Vertex AI w e-commerce: silnik rekomendacji, integracja z GTM i poziomy gotowości danych

Silnik rekomendacji wybiera produkty pasujące do kontekstu, na przykład strony produktu lub koszyka. Google Cloud oferuje zarządzane rekomendacje obok wyszukiwarki. Aktualna dokumentacja nazywa produkt AI Commerce Search in Gemini Enterprise for Customer Experience; Retail API nadal ma znaczenie dla integracji. Vertex AI to szersza platforma, a nie nazwa jednego uniwersalnego modelu rekomendacji.

Co mogą poprawić rekomendacje

Trafne propozycje mogą ułatwiać odkrywanie produktów. Wyższa konwersja lub wartość zamówienia to możliwe wyniki, a nie gwarantowane skutki. Kontrolowany test A/B powinien porównywać nowe rekomendacje z dotychczasową prezentacją według ustalonego wcześniej wskaźnika biznesowego. Długie odpowiedzi, niedostępne produkty i słabe dane katalogowe mogą zniwelować korzyści.

Trzy odrębne ścieżki danych

1. Katalog: identyfikatory produktów, nazwy, ceny i dostępność trafiają do usługi przez importy lub aktualizacje.
2. Zdarzenia: odsłony produktów, zmiany koszyka i ukończone zakupy dostarczają sygnałów zachowania. Identyfikatory muszą odpowiadać katalogowi.
3. Rekomendacje: aplikacja pobiera wyniki i wyświetla wybrane produkty. Samo przesyłanie zdarzeń nie tworzy panelu rekomendacji.

GTM po stronie przeglądarki i serwera

Kontener internetowy działa w przeglądarce. Kontener serwerowy odbiera żądania oraz może sprawdzać, przekształcać i przekazywać dane zdarzeń. Jeżeli początkowe żądanie przeglądarki zostało zablokowane albo nie powstało, serwerowy GTM nie odtworzy interakcji. Zdarzenia zakupowe z backendu są kolejnym źródłem, lecz również wymagają niezawodnego dostarczania i obsługi duplikatów.

Przeniesienie części przetwarzania może zmniejszyć pracę przeglądarki; rzeczywisty wpływ na wydajność wymaga pomiaru. Infrastruktura serwerowa oznacza także utrzymanie, opóźnienie i koszt. Prywatne poświadczenia konta usługi należą na serwer. Ograniczone klucze API używane w udokumentowanych metodach zbierania zdarzeń w przeglądarce to inny typ dostępu; widoczny klucz nie oznacza automatycznie ujawnienia prywatnego sekretu konta usługi.

Gotowość danych: poziomy wyszukiwania to nie poziomy rekomendacji

Google opisuje poziomy wydajności wyszukiwania tekstowego i przeglądania kategorii. Modele rekomendacji mają natomiast własne wymagania dotyczące typów zdarzeń, liczby danych i okien czasowych. Nie istnieje uniwersalna drabina trzech poziomów odblokowująca wszystkie modele po 90 dniach.

Przykładowo Similar Items może korzystać z katalogu bez zdarzeń użytkowników. Frequently Bought Together wymaga danych zakupowych. Obowiązujące minimum określają aktualna dokumentacja tworzenia modeli i konsola projektu. Okno obserwacji obejmujące 90 dni nie musi oznaczać wymogu zbierania danych przez 90 kolejnych dni.

Przykład kodu: dopiero pierwszy krok

Poniższe zdarzenie dataLayer w formacie GA4 opisuje wyświetlenie produktu. Operacja push dodaje dane do warstwy danych strony; samo wywołanie nie wysyła żądania API.

// Wysłanie informacji o produkcie do Data Layer (Client-Side)
window.dataLayer = window.dataLayer || [];
window.dataLayer.push({
  event: "view_item",
  ecommerce: {
    currency: "PLN",
    value: 199.99,
    items: [
      {
        item_id: "SKU_98765",
        item_name: "Buty do biegania XYZ",
        item_category: "Obuwie",
        price: 199.99,
        quantity: 1
      }
    ]
  }
});

Pełna integracja wymaga reguły i tagu w kontenerze internetowym, transportu do właściwego punktu końcowego oraz integracji odbierającej. Przy własnym mapowaniu do Retail API zdarzenie view_item odpowiada detail-page-view, a identyfikator artykułu musi wskazywać produkt w katalogu. Potrzebne są również wymagane identyfikatory odwiedzających oraz struktura zdarzenia zgodna z API. Oryginalny obiekt GA4 nie jest gotową treścią żądania Retail API.

Kontrola przed wdrożeniem

Przydatny test odbiorczy śledzi znany produkt od importu katalogu przez zapis zdarzenia do wyświetlonej rekomendacji. Monitoring powinien obejmować odrzucone zdarzenia, brak powiązań z produktami, opóźnione aktualizacje, podwójne zakupy i puste wyniki. Samo porównanie liczby produktów nie wykryje zmienionych cen ani zamienionych identyfikatorów. Zbieranie danych wymaga także odpowiednich mechanizmów ochrony prywatności; zmiana transportu nie znosi tych wymagań.