Produktempfehlungsvorhersage (Vorschauversion)

Artikel
01/30/2024

[Dieser Artikel ist Teil der Dokumentation zur Vorabversion und kann geändert werden.]

Das Produktempfehlungsmodell erstellt Sätze von prädiktiven Produktempfehlungen. Empfehlungen basieren auf dem vorherigen Kaufverhalten und Kunden mit ähnlichen Kaufmustern. Sie müssen Geschäftskenntnisse über die verschiedenen Arten von Produkten für Ihr Unternehmen und wie Ihre Kunden mit ihnen interagieren haben. Wir unterstützen die Empfehlung von Produkten, die Ihre Kundschaft zuvor gekauft hat, oder Empfehlungen für neue Produkte.

Das Produktempfehlungsmodell hilft Ihnen bei Folgendem:

Weitere Produkte zum Kauf empfehlen
Kunden mit Produkten kontaktieren, die sie interessieren könnten
Die Entdeckung mit anderen relevanten Produkten und Dienstleistungen verbessern
Personalisierte Kundenerlebnisse erstellen

Produktempfehlungen können lokalen Gesetzen und Vorschriften sowie Kundenerwartungen unterliegen, die das Modell nicht speziell berücksichtigt. Deshalb müssen Sie die Empfehlungen überprüfen, bevor Sie sie an Ihre Kundschaft weitergeben, um sicherzustellen, dass Sie alle geltenden Gesetze oder Vorschriften sowie die Kundenerwartungen für Ihre Empfehlungen einhalten.

Die Ausgabe dieses Modells stellt Empfehlungen basierend auf der Produkt-ID bereit. Ihr Übermittlungsmechanismus muss die vorhergesagten Produkt-IDs geeigneten Inhalten zuordnen, um Ihren Kunden Inhalte unter Berücksichtigung von Lokalisierung, Bildinhalte und anderen geschäftsspezifischen Inhalten oder Verhaltensweisen zuzuweisen.

Contoso möchte beispielsweise seinen Umsatz steigern, indem es Webseiten so anpasst, dass mehr Produkte und Dienstleistungen angezeigt werden, die seiner Kundschaft gefallen könnten. Sie können aus dem Produktempfehlungsmodell kundenspezifische Produktempfehlungen erstellen und die Daten auf ihrer Website einspeisen. Contoso ist in der Lage, seiner Kundschaft Upselling zu bieten, indem es sie dazu ermutigt, sich Produkte und Dienstleistungen anzusehen, die denen ähneln, die sie zuvor gekauft haben, und so den Umsatz steigert.

Tipp

Probieren Sie die Produktempfehlungsvorhersage mithilfe von Beispieldaten aus: Beispielleitfaden für Produktempfehlungsvorhersage Beispielleitfaden.

Wichtig

Dies ist eine Vorschauversion.
Funktionen in der Vorschauversion sind nicht für den produktiven Einsatz gedacht und können eine eingeschränkte Funktionalität aufweisen. Diese Funktionen stehen vor der offiziellen Veröffentlichung zur Verfügung, damit Kunden frühzeitig Zugriff erhalten und Feedback geben können.

Anforderungen

Mindestens Berechtigungen als Mitwirkender
Mindestens 1.000 Kundenprofile innerhalb des gewünschten Vorhersagefensters
Kundenkennung, eine eindeutige Kennung, um Transaktionen einem einzelnen Kunden zuzuordnen
Mindestens ein Jahr Transaktionsdaten, vorzugsweise zwei bis drei Jahre, um eine gewisse Saisonalität zu berücksichtigen. Idealerweise mindestens drei oder mehr Transaktionen pro Kunden-ID. Der Transaktionsverlauf muss Folgendes enthalten:
- Transaktions-ID: Eindeutiger Bezeichner eines Kaufs oder einer Transaktion.
- Transaktionsdatum: Datum des Kaufs oder der Transaktion.
- Wert der Transaktion: Numerischer Wert des Kaufs oder der Transaktion.
- Eindeutige Produkt-ID: ID des gekauften Produkts oder Services, wenn Ihre Daten auf Einzelpostenebene sind.
- Kauf oder Rückgabe: Ein boolesches Wahr-/Falsch-Feld, in dem der Wert wahr angibt, dass eine Transaktion eine Rückgabe war. Wenn die Kauf- oder Rückgabedaten nicht angegeben sind, werden das Modell und der Wert der Transaktion negativ sein, um auf eine Rückgabe zu schließen.
Eine Produktkatalogdatentabelle zur Verwendung als Produktfilters.

