Preguntas frecuentes

¿Tienes otros problemas o no ves el tuyo en esta lista? Informa de un error o solicita una función y únete al grupo de Google cloud-recommendations-users o a las conversaciones de Stack Overflow.

General

Estas son preguntas frecuentes generales.

1. ¿Tenéis bibliotecas de cliente para Vertex AI Search para el sector del comercio o más código de muestra?

Sí. Puedes consultar la guía de bibliotecas de cliente para obtener información sobre la configuración y de referencia de cada biblioteca.

También puedes usar el servicio de descubrimiento para APIs de Google en lugar de llamadas REST sin formato.

2. ¿Todos los modelos de recomendación son personalizados?

Los modelos Recomendaciones personalizadas, Otros que te podrían interesar y Cómpralo de nuevo hacen recomendaciones personalizadas cuando se les proporciona el historial de los usuarios. Los modelos "Artículos comprados frecuentemente juntos" y "Artículos similares" no están personalizados.

Consulta el artículo Acerca de los modelos de recomendación.

3. ¿Recibiré recomendaciones personalizadas de inmediato o tendré que esperar a que mejoren con el tiempo?

Las recomendaciones mejoran a medida que recopilas más historial de usuario. El modelo Recomendado para ti muestra productos populares, mientras que el modelo Otros productos que te pueden gustar muestra productos similares basados principalmente en las visualizaciones de otros usuarios. Ambos modelos empiezan a tener en cuenta el comportamiento de los usuarios de inmediato, por lo que es importante enviar eventos en tiempo real. Consulta el artículo Acerca de los modelos de recomendación.

Los eventos de usuario deben enviarse en tiempo real o casi en tiempo real para que la personalización sea eficaz. Si los eventos de usuario solo se envían a diario o en lotes a lo largo del día, es posible que los modelos personalizados no funcionen tan bien como lo harían si se enviaran eventos en tiempo real.

4. ¿Utiliza datos demográficos de los usuarios de Google en sus modelos?

Los modelos solo usan los datos del catálogo y de los eventos de usuario que proporcione. Si quiere incluir datos demográficos, puede añadir otra información textual o numérica que pueda ser útil como atributos personalizados. El modelo empezará a usar estos datos después de que se haya reajustado.

No incluya información personal identificable (IPI), como direcciones de correo electrónico o nombres de usuario. Te recomendamos que anonimices los datos demográficos, por ejemplo, cifrando los valores con hash o usando IDs de grupo.

5. ¿Puedo hacer recomendaciones basadas en el historial de eventos de un grupo de usuarios en lugar del historial de un solo usuario?

Las recomendaciones se basan en un solo ID de visitante o de usuario. Tendrías que hacer solicitudes individuales y, después, combinar los resultados para basar las recomendaciones en el historial de un grupo. Si los usuarios tienen atributos de metadatos comunes, puede usar los IDs de grupo como IDs de usuario para proporcionar recomendaciones a nivel de grupo.

6. He visto que se pueden enviar URLs de imágenes de productos. ¿Los modelos tienen en cuenta las imágenes de los productos?

Sí, las imágenes de los productos se pueden enviar como parte de los datos de su catálogo de productos. Vertex AI Search para el sector del comercio usa las URLs de los productos y los identificadores que hay detrás (URIs) para enriquecer las descripciones de los productos.

El objeto Product contiene un campo de imágenes, que es una lista de objetos de imagen. Cada objeto de imagen puede incluir un URI, una altura y una anchura. Se permiten hasta 300 imágenes por producto. Aunque es opcional, te recomendamos que proporciones imágenes de los productos. La vista previa de la predicción también usa URLs de imagen para mostrar las imágenes cuando previsualizas los resultados de la predicción de un modelo en la consola de búsqueda de comercio.

7. Mi empresa no es un sitio web de comercio electrónico. ¿Puedo seguir usando las recomendaciones para predecir x, y o z?

Algunos clientes han usado las recomendaciones para contenido, streaming de vídeo y juegos, entre otros casos prácticos. Sin embargo, nuestro contenido y nuestra experiencia se han diseñado para el caso práctico del comercio electrónico minorista, por lo que es posible que aún no se adapten a otros casos prácticos.

8. ¿Puedo colocar recomendaciones en cualquier página de mi sitio?

Sí, pero cada modelo está diseñado para casos prácticos específicos y puede funcionar mejor en determinadas páginas. Consulta el artículo Acerca de los modelos de recomendación.

