Predikce doporučení produktů (Preview)

[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:

• Doporučovat další produkty vhodné k aktuálnímu nákupu.
• Kontaktovat zákazníky ohledně produktů, které by je mohly zajímat.
• Zlepšit objevování dalších relevantních produktů a služeb.
• Vytvářet přizpůsobená zákaznická prostředí

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

• Toto je funkce Preview.
• Funkce Preview nejsou určené pro normální používání a mohou mít omezené fungování. Jsou to funkce, které jsou poskytnuté před svým oficiálním vydáním, aby si je zákazníci mohli co nejdříve vyzkoušet a mohli nám napsat své názory.

Předpoklady

• Alespoň oprávnění Přispěvatel
• Minimálně 1000 profilů zákazníků v rámci požadovaného predikčního okna
• Identifikátor zákazníka, jedinečný identifikátor pro přiřazení transakcí jednotlivému zákazníkovi
• Nejméně jeden rok transakčních údajů, nejlépe dva až tři roky, aby zahrnovaly určitou sezónnost. V ideálním případě alespoň tři nebo více transakcí na jedno ID zákazníka. Historie transakcí musí obsahovat:
  • ID transakce: Jedinečný identifikátor nákupu nebo transakce.
  • Datum transakce: Datum nákupu nebo transakce.
  • Hodnota transakce: Číselná hodnota nákupu nebo transakce.
  • Jedinečné ID produktu: ID zakoupeného produktu nebo služby, pokud jsou vaše data na úrovni řádkové položky.
  • Nákup, nebo vratka: Logická hodnota true/false, kde hodnota true identifikuje, že transakce byla vratka. Pokud nejsou v modelu poskytnuty údaje o nákupu nebo vrácení a Hodnota transakce je záporná, od těchto dat odvodíme návratnost.
• Datová tabulka katalogu produktů pro použití filtru produktu.

Poznámka:

• Model vyžaduje historii transakcí vašich zákazníků, kde transakce jsou jakákoli data, která popisují interakci uživatele s produktem. Například nákup produktu, absolvování kurzu nebo účast na události.
• Lze konfigurovat pouze jednu tabulku historie transakcí. Pokud existuje více tabulek nákupu, sjednoťte je před příjmem dat v Power Query.
• Pokud jsou objednávka a podrobnosti objednávky různé tabulky, připojte se k nim před použitím v modelu. Model v tabulce nefunguje pouze s ID objednávky nebo ID příjmu.

Vytvoření predikce doporučení produktů

Kdykoliv můžete volbou Uložit koncept uložit predikci jako koncept. Koncept predikce se zobrazí na kartě Moje predikce.

1. Přejděte na Přehledy>Predikce.

2. Na kartě Vytvořit vyberte Použít model na dlaždici Doporučení produktů (Preview).

3. Vyberte Začínáme.

4. Pojmenujte tento model a zadejte Název tabulky výstupu, abyste je odlišili od jiných modelů nebo tabulek.

5. Vyberte Další.

Definování předvoleb doporučení produktů

1. Nastavte Počet produktů, kolik chcete doporučit zákazníkovi. Tato hodnota závisí na tom, jak váš způsob doručení vyplňuje data.

2. Vyberte, zda chcete zahrnout produkty, které si zákazníci dříve zakoupili, v poli Očekávány opakované nákupy.

3. 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.

4. Vyberte Další.

Přidat historii nákupů

1. Vyberte Přidat data u Historie transakcí zákazníka.

2. Nastavte sémantický typ aktivity SalesOrderLine, který obsahuje informace o požadované transakci nebo historii nákupů. Pokud aktivita není nastavena, vyberte zde a vytvořte ji.

3. 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.

   

4. Vyberte Další a zkontrolujte atributy požadované pro tento model.

5. Vyberte Uložit.

6. Vyberte Další.

Přidání informací o produktu a filtrů

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.

1. Přidejte svou tabulku katalogu produktů, která obsahuje informace pro každý produkt. Mapujte požadované informace a vyberte možnost Uložit.

2. Vyberte Další.

3. 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.

     

4. Vyberte, zda má produktový filtr použít konektory and nebo or pro logickou kombinaci vašeho výběru atributů z katalogu produktů.

   

5. Vyberte Další.

Natavení plánu aktualizace

1. 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.

2. Vyberte Další.

Zkontrolujte a spusťte konfiguraci modelu

Krok Zkontrolovat a spustit zobrazuje souhrn konfigurace a poskytuje možnost provést změny před vytvořením predikce.

1. Vyberte Upravit na kterémkoli z kroků ke kontrole a provedení jakýchkoli změn.

2. 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.

Zobrazení výsledků predikce

1. Přejděte na Přehledy>Predikce.

2. 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:

  • A, když je metrika „Úspěch @ K“ alespoň o 10 % vyšší než výchozí hodnota.
  • B, když je metrika „Úspěch @ K“ o 0 až 10 % vyšší než výchozí hodnota.
  • C, když je metrika „Úspěch @ K“ menší výchozí hodnota.
  • Základ: Nejvíce doporučované produkty podle počtu nákupů u všech zákazníků a naučená pravidla rozpoznaná modelem = sada doporučení pro zákazníky. Predikce jsou poté porovnány s nejlepšími produkty, které byly vypočítány podle počtu zákazníků, kteří si produkty koupili. Pokud má zákazník v doporučených produktech alespoň jeden produkt, který byl také mezi nejprodávanějšími produkty, považuje se za součást základu. Pokud by například 10 z těchto zákazníků mělo zakoupený doporučený produkt ze 100 celkových zákazníků, byl by základ 10 %.
  • Úspěch @ K.: Doporučení jsou vytvořena pro všechny zákazníky a porovnají se s ověřovací sadou časového období transakcí. Například v období 12 měsíců může být měsíc 12 vyčleněn jako ověřovací sada dat. Pokud model predikuje alespoň jednu věc, kterou byste si koupili v 12. měsíci na základě toho, co se dozvěděl z předchozích 11 měsíců, zákazník zvýší metriku „Úspěch @ K“.

• 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.

  • Minulé transakce: Doporučený produkt byl založen na minulých nákupních vzorcích. Model může například doporučit Surface Arc Mouse, pokud někdo nedávno koupil Surface Book 3 a Surface Pen. Model se dozvěděl, že historicky si mnoho zákazníků koupilo Surface Arc Mouse po zakoupení Surface Book 3 a Surface Pen.
  • Podobnost zákazníka: Doporučený produkt je historicky zakoupen jinými zákazníky, kteří vykazují podobné vzorce nákupu. Například Johnovi byla doporučena Surface Headphones 2, protože Jennifer a Brad nedávno zakoupili Surface Headphones 2. Model věří, že John je podobný Jennifer a Bradovi, protože historicky mají podobné nákupní vzorce.
  • Podobnost produktu: Doporučený produkt je podobný ostatním produktům, které si zákazník dříve zakoupil. Model považuje dva výrobky za podobné, pokud byly zakoupeny společně nebo podobnými zákazníky. Někdo například dostane doporučení na Úložný disk USB, protože dříve koupil Adaptér USB-C na USB. Model věří, že Úložný disk USB je podobný Adaptéru USB-C na USB na základě historických nákupních vzorců.

  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.