Události
Mistrovství Světa v Power BI DataViz
14. 2. 16 - 31. 3. 16
Se 4 šance na vstup, můžete vyhrát konferenční balíček a udělat to na LIVE Grand Finale v Las Vegas
Další informaceTento prohlížeč se už nepodporuje.
Upgradujte na Microsoft Edge, abyste mohli využívat nejnovější funkce, aktualizace zabezpečení a technickou podporu.
[Tento článek představuje předběžnou dokumentaci a může se změnit.]
Model doporučení produktů vytváří sady prediktivních doporučení produktů. Doporučení jsou založena na předchozím nákupním chování a zákaznících s podobnými nákupními vzory. Musíte mít obchodní znalosti různých typů produktů pro vaše podnikání a jak s nimi zákazníci interagují. Podporujeme doporučení produktů, které si vaši zákazníci dříve zakoupili, nebo doporučení na nové produkty.
Model doporučování produktů vám pomáhá:
Doporučení produktů mohou podléhat místním zákonům a předpisům a očekáváním zákazníků, které model na základě svého sestavení nezohledňuje. Proto musíte před doručením vašim zákazníkům zkontrolovat doporučení k zajištění, že dodržujete všechny příslušné zákony nebo předpisy a očekávání zákazníků ohledně toho, co můžete doporučit.
Výstup tohoto modelu poskytuje doporučení založená na ID produktu. Váš doručovací mechanismus musí namapovat předpokládaná ID produktu na vhodný obsah pro vaše zákazníky, aby zohledňoval lokalizaci, obsah obrázku a další obsah nebo chování specifické pro firmy.
Například společnost Contoso chce zvýšit své příjmy přizpůsobením webových stránek, aby zobrazovaly více produktů a služeb, které by se zákazníkům mohly líbit. V modulu pro doporučení produktů mohou vytvářet doporučení na produkty pro konkrétní zákazníky a předávat tato data na svůj web. Společnost Contoso je schopna zvýšit prodej svým zákazníkům tak, že je vybízí, aby si prohlíželi produkty a služby podobné těm, které si zakoupili dříve, čímž si zvyšuje výnosy.
Tip
Vyzkoušejte predikci doporučení produktu pomocí ukázkových dat: Příručka k ukázce predikce doporučení produktu.
Důležité
Poznámka
Kdykoliv můžete volbou Uložit koncept uložit predikci jako koncept. Koncept predikce se zobrazí na kartě Moje predikce.
Přejděte na Přehledy>Predikce.
Na kartě Vytvořit vyberte Použít model na dlaždici Doporučení produktů (Preview).
Vyberte Začínáme.
Pojmenujte tento model a zadejte Název tabulky výstupu, abyste je odlišili od jiných modelů nebo tabulek.
Vyberte Další.
Nastavte Počet produktů, kolik chcete doporučit zákazníkovi. Tato hodnota závisí na tom, jak váš způsob doručení vyplňuje data.
Vyberte, zda chcete zahrnout produkty, které si zákazníci dříve zakoupili, v poli Očekávány opakované nákupy.
Nastavte Období pohledu zpět na časový rámec, kterým se model řídí před opětovným doporučením produktu uživateli. Například označte, že si zákazník kupuje notebook každé dva roky. Model hledá v historii nákupů za poslední dva roky, a pokud najde položku, bude položka filtrována z doporučení.
Vyberte Další.
Vyberte Přidat data u Historie transakcí zákazníka.
Nastavte sémantický typ aktivity SalesOrderLine, který obsahuje informace o požadované transakci nebo historii nákupů. Pokud aktivita není nastavena, vyberte zde a vytvořte ji.
V části Činnosti, pokud byly atributy aktivity sémanticky namapovány při vytváření aktivity, vyberte konkrétní atributy nebo tabulku, na kterou se má výpočet zaměřit. Pokud nedošlo k sémantickému mapování, vyberte Upravit a namapujte svá data.
Vyberte Další a zkontrolujte atributy požadované pro tento model.
Vyberte Uložit.
Vyberte Další.
Pro typ predikce, který vytvoříte, jsou někdy výhodné nebo vhodné pouze určité produkty. Filtry produktů umožňují identifikovat podmnožinu produktů se specifickými vlastnostmi, které můžete doporučit svým zákazníkům. Model použije všechny dostupné produkty, aby se naučil vzory, ale ve svém výstupu použije pouze produkty odpovídající filtrům produktů.
Přidejte svou tabulku katalogu produktů, která obsahuje informace pro každý produkt. Mapujte požadované informace a vyberte možnost Uložit.
Vyberte Další.
Vyberte Filtry produktu:
Žádné filtry: Použijte všechny produkty v predikci doporučení produktu.