Los módulos Comprados con frecuencia y Otros que te pueden gustar requieren IDs de artículo, por lo que deben usarse para recomendaciones que utilicen, por ejemplo, un ID de producto o artículos de un carrito. La función Comprados con frecuencia suele funcionar mejor en las páginas de añadir al carrito o de tramitación de la compra, mientras que Otros que te pueden gustar y Artículos similares funcionan mejor en las páginas de detalles de los productos. La sección Recomendado para ti se puede colocar en cualquier página, ya que solo requiere un ID de visitante como entrada, pero está diseñada como una configuración de servicio de página principal. La función Comprar de nuevo se ha diseñado para que se pueda colocar en cualquier página.

9. ¿Puedo usar recomendaciones para recomendaciones en newsletters por correo electrónico?

Sí. Para ello, puedes hacer una llamada a la API con un ID de visitante o de usuario y, a continuación, incorporar los resultados a una plantilla de correo. Si quieres que los elementos se carguen de forma dinámica cuando se lea el correo, tendrás que usar un endpoint intermediario, como una función de Google Cloud, para enviar la solicitud de predicción. La API solo proporciona una lista de IDs de productos ordenados y metadatos, por lo que también tendrá que escribir su propio código para renderizar los resultados de las imágenes.

10. ¿Puedo usar Vertex AI Search for commerce en otros casos prácticos que no sean web (aplicaciones móviles, quioscos)?

Sí. Puedes configurar un endpoint (por ejemplo, Google Cloud Function) para obtener resultados de la aplicación. También necesitas un mecanismo similar para enviar eventos en tiempo real.

11. No tengo datos de eventos de los últimos 3 meses o más. ¿Puedo seguir usando Vertex AI Search para el comercio? ¿Puedo añadir más datos más adelante?

El modelo Artículos similares no usa datos de eventos de usuario ni se ajusta. Si no tiene datos de eventos, puede crear y entrenar un modelo de artículos similares siempre que tenga datos de catálogo.

Si puede registrar suficiente tráfico para los eventos en tiempo real, los datos recientes se pueden usar para entrenar otros modelos. Si tienes más datos disponibles en una fecha posterior, puedes subirlos después del entrenamiento inicial del modelo. Los datos rellenados se incorporan a los modelos durante el reentrenamiento diario. Sin embargo, si los datos son significativamente diferentes de los eventos que se usaron para el entrenamiento inicial, es posible que sea necesario reajustar los modelos.

La mayoría de los modelos funcionan mejor con al menos tres meses de vistas de la página de producto, vistas de la página principal y eventos de añadir al carrito para todos los modelos. Lo ideal es que el modelo Comprados con frecuencia tenga entre uno y dos años de historial de compras.

Con una o dos semanas de vistas de la página de detalles, puede ser suficiente para empezar a entrenar los modelos de Otros que te pueden gustar y Recomendado para ti, mientras que los modelos de Comprados juntos y Cómpralo de nuevo suelen requerir más tiempo porque normalmente hay menos compras al día que vistas de la página. La calidad del modelo se puede mejorar significativamente con más datos. Es posible que la cantidad mínima no produzca resultados óptimos. Por ejemplo, si se usan las compras de un año, los modelos pueden aprovechar mejor la estacionalidad y las tendencias.

12. ¿Puedo recomendar categorías junto con productos?

Recommendations solo devuelve recomendaciones de productos, pero puedes obtener las categorías de cada producto devuelto como parte de los resultados.

13. ¿Ofrecéis integraciones para subir datos desde bases de datos SQL u otros sistemas, como BigQuery?

Sí. En el caso de los eventos, hay un código de ejemplo que lee datos de BigQuery. Consulte un conjunto de datos de ejemplo de Google Analytics para BigQuery.

14. ¿Vertex AI Search para el sector del comercio usa cookies?

No, no usa cookies. Sin embargo, todos los eventos enviados a Vertex AI Search for commerce deben tener un ID de visitante especificado, que suele ser un identificador de sesión de una cookie.

15. ¿Necesito un proyecto Google Cloud específico?

Puede crear un proyecto específico o habilitar Vertex AI Search para el comercio en un proyecto que ya tenga.

16. ¿Por qué no funcionan mis credenciales cuando uso Cloud Shell?

Comprueba que hayas completado los pasos de configuración de la autenticación de Vertex AI Search para el comercio. Debes usar una cuenta de servicio que hayas puesto a disposición en tu entorno. De lo contrario, es posible que recibas un error como este: Tu aplicación se ha autenticado mediante credenciales de usuario final del SDK de Google Cloud o Google Cloud Shell, que no se admiten.

Para obtener más información sobre las cuentas de servicio, consulta la sección de autenticación de la documentación de Google Cloud.

17. ¿Cómo puedo comparar Vertex AI Search para el comercio con soluciones similares?