Anmerkung

Das Modell erfordert den Transaktionsverlauf Ihrer Kunden, wobei eine Transaktion alle Daten sind, die eine Benutzer-Produkt-Interaktion beschreiben. Zum Beispiel: ein Produkt kaufen, eine Klasse besuchen oder an einer Veranstaltung teilnehmen.
Nur eine Transaktionsverlaufstabelle kann konfiguriert werden. Wenn es mehrere Kauftabellen gibt, kombinieren Sie sie vor der Datenerfassung in Power Query.
Wenn Bestellung und Bestelldetails unterschiedliche Tabellen sind, verbinden Sie sie, bevor Sie sie im Modell verwenden. Das Modell funktioniert nicht nur mit einer Bestell- oder Beleg-ID in einer Tabelle.

Produktempfehlungsvorhersage erstellen

Wählen Sie Entwurf speichern aus, um die Vorhersage als Entwurf zu speichern. Die Entwurfsvorhersage wird in der Registerkarte Meine Vorhersagen angezeigt.

Gehen Sie zu Erkenntnisse>Vorhersagen.
Wählen Sie in der Registerkarte Erstellen Modell verwenden auf der Kachel Produktempfehlungen (Vorschauversion) aus.
Wählen Sie Erste Schritte aus.
Dieses Modell benennen und Ausgabetabellenname, um sie von anderen Modellen oder Tabellen zu unterscheiden.
Wählen Sie Weiter.

Produktempfehlungspräferenzen definieren

Legen Sie die Anzahl der Produkte fest, die einem Kunden empfohlen werden soll. Dieser Wert hängt davon ab, wie Ihre Versandmethode Daten füllt.
Wählen Sie aus, ob Sie Produkte, die Kunden früher gekauft haben, in das Wiederholungskäufe erwartet aufnehmen möchten.
Legen Sie im Fenster für Vergangenheitsdaten den Zeitrahmen an, den das Modell berücksichtigt, bevor das Produkt dem Benutzer erneut empfohlen wird. Geben Sie beispielsweise an, dass ein Kunde alle zwei Jahre einen Laptop kauft. Das Modell sieht sich den Kaufverlauf der letzten zwei Jahre an und wenn es einen Artikel findet, wird er aus den Empfehlungen herausgefiltert.
Klicken Sie auf Weiter.

Kaufverlauf hinzufügen

Wählen Sie Daten hinzufügen für Kundentransaktionsverlauf aus.
Wählen Sie den semantischen Aktivitätstyp SalesOrderLine aus, der die erforderlichen Transaktions- oder Kaufverlaufsinformationen enthält. Wenn die Aktivität nicht eingerichtet wird, wählen Sie Hier aus und erstellen sie.
Wählen Sie unter Aktivitäten, wenn die Aktivitätsattribute der Aktivität semantisch zugeordnet wurden, die spezifischen Attribute oder Tabellen aus, auf die sich die Berechnung konzentrieren soll. Wenn keine semantische Zuordnung stattgefunden hat, wählen Sie Bearbeiten aus und ordnen Sie Ihre Daten zu.
Wählen Sie Nächste und überprüfen Sie die für dieses Modell erforderlichen Attribute.
Wählen Sie Save (Speichern).
Wählen Sie Weiter aus.

Produktinformationen und Filter hinzufügen

Manchmal sind nur bestimmte Produkte für die Art von Vorhersage, die Sie erstellen, nützlich oder geeignet. Verwenden Sie Produktfilter, um eine Teilmenge von Produkten mit bestimmten Merkmalen zu identifizieren, die Sie Ihren Kunden empfehlen können. Das Modell verwendet alle verfügbaren Produkte, um Muster zu lernen, verwendet jedoch nur die Produkte, die dem Produktfilter in seiner Ausgabe entsprechen.