Definovat konkrétní filtry produktu: Použijte konkrétní produkty v predikci doporučení produktu. V podokně Atributy katalogu produktů vyberte atributy z tabulky katalogu produktů, které chcete zahrnout do filtru.
Vyberte, zda má produktový filtr použít konektory and nebo or pro logickou kombinaci vašeho výběru atributů z katalogu produktů.
Vyberte Další.
Vyberte frekvenci opětovného trénování modelu. Toto nastavení je důležité k aktualizaci přesnosti predikcí, když jsou ingestována nová data. Většina podniků může provést opětovné cvičení modelu jednou za měsíc a mít predikce s dobrou přesností.
Vyberte Další.
Krok Zkontrolovat a spustit zobrazuje souhrn konfigurace a poskytuje možnost provést změny před vytvořením predikce.
Vyberte Upravit na kterémkoli z kroků ke kontrole a provedení jakýchkoli změn.
Pokud jste se svým výběrem spokojeni, volbou Uložit a spustit spusťte model. Vyberte Hotovo. Karta Moje předpovědi se zobrazí při vytváření predikce. Dokončení procesu může trvat několik hodin v závislosti na množství dat použitých v predikci.
Tip
Úkoly a procesy mají své stavy. Většina procesů závisí na jiných upstreamových procesech, jako jsou aktualizace zdrojů dat a profilování dat.
Výběrem stavu otevřete podokno Podrobnosti o průběhu a zobrazíte průběh úloh. Chcete-li úlohu zrušit, vyberte Zrušit úlohu ve spodní části panelu.
U každé úlohy můžete výběrem možnosti Zobrazit podrobnosti zobrazit další informace o průběhu, jako je čas zpracování, datum posledního zpracování a případné chyby a varování související s úlohou nebo procesem. Vyberte Zobrazit stav systému ve spodní části panelu k zobrazení dalších procesů v systému.
Přejděte na Přehledy>Predikce.
Na kartě Moje predikce vyberte predikci, kterou chcete zobrazit.
Na stránce s výsledky je pět primárních sekcí dat.
Výkon modelu: Známky A, B a C označují výkon predikce a mohou vám pomoci při rozhodování o použití výsledků uložených ve výstupní tabulce.
Známky se určují na základě následujících pravidel:
Nejvíce doporučované produkty (se shodou): Prvních pět produktů, které byly predikovány vašim zákazníkům.
Klíčové faktory doporučení: Model používá k provádění doporučení produktů historii transakcí zákazníků. Učí se vzory založené na minulých nákupech a hledá podobnosti mezi zákazníky a produkty. Tyto podobnosti se pak využijí ke generování doporučení produktů. Následují faktory by mohly ovlivnit doporučení produktu generované modelem.
Každé doporučení produktu je ovlivněno jedním nebo více z těchto faktorů. Procento doporučení, kde každý ovlivňující faktor hrál roli, je zobrazeno v grafu. V následujícím příkladu je 100 % doporučení ovlivněno minulými transakcemi, 60 % podobností zákazníků a 22 % podobností produktů. Umístěním kurzoru myši nad pruhy v grafu zobrazíte přesné procento, kam přispěly ovlivňující faktory.
Statistika dat: Přehled počtu transakcí, zákazníků a produktů, které model zvažuje. Je založen na vstupních datech, která byla použita k osvojení vzorů a generování doporučení produktů.
Model používá všechna dostupná data k učení vzorců. Pokud tedy v konfiguraci modelu používáte filtrování produktů, v této části se zobrazuje celkový počet produktů, které model analyzoval, aby se naučil vzorce, které se mohou lišit od počtu produktů, které odpovídají definovaným kritériím filtrování. Filtrování se aplikuje na výstup generovaný modelem.
Ukázková doporučení produktů: Ukázka doporučených produktů, o kterých se model domnívá, že si je zákazník pravděpodobně zakoupí. Pokud je přidán katalog produktů, ID produktů jsou nahrazena názvy produktů.
Poznámka
Ve výstupní tabulce tohoto modelu Skóre ukazuje kvantitativní měřítko doporučení. Model doporučuje produkty s vyšším skóre než produkty s nižším skóre. Chcete-li zobrazit skóre, přejděte na Data>Tabulky a zobrazte kartu data pro výstupní tabulku, kterou jste definovali pro tento model.
Události
Mistrovství Světa v Power BI DataViz
14. 2. 16 - 31. 3. 16
Se 4 šance na vstup, můžete vyhrát konferenční balíček a udělat to na LIVE Grand Finale v Las Vegas
Další informaceŠkolení
Certifikace
Microsoft Certified: Azure Data Scientist Associate (certifikace) - Certifications
Správa příjmu a přípravy dat, trénování a nasazení modelů a monitorování řešení strojového učení pomocí Pythonu, Azure Machine Learning a MLflow