Puedes realizar pruebas A/B para comparar los resultados de Vertex AI Search para el comercio con los de otros productos.

18. Creo que las funciones X, Y y Z serían geniales. ¿Puedes añadir esto?

Nos encantaría conocer tu opinión. Las solicitudes de funciones se pueden enviar a través de tu equipo de cuenta, del equipo de Asistencia de Google o de la herramienta de seguimiento de incidencias.

19. ¿Puedo seguir usando la API antigua para las recomendaciones?

Recommendations se ha migrado de la API Recommendations Engine a Vertex AI Search para el sector del comercio. Si has usado la API Recommendations Engine durante la fase beta, te recomendamos que migres tus recomendaciones a Vertex AI Search for commerce (endpoint de servicio https://retail.googleapis.com), que ya está disponible para el público general.

La API anterior (punto final del servicio https://recommendationengine.googleapis.com) y su documentación siguen disponibles, pero ya no se actualizan.

Catálogos y productos

Estas son algunas de las preguntas frecuentes sobre catálogos y productos.

1. ¿Cómo gestiona el sistema de recomendaciones los inicios en frío de los productos nuevos?

En el caso de los productos que no tienen historial de compras, hacemos recomendaciones basadas en productos similares. En estos casos, es especialmente importante que el catálogo tenga buenos títulos, categorías y descripciones de producto.

En el caso de los usuarios que acceden por primera vez (visitantes sin historial), los modelos empiezan con los productos generales más populares y se personalizan más en tiempo real a medida que se reciben más eventos de usuario.

Consulta Acerca de los catálogos y los productos y la página de referencia de productos.

2. ¿Puedo usar mi catálogo de Merchant Center para las recomendaciones?

Sí, puede exportar un catálogo de Merchant Center a BigQuery mediante Merchant Center Data Transfer Service. Después, podemos leer el catálogo directamente desde BigQuery. Consulte Importar datos del catálogo de Merchant Center.

3. ¿De qué otra forma puedo importar mi catálogo?

  • Merchant Center: importe con Merchant Center. Si usas la búsqueda, puedes usar la consola para vincular Merchant Center de forma que su catálogo se sincronice automáticamente.
  • BigQuery importa datos directamente desde una tabla o una vista.
  • Cloud Storage: importa los datos mediante archivos de texto con un elemento de catálogo JSON por línea.
  • Importación insertada: importa con una llamada a la API mediante archivos de texto con un elemento de catálogo JSON por línea.
  • Crear productos: usa el método Products create.

4. ¿Cómo puedo mantener mi catálogo actualizado? ¿Con qué frecuencia se debe actualizar el catálogo?

Consulta Mantén tu catálogo al día.

Te recomendamos que actualices tu catálogo a diario. Puedes hacer una actualización completa desde Cloud Storage o BigQuery, o una actualización incremental (es decir, solo los elementos nuevos y modificados).

Si es posible, actualiza el precio y la disponibilidad en tiempo real. Esto afecta a la rapidez con la que se pueden buscar los elementos nuevos.

Si tienes una forma de recibir notificaciones sobre los cambios en el catálogo (por ejemplo, mediante Pub/Sub, una cola de mensajes o eventos), puedes actualizar el catálogo en tiempo real con los métodos de la API import o create.

Por ejemplo, Cloud Scheduler se puede usar para hacer una llamada de importación de BigQuery diaria.

5. ¿Hay tamaños mínimos y máximos para los catálogos?

No hay un mínimo, pero es posible que los catálogos muy pequeños (menos de 100 artículos) no se beneficien mucho de las recomendaciones, ya que hay muy pocos productos diferentes que recomendar.

El máximo del catálogo es de 40 millones de artículos.

Consulta la documentación sobre las cuotas y los límites predeterminados y sobre cómo solicitar un cambio en tu cuota.

6. Mi empresa tiene sitios web en varios países. ¿Debo usar un catálogo para todos mis datos?

Lo más recomendable es tener un solo catálogo con todos los artículos. Todos los eventos deben enviarse en una sola moneda. No se pueden tener varios catálogos en el mismo proyecto, pero, si usas entidades, puedes especificar el comportamiento de búsqueda, recomendaciones y autocompletado de un país concreto.

Si los catálogos son considerablemente diferentes entre los sitios web, le recomendamos que cree un proyecto independiente para cada sitio web. Además, si los países tienen idiomas diferentes, le recomendamos que cree proyectos independientes, uno por cada idioma.

Si hay sitios web similares con poco tráfico en comparación con el sitio web principal, puede ser mejor usar un solo catálogo si no hay suficientes eventos para producir modelos de alta calidad para todos los sitios web individuales.

