzahl der Tags (die Summe aller Tags pro Artikel) beträgt 100.000.000.
Kontingente und Limits für Vertex AI Search für den Einzelhandel
6. Kann ich die Empfehlungen diversifizieren?
Ja. Die Diversifizierung kann als Teil der Bereitstellungskonfiguration oder in den Parametern der Vorhersageanfrage angegeben werden. Bei niedriger Diversifizierung können Vorhersagen ähnliche Artikel in derselben Kategorie enthalten. Bei einer höheren Diversifizierung enthalten die Ergebnisse Artikel aus anderen Kategorien.
7. Kann ich Empfehlungen nach Preis priorisieren?
Ja. Beim Preis-Reranking werden die empfohlenen Katalogartikel mit einer ähnlichen Empfehlungswahrscheinlichkeit nach Preis sortiert, wobei die Artikel mit dem höchsten Preis zuerst aufgelistet werden. Die Relevanz wird auch noch für die Bestellung von Artikeln verwendet. Das Aktivieren des Preis-Rerankings entspricht also nicht der Sortierung nach Preis. Das Preis-Reranking kann als Teil der Bereitstellungskonfiguration oder in den Parametern der Vorhersageanfrage angegeben werden.
Modelle
1. Ich habe meinen Katalog und meine Ereignisse hochgeladen, erhalte aber immer diese Antwort, wenn ich die Prediction API aufrufe: „Empfehlungsmodell ist nicht bereit. Sie können "dryRun" in der Vorhersageanfrage zu Integrationszwecken auf "true" setzen, wodurch beliebige Katalogartikel aus Ihrem Katalog zurückgegeben werden. Verwenden Sie diese NICHT für den Produktionstraffic."
Dies bedeutet normalerweise, dass das Modell nicht trainiert wurde. Wenn seit dem Erstellen des Modells mehr als 10 Tage vergangen sind und Sie diese Antwort weiterhin erhalten, wenden Sie sich an den Support.
2. Wie lange dauert es, ein Modell zu trainieren?
Das erste Training und die Abstimmung des Modells dauern zwei bis fünf Tage. Bei großen Datasets kann es jedoch länger dauern. Anschließend werden Modelle automatisch täglich neu trainiert, sofern sie nicht deaktiviert sind. Weitere Informationen finden Sie unter Training für ein Modell anhalten und fortsetzen.
3. Kann ich das Modell herunterladen oder exportieren?
Nein.
4. Kann ich Modelle, die ich in einem vorhandenen Projekt erstellt habe, in einem neuen Projekt verwenden?
Nein. Sie müssen die Modelle im neuen Projekt erstellen und neu trainieren.
5. Ich möchte ein Modell für meine Kategorieseiten verwenden. Ist das möglich?
Ja. „Empfehlungen für mich“ ist auf Kategorieseiten nützlich.
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. Legen Sie in der Vorhersageanfrage das Nutzerereignisobjekt als category-page-view fest und geben Sie im Feld filter das Tag einer bestimmten 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.
6. Kann ich die Personalisierung für meine Modelle deaktivieren?
Standardmäßig sind Vorhersageergebnisse nach Nutzer für die Empfehlungsmodelltypen Was Ihnen sonst noch gefallen könnte, Empfohlen für mich und Noch einmal kaufen personalisiert.
Es wird nicht empfohlen, die Personalisierung zu deaktivieren, da es sich negativ auf die Modellleistung auswirken kann.
Wenn Sie Katalogartikel anzeigen müssen, die für das angesehene Produkt relevant sind, und nicht auf den vorherigen Interaktionen des Nutzers mit Ihrer Website basieren, können Sie nicht personalisierte Empfehlungen generieren, indem Sie eine zufällige eindeutige Besucher-ID in einer Vorhersageanfrage verwenden. Achten Sie darauf, dass Sie dies nur für Anfragen an Bereitstellungskonfigurationen tun, die Sie nicht personalisieren möchten.
