उत्पाद अनुशंसाओं का पूर्वानुमान लगाएं (पूर्वावलोकन)

[यह आलेख रिलीज़-पूर्व दस्तावेज़ है और परिवर्तन के अधीन है.]

उत्पाद का सुझाव देने वाला मॉडल, पूर्वानुमान करने वाले उत्पाद सुझावों का सेट बनाता है. सुझाव, पिछले खरीद व्यवहार और समान खरीद पैटर्न वाले ग्राहकों पर आधारित होते हैं. आपको अपने व्यवसाय के लिए विभिन्न प्रकार के उत्पादों तथा आपके ग्राहक उनके साथ किस प्रकार बातचीत करते हैं, के बारे में व्यावसायिक ज्ञान होना चाहिए। हम उन उत्पादों की अनुशंसा करने का समर्थन करते हैं जिन्हें आपके ग्राहक पहले खरीद चुके हैं या नए उत्पादों की अनुशंसा करते हैं।

उत्पाद अनुशंसा मॉडल आपकी मदद करता है:

• खरीदारी के साथ अन्य उत्पादों की अनुशंसा करें
• ग्राहकों से उन उत्पादों के बारे में संपर्क करें जिनमें उनकी रुचि हो सकती है
• अन्य प्रासंगिक उत्पादों और सेवाओं के साथ खोज में सुधार करें
• वैयक्तिकृत ग्राहक अनुभव बनाएं

उत्पाद संबंधी अनुशंसाएं स्थानीय कानूनों और विनियमों तथा ग्राहकों की अपेक्षाओं के अधीन हो सकती हैं, जिन्हें ध्यान में रखकर मॉडल नहीं बनाया गया है। इसलिए, आपको अपने ग्राहकों को सिफारिशें देने से पहले उनकी समीक्षा करनी चाहिए ताकि यह सुनिश्चित हो सके कि आप किसी भी लागू कानून या विनियमन का अनुपालन कर रहे हैं, और आप जो सिफारिश कर रहे हैं उसके लिए ग्राहकों की अपेक्षाओं का अनुपालन कर रहे हैं।

इस मॉडल का आउटपुट उत्पाद आईडी के आधार पर सिफारिशें प्रदान करता है। आपके वितरण तंत्र को स्थानीयकरण, छवि सामग्री और अन्य व्यवसाय-विशिष्ट सामग्री या व्यवहार को ध्यान में रखते हुए, आपके ग्राहकों के लिए अनुमानित उत्पाद आईडी को उपयुक्त सामग्री से मैप करना होगा।

उदाहरण के लिए, कॉन्टोसो अपने वेबपेजों को अनुकूलित करके अपने राजस्व में वृद्धि करना चाहता है ताकि ग्राहकों को अधिक उत्पाद और सेवाएं मिल सकें। वे उत्पाद अनुशंसा मॉडल से ग्राहक-विशिष्ट उत्पाद अनुशंसाएं बना सकते हैं और डेटा को अपनी साइट पर डाल सकते हैं। कॉन्टोसो अपने ग्राहकों को उनके द्वारा पहले खरीदे गए उत्पादों और सेवाओं के समान उत्पादों और सेवाओं को देखने के लिए प्रोत्साहित करके उन्हें अधिक बिक्री करने में सक्षम है, जिससे राजस्व में वृद्धि होती है।

टिप

नमूना डेटा का उपयोग करके उत्पाद अनुशंसा पूर्वानुमान आज़माएं: उत्पाद अनुशंसा पूर्वानुमान नमूना मार्गदर्शिका.

महत्त्वपूर्ण

• यह एक पूर्वावलोकन सुविधा है.
• पूर्वावलोकन सुविधाएं उत्पादन में उपयोग के लिए नहीं होती हैं और इनकी कार्यक्षमता प्रतिबंधित हो सकती हैं. यह सुविधाएँ आधिकारिक रिलीज़ से पहले उपलब्ध होती हैं ताकि ग्राहक शीघ्र पहुँच प्राप्त कर सकें और प्रतिक्रिया प्रदान कर सकें.