Para usar un solo catálogo, los IDs de los artículos del catálogo deben ser coherentes. Es decir, el mismo producto debe tener un solo ID de artículo en todos los sitios web para que no haya duplicados en el catálogo.

Si solo quieres ver recomendaciones, puedes usar filtros para seleccionar un sitio web específico en lugar de usar entidades. Sin embargo, los filtros pueden tardar hasta 8 horas en actualizarse, por lo que, si hay requisitos de disponibilidad específicos de un país (sin stock), normalmente deben gestionarse mediante una regla de empresa que filtre los resultados después de la respuesta de predicción. Esto se aplica al filtrado de la versión 1 filter_tag y al filtrado basado en atributos de la versión 2.

7. ¿Vertex AI Search para el sector del comercio admite varias monedas por catálogo?

No, solo se admite un tipo de moneda por catálogo. Los eventos deben subirse con una sola moneda.

Si tienes previsto usar la consola Buscar en comercio para obtener tus métricas de ingresos, asegúrate de que todos tus eventos usen una sola moneda o conviértelos todos a la misma moneda antes de subirlos.

8. Tengo varios sitios web con un catálogo compartido o artículos similares. ¿Pueden las recomendaciones proporcionar recomendaciones entre sitios?

Normalmente, recomendamos usar un solo catálogo como este solo si hay un solapamiento significativo entre los sitios, es decir, si comparten muchos o todos los productos. Después, al igual que con los sitios multirregionales, puede usar entidades o etiquetas de filtro para devolver solo los elementos específicos de un sitio en una llamada predict concreta.

Si los sitios no comparten muchos elementos del catálogo (o ninguno), deberían usar varios catálogos. Para usar varios catálogos, se necesita un Google Cloud proyecto independiente para cada catálogo.

9. ¿Incluir más metadatos mejora el modelo? ¿El modelo tiene en cuenta los campos x, y y z?

Consulta los campos obligatorios de los artículos de catálogo.

Otros campos de metadatos son opcionales (por ejemplo, imágenes y itemAttributes). Se pueden usar para previsualizar predicciones, analizar resultados, entrenar y ajustar modelos. Le recomendamos que incluya atributos útiles, como el color, la talla o el material. Estos campos se pueden devolver como parte de los resultados de predict si especifica returnProduct:true, por lo que pueden ser útiles para renderizar los resultados. Las imágenes y los atributos de los artículos se usan para la vista previa de la predicción en la consola de búsqueda de comercio.

10. ¿Qué atributos de un artículo del catálogo se usan como entradas del entrenamiento del modelo?

Se usa una combinación del comportamiento de los usuarios y los atributos de los productos. Los campos principales que se usan son ID, título, jerarquía de categorías, precio y URL. Puede incluir otros atributos de pares clave-valor personalizados que puedan ser útiles en Product.attributes[].

Las URLs de las imágenes son una función práctica. Puedes devolver estos metadatos como parte de los resultados de predicción especificando returnProduct:true, lo que puede ahorrar una llamada adicional para obtener esta información. Las URLs de las imágenes también permiten que la vista previa de la predicción muestre las imágenes cuando previsualizas los resultados de la predicción de un modelo en la consola de búsqueda de comercio.

11. ¿En qué idiomas se pueden mostrar mis productos?

  • La función de recomendaciones: admite la mayoría de los idiomas. El modelo detecta automáticamente el idioma del texto. Para ver una lista de todos los idiomas que se pueden detectar automáticamente, consulta el archivo README de GitHub de Compact Language Detector.

  • La función de búsqueda: admite estos idiomas.

    El idioma se define al subir el catálogo. El catálogo debe estar en un solo idioma y las consultas deben enviarse en el mismo idioma. Tener varios idiomas en el catálogo empeora el rendimiento del modelo. Por ejemplo, si el catálogo está en español, pero la consulta de búsqueda está en inglés, la consulta no se traduce al español.

12. Mi catálogo tiene SKUs principales o variantes, o SKUs superiores o secundarios. ¿Se admiten?

Sí. Sería similar a la item_group_id de Merchant Center. Debe determinar cómo quiere recibir las recomendaciones (a nivel principal o secundario) y si los eventos están a nivel principal o secundario.

Consulte Niveles de producto para obtener más información sobre los niveles de producto.

Determine y defina el nivel de producto correcto antes de enviar artículos o eventos. El nivel de producto se puede cambiar, pero requiere volver a unir los elementos y reajustar los modelos.

13. ¿Puedo eliminar productos del catálogo cuando ya no estén disponibles?