Fügen Sie Ihre Produktkatalogtabelle hinzu, die Informationen für jedes Produkt enthält. Ordnen Sie die erforderlichen Informationen zu und wählen Sie Speichern aus.
Wählen Sie Weiter aus.
Wählen Sie Produktfilter aus:
- Keine Filter: Verwenden Sie alle Produkte in der Produktempfehlungsvorhersage.
- Bestimmte Produktfilter definieren: Verwenden Sie bestimmte Produkte in der Produktempfehlungsvorhersage. Wählen Sie im Bereich Produktkatalogattribute die Attribute aus Ihrer Produktkatalogtabelle aus, die Sie in den Filter aufnehmen möchten.
Wählen Sie aus, ob der Produktfilter Und- oder Oder-Connectors verwenden soll, um Ihre Auswahl von Attributen aus dem Produktkatalog logisch zu kombinieren.
Wählen Sie Weiter aus.

Zeitplanaktualisierung festlegen

Wählen Sie eine Häufigkeit aus, um Ihr Modell neu zu trainieren. Diese Einstellung ist wichtig, um die Genauigkeit der Vorhersagen zu aktualisieren, wenn neue Daten aufgenommen werden. Die meisten Unternehmen können einmal pro Monat eine Umschulung durchführen und erhalten eine gute Genauigkeit für ihre Vorhersagen.
Wählen Sie Weiter aus.

Überprüfen Sie die Modellkonfiguration und führen Sie sie aus

Der Schritt Überprüfen und ausführen zeigt eine Zusammenfassung der Konfiguration und bietet die Möglichkeit, Änderungen vorzunehmen, bevor Sie die Datei Vorhersage erstellen.

Wählen Sie Bearbeiten bei einem der Schritte, um sie zu überprüfen und Änderungen vorzunehmen.
Wenn Sie mit Ihrer Auswahl zufrieden sind, wählen Sie Speichern und ausführen aus, um mit der Ausführung des Modells zu beginnen. Wählen Sie Fertig aus. Die Registerkarte Meine Vorhersagen wird angezeigt, während Vorhersage erstellt wird. Der Prozess kann je nach der Menge der in der Vorhersage verwendeten Daten mehrere Stunden dauern.

Tipp

Es gibt Status für Aufgaben und Prozesse. Die meisten Prozesse hängen von anderen Upstream-Prozessen ab, wie z. B. Datenquellen- und Datenprofilerstellungs-Aktualisierungen.

Wählen Sie den Status aus, um den Bereich Fortschrittsdetails zu öffnen und den Fortschritt der Aufgabe oder des Prozesses anzuzeigen. Um den Auftrag abzubrechen, wählen Sie Auftrag abbrechen am unteren Rand des Bereichs.

Bei jeder Aufgabe können sie Details anzeigen wählen, um mehr Fortschrittsinformationen zu erhalten, wie Verarbeitungszeit, letztes Verarbeitungsdatum und alle zutreffenden Fehler und Warnungen im Zusammenhang mit der Aufgabe oder dem Prozess. Wählen Sie Systemstatus anzeigen am unteren Rand des Bereichs aus, um andere Prozesse im System anzuzeigen.

Vorhersageergebnisse anzeigen

Gehen Sie zu Erkenntnisse>Vorhersagen.
Wählen Sie in der Registerkarte Meine Vorhersagen die Vorhersage aus, die Sie ansehen möchten.

Auf der Ergebnisseite befinden sich fünf primäre Datenabschnitte.

Modelleistung: Die Stufen A, B oder C geben die Leistung der Vorhersage an und können Ihnen bei der Entscheidung helfen, die in der Ausgabetabelle gespeicherten Ergebnisse zu verwenden.