Die Search for Retail-Konsole
1. Ich habe mehrere Ereignisse dauerhaft gelöscht, im Dashboard werden aber weiterhin die Zählungen für diese Ereignistypen angezeigt.
Dies ist zu erwarten. Das Dashboard „Suche für Einzelhandel“ zeigt die Anzahl der Ereignisse an, die über einen bestimmten Zeitraum aufgenommen wurden. Die aktuelle Anzahl oder die Anzahl der Ereignisse wird nicht angezeigt.
Im Allgemeinen sollten Sie Nutzerereignisse aufbewahren, nachdem sie aufgezeichnet wurden. Es wird nicht empfohlen, Ereignisse dauerhaft zu löschen. Wenn Sie Nutzerereignisse vollständig zurücksetzen möchten, sollten Sie stattdessen ein neues Projekt erstellen.
Wenn Sie Ereignisse löschen möchten, die nicht richtig aufgezeichnet wurden, lesen Sie die Dokumentation unter Nutzerereignisse entfernen. Das Löschen eines Ereignisses kann bis zu mehreren Tagen dauern.
2. Woran erkenne ich, ob es Fehler bei meinen Katalog- oder Nutzerereignissen gibt?
Die meisten API-Aufrufe für Katalogartikelaktualisierungen oder Nutzerereignisse geben einen Fehler zurück, wenn ein Syntaxproblem auftritt oder die Anfrage aus irgendeinem Grund nicht verarbeitet werden kann.
Das Dashboard „Suchen für Einzelhandel“ zeigt den Prozentsatz der nicht verbundenen Ereignisse an. Dies ist auch ein nützlicher Messwert, um Katalog- oder Ereignisprobleme zu erkennen. Nicht verbundene Ereignisse (oder nicht verbundene Vorhersageaufrufe) treten auf, wenn eine Artikel-ID angegeben ist, die nicht im Katalog enthalten ist. Dies bedeutet in der Regel, dass der Katalog veraltet ist und die neuen oder geänderten Katalogartikel hochgeladen werden müssen. Dies kann aber auch darauf zurückzuführen sein, dass fehlerhafte Artikel-IDs übergeben werden. Prüfen Sie Ihre Anfragen, um sicherzustellen, dass die Artikel-IDs korrekt dem Katalog zugeordnet sind. Prüfen Sie dann den hochgeladenen Katalog, um sicherzustellen, dass die Artikel vorhanden sind.
Mit Cloud Monitoring und Cloud Logging kann der Status von Ereignissen überwacht werden. Sie können beispielsweise Warnungen erhalten, wenn über einen bestimmten Zeitraum keine Ereignisse auftreten oder wenn Vorhersageaufrufe unter einen bestimmten Schwellenwert fallen.
3. Warum werden meine Bereitstellungskonfigurationen für Empfehlungen als inaktiv angezeigt? Wie aktiviere ich sie?
Um Bereitstellungskonfigurationen für Empfehlungen verwenden zu können, müssen Sie zuerst Katalog- und Nutzerereignisdaten senden, um das entsprechende Modell zu trainieren. Sobald ein Modell trainiert wurde, zeigt das Dashboard an, dass das Modell abgefragt werden kann.
4. In welcher Währung werden Umsatzmesswerte in der Google Suche für Einzelhandel erfasst?
Suchen Sie in den Berichten für den Einzelhandel nach Messwerten in der Währung, die in Ihren hochgeladenen Daten verwendet wird. Vertex AI Search for Retail unterstützt nicht die Verwendung mehrerer Währungen pro Katalog und konvertiert keine Währungen.
Wenn Sie die Search for Retail Console zum Abrufen Ihrer Umsatzmesswerte verwenden möchten, müssen Sie dafür sorgen, dass alle Ereignisse eine einzige Währung verwenden oder alle in dieselbe Währung konvertiert werden, bevor sie in Vertex AI Search for Retail hochgeladen werden.