Si un elemento ya no está actualizado, te recomendamos que le asignes el estado OUT_OF_STOCK en lugar de eliminarlo. De esta forma, los eventos de usuario anteriores que hagan referencia a él no se invalidarán.

Eventos de usuario

Estas son las preguntas frecuentes sobre los eventos de usuario.

1. ¿Qué eventos de usuario debo recoger?

Consulte el artículo Acerca de los eventos de usuario para ver una lista de los tipos de eventos de usuario, así como los requisitos y las prácticas recomendadas.

2. ¿Cómo puedo solucionar los problemas de calidad de los datos al crear un modelo?

En la consola de búsqueda de comercio, vaya a la página Calidad de los datos para ver las métricas de calidad de los datos de su catálogo y eventos de usuario ingeridos.

3. ¿Puedo integrar Google Analytics 360?

Puede usar datos históricos de Google Analytics 360 (GA360). Al igual que los datos de Merchant Center, los datos de GA360 se pueden exportar a BigQuery y, a continuación, Vertex AI Search for commerce puede leer los eventos directamente desde BigQuery.

En el caso de los eventos en tiempo real, le recomendamos que integre píxeles de seguimiento con Google Tag Manager, ya que los eventos se retrasan en GA360.

4. Quiero importar eventos de usuario de Google Analytics 360. ¿Proporciona todos los eventos de usuario necesarios?

Google Analytics 360 admite de forma nativa todos los eventos de usuario que usa Vertex AI Search for commerce, excepto los eventos de búsqueda. Puede seguir importando eventos de usuario de búsqueda de Analytics 360, pero tenga en cuenta que Vertex AI Search para comercio crea el evento de usuario de búsqueda a partir de las consultas de búsqueda y, si las hay, de las impresiones de producto.

5. ¿Cómo puedo enviar eventos a Recommendations AI?

Normalmente, los usuarios importan eventos históricos mediante Cloud Storage o la importación de APIs, y, a continuación, transmiten eventos en tiempo real mediante la etiqueta de píxel de JavaScript o de Tag Manager en el sitio activo, o bien mediante el método de escritura en el backend.

6. ¿Qué ocurre si no puedo enviar todos los tipos de eventos de usuario que se indican como obligatorios para un modelo? ¿Cuáles son los tipos de evento mínimos necesarios para cada modelo?

Cada modelo y objetivo de optimización tiene requisitos ligeramente diferentes. Consulta los requisitos de los datos de eventos de usuario.

El rendimiento del modelo suele ser mejor cuando hay más eventos por elemento de catálogo. En el caso de los sitios con grandes cantidades de tráfico y catálogos más pequeños, puede que puedas empezar con un volumen menor de eventos históricos, pero normalmente necesitarás al menos unas semanas de datos históricos, así como eventos en tiempo real en adelante.

7. Tengo eventos de añadir al carrito y de compra completada que no tienen ningún valor de ingresos ni de cantidad. ¿Qué debo enviar?

Si no tiene ningún valor para la cantidad, puede asignar el valor predeterminado 1 sin que esto afecte a los resultados del modelo. Los elementos siempre deben tener definido el valor de displayPrice (puede ser cualquier valor que se muestre al usuario, como un precio con descuento). Los campos originalPrice y cost son opcionales.

8. Mis datos solo cubrían tipos de eventos limitados. ¿Puedo seguir usando Vertex AI Search para el comercio?

Consulta los requisitos de datos de eventos de usuario para conocer los requisitos de datos mínimos de cada tipo de modelo.

Resultados de búsqueda

Estas son preguntas frecuentes sobre los resultados de búsqueda.

1. ¿Los resultados de búsqueda están personalizados?

Sí. La Búsqueda puede ofrecer resultados personalizados. Los resultados de búsqueda se personalizan en función de los IDs de visitante. Para obtener más información, consulte Personalización.

2. ¿Cómo puedo incluir contexto, como la tienda en la que está comprando un usuario, en la solicitud de búsqueda?

La disponibilidad y las opciones de tramitación basadas en el ID de tienda son atributos del catálogo de productos. Las opciones de tramitación son atributos como "delivered online" (entregado online), "buy online" (comprar online) y "pick up in store" (recogida en tienda).

Los atributos se pueden enviar como parámetro en la solicitud de búsqueda. Por lo tanto, en este ejemplo, la solicitud de búsqueda puede especificar el ID de la tienda del usuario. Los resultados se pueden filtrar o clasificar en un puesto más alto en función del ID de tienda de la solicitud.

3. ¿Puedo ocultar productos de los resultados de búsqueda?

Sí. El parámetro filter puede excluir resultados en función de sus etiquetas.

4. ¿Es posible clasificar por varios criterios, como la disponibilidad y el precio?