Die Stufen werden nach den folgenden Regeln ermittelt:
- A wenn die Metrik „Success @ K“ mindestens 10 % über der Baseline liegt.
- B wenn die Metrik „Success @ K“ mindestens 0 bis 10 % über der Baseline liegt.
- C wenn die Metrik „Success @ K“ unter der Baseline liegt.
- Baseline: Die am häufigsten empfohlenen Produkte nach Kaufanzahl für alle Kunden und erlernte Regeln, die vom Modell identifiziert wurden = eine Reihe von Empfehlungen für die Kunden. Die Vorhersagen werden dann mit den Topprodukten verglichen, berechnet anhand der Anzahl der Kundschaft, die das Produkt gekauft haben. Wenn ein Kunde mindestens ein Produkt in seinen empfohlenen Produkten hat, das auch in den am häufigsten gekauften Produkten enthalten ist, wird er als Teil der Baseline betrachtet. Wenn zum Beispiel 10 dieser Kunden ein empfohlenes Produkt von insgesamt 100 Kunden gekauft hätten, ist die Baseline 10 %.
- Success @ K: Empfehlungen werden für alle Kunden erstellt und mit dem Validierungssatz des Zeitraums der Transaktionen verglichen. Beispielsweise ist in einem Zeitraum von 12 Monaten der 12. Monat als Validierungsdatensatz festgelegt. Wenn das Modell mindestens eine Sache vorhersagt, die Sie im 12. Monat kaufen würden, basierend auf den Erkenntnissen der letzten 11 Monate, erhöht der Kunde die Metrik „Success @ K“.
Die meisten empfohlenen Produkte (mit Tally): Die fünf wichtigsten Produkte, die für Ihre Kunden vorhergesagt wurden.
Wichtige Empfehlungsfaktoren: Das Modell verwendet die Transaktionshistorie der Kunden, um Produktempfehlungen abzugeben. Es lernt Muster basierend auf früheren Einkäufen und findet Ähnlichkeiten zwischen Kunden und Produkten. Diese Ähnlichkeiten werden dann verwendet, um Produktempfehlungen zu generieren. Die folgenden Faktoren könnten eine vom Modell generierte Produktempfehlung beeinflussen.
- Vergangene Transaktionen : Ein empfohlenes Produkt basierte auf früheren Kaufmustern. Zum Beispiel kann das Modell eine Surface Arc Mouse empfehlen, wenn jemand vor kurzem ein Surface Book 3 und einen Surface Pen gekauft hat. Das Modell erfuhr, dass in der Vergangenheit viele Kunden eine Surface Arc Mouse nach dem Kauf eines Surface Book 3 und eines Surface Pen gekauft hatten.
- Kundenähnlichkeit: Ein empfohlenes Produkt wurde in der Vergangenheit von anderen Kunden gekauft, die ähnliche Kaufmuster aufweisen. Zum Beispiel wurden John Surface Headphones 2 empfohlen , weil Jennifer und Brad kürzlich Surface Headphones 2 gekauft haben. Das Modell glaubt, dass John Jennifer und Brad ähnlich ist, weil sie in der Vergangenheit ähnliche Kaufmuster hatten.
- Produktähnlichkeit: Ein empfohlenes Produkt ähnelt anderen Produkten, welche die Kundschaft zuvor gekauft hat. Das Modell betrachtet zwei Produkte als ähnlich, wenn sie zusammen oder von ähnlichen Kunden gekauft wurden. Beispielsweise erhält jemand eine Empfehlung für ein USB-Speicherlaufwerk, weil diese Person zuvor einen USB-C-zu-USB-Adapter gekauft hat. Basierend auf historischen Kaufmustern glaubt das Modell, dass das USB-Speicherlaufwerk ähnlich ist wie ein USB-C-zu-USB-Adapter.
Jede Produktempfehlung wird von einem oder mehreren dieser Faktoren beeinflusst. Der Prozentsatz der Empfehlungen, bei denen jeder Einflussfaktor eine Rolle spielte, wird in einem Diagramm dargestellt. Im folgenden Beispiel sind 100 % der Empfehlungen durch vergangene Transaktionen beeinflusst, 60 % durch Kundenähnlichkeit und 22 % durch Produktähnlichkeit. Bewegen Sie den Mauszeiger über die Balken im Diagramm, um den genauen Prozentsatz anzuzeigen, zu dem die Einflussfaktoren beigetragen haben.
Datenstatistik : Ein Überblick über die Anzahl der Transaktionen, Kunden und Produkte, die das Modell berücksichtigt. Es basiert auf den Eingabedaten, die zum Lernen von Mustern und zum Generieren von Produktempfehlungen verwendet wurden.

Das Modell verwendet alle verfügbaren Daten, um Muster zu lernen. Wenn Sie in der Modellkonfiguration die Produktfilterung verwenden, wird in diesem Abschnitt die Gesamtzahl der Produkte angezeigt, die das Modell analysiert hat, um Muster zu lernen, die von der Anzahl der Produkte abweichen kann, die den definierten Filterkriterien entsprechen. Die Filterung gilt für die vom Modell generierte Ausgabe.
Beispielproduktempfehlungen: Eine Auswahl von Empfehlungen, von denen das Modell glaubt, dass sie wahrscheinlich vom Kunden gekauft werden. Wenn ein Produktkatalog hinzugefügt wird, werden die Produkt-IDs durch Produktnamen ersetzt.