Sí, boostSpec permite reglas de clasificación complejas.

5. ¿Es posible agrupar algunos atributos para ofrecer resultados con varias facetas? Por ejemplo, agrupar ciudades del mismo país para el origen de la producción.

Los atributos de producto no son jerárquicos. Sin embargo, puedes usar varios atributos personalizados para conseguirlo. En este ejemplo, podría usar atributos personalizados para el país y la ciudad de producción.

6. ¿Cómo funcionan las sugerencias?

Las sugerencias son una combinación de consultas de usuarios, consultas reescritas, nombres de productos, etc. Para generar sugerencias de autocompletar de alta calidad, se debe registrar un número suficiente de eventos de búsqueda junto con el catálogo.

Resultados de la predicción

Estas son algunas de las preguntas frecuentes sobre los resultados de las predicciones.

1. ¿Hay un límite en el número de predicciones que puedo devolver?

De forma predeterminada, una solicitud de predicción devuelve 20 elementos en la respuesta. Puedes aumentar o reducir este valor enviando un valor para pageSize.

Si necesitas devolver más de 100 artículos, ponte en contacto con el equipo de Asistencia de Google para aumentar el límite. Sin embargo, ten en cuenta que devolver más de 100 elementos puede aumentar la latencia de respuesta.

2. ¿Puedo ver los motivos por los que un modelo ha hecho una recomendación de producto específica?

No.

3. ¿Puedo descargar y almacenar en caché los resultados de las predicciones?

Como los resultados de las predicciones mejoran en tiempo real en respuesta a la actividad de los usuarios en su sitio, no le recomendamos que utilice predicciones almacenadas en caché. Los modelos se vuelven a entrenar a diario para incorporar los cambios en tu catálogo y reaccionar a las nuevas tendencias en los eventos de usuario, lo que también modifica los resultados.

4. Necesito volver a clasificar las recomendaciones devueltas en función de una regla de negocio. ¿Es compatible?

Sí. Sin embargo, aunque puedes volver a clasificar las recomendaciones devueltas en función de tus reglas de negocio, ten en cuenta que, si vuelves a ordenar o filtras los resultados recomendados, se puede reducir la eficacia general del modelo a la hora de alcanzar el objetivo de optimización que has elegido.

La reclasificación de precios ordena primero los elementos relevantes de precio alto en el conjunto de recomendaciones devueltas y está disponible como personalización integrada para los modelos Otros que te pueden gustar y Recomendado para ti.

Consulta Reclasificación de precios.

5. ¿Hay restricciones en el número de etiquetas de filtro que puedo crear y usar?

No hay límites estrictos en el número de etiquetas únicas que puede crear o usar. Sin embargo, el sistema no está diseñado para gestionar muchas etiquetas de filtro por elemento. Te recomendamos que limites las etiquetas de filtro a un máximo de 10 por artículo del catálogo, si es posible. Se pueden usar más de 10 valores en todo el catálogo. Este es un límite por artículo. El límite de etiquetas totales (la suma total de todos los recuentos de etiquetas por elemento) es de 100.000.000.

Consulta la documentación sobre las cuotas y los límites de Vertex AI Search para el sector del comercio.

6. ¿Puedo diversificar las recomendaciones?

Sí. La diversificación de recomendaciones se puede especificar como parte de la configuración de servicio o en los parámetros de la solicitud de predicción.Si la diversificación es baja, las predicciones pueden contener elementos similares de la misma categoría. Cuanto mayor sea la diversificación, más artículos de otras categorías se incluirán en los resultados.

7. ¿Puedo priorizar las recomendaciones por precio?

Sí. Si reclasificas los precios, los productos recomendados que tengan una probabilidad de recomendación similar se ordenarán por precio, y aparecerán en primer lugar los que tengan un precio más alto. La relevancia también se sigue usando para ordenar los artículos, por lo que habilitar la función de reordenación por precio no es lo mismo que ordenar por precio. El cambio de orden de los precios se puede especificar como parte de la configuración de servicio o en los parámetros de la solicitud de predicción.

Funciones conversacionales

Estas son preguntas frecuentes sobre las funciones conversacionales, el filtrado de productos y el comercio de Vertex AI Search para el sector del comercio.

1. ¿Cómo se mantiene una sesión conversacional y cómo puedo actualizar el contexto?

Una sesión conversacional se mantiene mediante el ID de conversación devuelto en la respuesta del agente de Conversational Commerce. Debes incluir este ID de conversación en todas las solicitudes posteriores de la misma conversación. El sistema conserva todo el contexto asociado a este ID. Para actualizar o iniciar una conversación desde cero, inicia una nueva solicitud de API sin un ID de conversación. En la respuesta se emitirá un nuevo ID de conversación.

2. ¿Cómo afecta la API de streaming a mi implementación y a la experiencia de usuario?

Gracias a la naturaleza del streaming, puedes recibir tipos de consultas inmediatamente. De esta forma, puedes diferenciar entre las consultas que tienen una respuesta de texto conversacional, que pueden tener una latencia mayor, y las que no, como SIMPLE_PRODUCT_SEARCH. En el caso de SIMPLE_PRODUCT_SEARCH, puede activar inmediatamente una llamada a la API Search principal para mostrar los productos rápidamente. En el caso de las respuestas basadas en LLMs, puedes mostrar indicadores de carga o obtener resultados de búsqueda en paralelo mientras se transmite el texto de la conversación, lo que optimiza la capacidad de respuesta percibida por el usuario.

3. ¿Por qué es importante que searchParams en ConversationalSearchRequest refleje mis llamadas principales a la API de búsqueda?

Quieres mantener la coherencia en tu searchParams, como los filtros, el orden o las reglas de aumento entre tus llamadas a ConversationalSearchRequest y SearchService.Search. Mantener la coherencia ayuda a asegurar que las respuestas conversacionales o las consultas refinadas que proporciona la API se ajusten a los resultados del producto que se muestran al usuario. De esta forma, se evitan las discrepancias y se ofrece una experiencia de compra coherente.

4. Si se detecta una búsqueda básica de productos, ¿finaliza la conversación? ¿Puede el usuario volver a otros modos de conversación?

La conversación no termina. El ID de conversación sigue siendo válido. Sin embargo, desde el punto de vista de la experiencia de usuario, los comercios suelen redirigir a los usuarios a una página de resultados de búsqueda estándar. Si el usuario envía una nueva consulta sin el ID de conversación original (por ejemplo, escribiendo directamente en la barra de búsqueda estándar), se iniciará una nueva sesión de conversación. Sin embargo, los comerciantes pueden diseñar su experiencia de usuario para que la ventana de chat sea persistente y permitir que los usuarios continúen la conversación (sobre todo si conversationalFilteringSpec.mode es ENABLED para habilitar las preguntas de seguimiento). La posibilidad de "volver" a un modo de conversación enriquecido depende de esta elección de implementación de la experiencia de usuario específica.

5. ¿Qué datos almacena la API Conversational para el contexto de la conversación y durante cuánto tiempo?

Para mantener el flujo de una conversación, la API Conversational almacena la consulta del usuario, la respuesta de texto de la conversación y la pregunta de seguimiento que están vinculadas al ID de conversación. Esta información contextual se conserva durante siete días para que, cuando envíes el ID de conversación en solicitudes posteriores, el sistema pueda recuperar y utilizar este historial.

6. ¿Por qué la API Conversational no proporciona respuestas sugeridas a las preguntas de seguimiento, como sí hace el filtrado de productos conversacional?

Aunque no se pueden proporcionar respuestas sugeridas a las preguntas de seguimiento, tenemos previsto ofrecer esta función. No te lo pierdas.

7. ¿Cómo usa la API Conversational el almacenamiento en caché para mejorar el rendimiento y el contexto?

La API Conversacional almacena en caché los tipos de consultas y las consultas de búsqueda refinadas de un cliente y un proyecto concretos durante un máximo de 10 días. Esto significa que, si se repite la misma consulta, el sistema puede recuperar rápidamente la intención y las mejoras sugeridas.

Modelos

Estas son preguntas frecuentes sobre los modelos.

1. He subido mi catálogo y mis eventos, pero sigo recibiendo esta respuesta cuando llamo a la API Predict: Recommendation model is not ready. ("El modelo de recomendación no está listo").

Puedes definir "dryRun" como true en la solicitud de predicción con fines de integración, lo que devuelve elementos de catálogo arbitrarios de tu catálogo (NO uses esta opción en el tráfico de producción)."**

Esto suele significar que el modelo no ha terminado de entrenarse. Si han pasado más de 10 días desde que creaste el modelo y sigues recibiendo esta respuesta, ponte en contacto con el equipo de Asistencia.

2. ¿Cuánto tiempo se tarda en entrenar un modelo?

El entrenamiento y la optimización iniciales del modelo tardan entre 2 y 5 días en completarse, pero pueden tardar más si los conjuntos de datos son grandes. Después, los modelos se vuelven a entrenar automáticamente cada día, a menos que se inhabiliten. Consulta Pausar y reanudar el entrenamiento de un modelo.

3. ¿Puedo descargar o exportar el modelo?

No.

4. ¿Puedo usar los modelos que he creado en un proyecto en otro proyecto?

No. Debes crear y volver a entrenar los modelos en el nuevo proyecto.

5. Quiero usar un modelo para mis páginas de categorías. ¿Puedo hacerlo?

Sí. "Recomendado para ti" es útil en las páginas de categorías. Una página de categoría es similar a una página principal, pero en ella solo se muestran los elementos de esa categoría. Para ello, puedes usar un modelo estándar Recomendado para ti con etiquetas de filtro. Por ejemplo, puede añadir etiquetas de filtro personalizadas (correspondientes a cada página de categoría) a los artículos de su catálogo. Cuando envíe la solicitud de predicción, defina el objeto de evento de usuario como category-page-view y especifique la etiqueta de una página de categoría concreta en el campo filter. Solo se devuelven los resultados de las recomendaciones que coinciden con la etiqueta de filtro solicitada. La diversidad debe inhabilitarse en este caso práctico, ya que puede entrar en conflicto con las etiquetas de filtro basadas en categorías.

6. ¿Puedo inhabilitar la personalización de mis modelos?

De forma predeterminada, los resultados de las predicciones se personalizan por usuario para los tipos de modelos de recomendación Otros que te pueden gustar, Recomendado para ti y Cómpralo de nuevo.

No se recomienda inhabilitar la personalización, ya que puede afectar negativamente al rendimiento del modelo.

Si necesita mostrar elementos del catálogo relevantes para el producto que se está viendo en lugar de basarse en las interacciones anteriores del usuario con su sitio, puede recibir recomendaciones no personalizadas usando un ID de visitante único aleatorio en una solicitud de predicción. Asegúrate de hacerlo solo en las solicitudes de configuraciones de servicio que no quieras que se personalicen.

Buscar la consola de comercio

Estas son preguntas frecuentes sobre el uso de la consola de búsqueda para comercio.

1. He purgado varios eventos, pero el panel de control sigue mostrando los recuentos de esos tipos de evento.

Este es el comportamiento esperado. El panel de control Búsqueda de comercio muestra el número de eventos registrados durante un periodo determinado, pero no el recuento actual ni el número de eventos.

Por lo general, debe dejar los eventos de usuario en su sitio una vez que se hayan registrado. No se recomienda purgar eventos. Si tienes previsto restablecer por completo los eventos de usuario, te recomendamos que crees un proyecto nuevo.

Si necesitas purgar eventos que no se han registrado correctamente, consulta la documentación sobre cómo eliminar eventos de usuario. La purga de eventos puede tardar varios días en completarse.

2. ¿Cómo puedo saber si hay errores en mi catálogo o en mis eventos de usuario?

La mayoría de las llamadas a la API para actualizar elementos del catálogo o eventos de usuario devuelven un error si hay un problema con la sintaxis o si la solicitud no se puede procesar por algún motivo.

El panel de control "Búsqueda de comercio" muestra el porcentaje de eventos no unidos, que también es una métrica útil para detectar problemas en el catálogo o en los eventos. Los eventos no unidos (o las llamadas de predicción no unidas) se producen cuando se especifica un ID de elemento que no está en el catálogo. Normalmente, esto significa que el catálogo está obsoleto y que se deben subir los elementos del catálogo nuevos o modificados, pero también puede deberse a que se hayan enviado IDs de elemento incorrectos. Compruebe sus solicitudes para asegurarse de que los IDs de artículo se asignan correctamente al catálogo y, a continuación, compruebe el catálogo que ha subido para asegurarse de que los artículos existen.

Cloud Monitoring y Cloud Logging se pueden usar para monitorizar el estado de los eventos. Por ejemplo, puedes recibir alertas si no hay eventos durante un periodo determinado o si las llamadas de predicción bajan de un umbral concreto.

3. ¿Por qué mis configuraciones de publicación de recomendaciones aparecen como inactivas? ¿Cómo puedo activarlas?

Para usar las configuraciones de publicación de recomendaciones, primero debe enviar datos de catálogo y datos de eventos de usuario para entrenar el modelo correspondiente. Una vez que se ha entrenado un modelo, el panel de control indica que el modelo está listo para recibir consultas.

4. ¿En qué moneda registra Search for commerce las métricas de ingresos?

Busque métricas de informes de comercio en la moneda utilizada en los datos que ha subido. Vertex AI Search para el comercio no admite el uso de varias monedas por catálogo ni convierte monedas.

Si tiene previsto usar la consola de búsqueda para comercio para obtener sus métricas de ingresos, asegúrese de que todos sus eventos usen una sola moneda o conviértalos todos a la misma moneda antes de subirlos a Vertex AI Search para comercio.