पूर्वावश्यकताएँ

• कम से कम सहयोगी अनुमतियाँ
• वांछित पूर्वानुमान विंडो के भीतर कम से कम 1,000 ग्राहक प्रोफाइल
• ग्राहक पहचानकर्ता, एक व्यक्तिगत ग्राहक के लिए लेन-देन से मेल खाने के लिए एक विशिष्ट पहचानकर्ता
• कम से कम एक वर्ष का लेन-देन संबंधी डेटा, तथा कुछ मौसमी जानकारी शामिल करने के लिए अधिमानतः दो से तीन वर्ष का डेटा। आदर्शतः, प्रति ग्राहक आईडी कम से कम तीन या अधिक लेनदेन होने चाहिए। लेन-देन इतिहास में निम्नलिखित शामिल होना चाहिए:
  • लेन-देन आईडी: खरीदारी या लेन-देन का विशिष्ट पहचानकर्ता.
  • लेन-देन की तिथि: खरीदारी या लेन-देन की तिथि.
  • लेन-देन का मूल्य: खरीदारी या लेन-देन का संख्यात्मक मूल्य.
  • विशिष्ट उत्पाद आईडी: यदि आपका डेटा लाइन आइटम स्तर पर है तो खरीदे गए उत्पाद या सेवा की आईडी.
  • खरीद या वापसी: एक बूलियन सत्य/असत्य मान जहां सत्य यह पहचानता है कि लेनदेन एक वापसी था। यदि मॉडल में खरीद या वापसी डेटा प्रदान नहीं किया गया है और लेन-देन का मूल्य ऋणात्मक है, तो हम वापसी का अनुमान लगाते हैं।
• उत्पाद फ़िल्टर के रूप में उपयोग करने के लिए उत्पाद कैटलॉग डेटा तालिका.

नोट

• मॉडल को आपके ग्राहकों के लेन-देन इतिहास की आवश्यकता होती है, जहां लेन-देन वह डेटा होता है जो उपयोगकर्ता-उत्पाद इंटरैक्शन का वर्णन करता है। उदाहरण के लिए, किसी प्रोडक्ट को खरीदना, कक्षा लेना या किसी ईवेंट में भाग लेना.
• केवल एक लेनदेन इतिहास तालिका कॉन्फ़िगर की जा सकती है. यदि एक से अधिक खरीद तालिकाएं हैं, तो डेटा अंतर्ग्रहण से पहले उन्हें संयोजित करें. Power Query
• यदि ऑर्डर और ऑर्डर विवरण अलग-अलग तालिकाएं हैं, तो मॉडल में उपयोग करने से पहले उन्हें जोड़ दें। यह मॉडल किसी तालिका में केवल ऑर्डर आईडी या रसीद आईडी के साथ काम नहीं करता है।

उत्पाद सुझाव का पूर्वानुमान बनाएं

पूर्वानुमान को ड्राफ्ट के रूप में सहेजने के लिए किसी भी समय ड्राफ्ट सहेजें का चयन करें। ड्राफ्ट पूर्वानुमान मेरी भविष्यवाणियां टैब में प्रदर्शित होता है।

1. अंतर्दृष्टि>भविष्यवाणियां पर जाएं.

2. बनाएँ टैब पर, मॉडल का उपयोग करें उत्पाद अनुशंसाएँ (पूर्वावलोकन) टाइल पर चयन करें.

3. आरंभ करें चुनें.

4. इस मॉडल को और आउटपुट तालिका का नाम दें ताकि उन्हें अन्य मॉडलों या तालिकाओं से अलग किया जा सके।

5. अगला चुनें.

उत्पाद अनुशंसा प्राथमिकताएँ परिभाषित करें

1. किसी ग्राहक को सुझाए जाने वाले उत्पादों की संख्या निर्धारित करें. यह मान इस बात पर निर्भर करता है कि आपका वितरण तरीका डेटा को कैसे भरता है.

2. चुनें कि क्या आप उन उत्पादों को शामिल करना चाहते हैं जिन्हें ग्राहक पहले खरीद चुके हैं दोबारा खरीदारी अपेक्षित फ़ील्ड में।

3. अवधि के साथ लुक बैक विंडो सेट करें जिसे मॉडल उपयोगकर्ता को उत्पाद की फिर से अनुशंसा करने से पहले विचार करता है। उदाहरण के लिए, संकेत देता है कि एक ग्राहक हर दो साल में एक लैपटॉप खरीदता है. यह मॉडल पिछले दो वर्षों के खरीद इतिहास को देखता है, और यदि उसे कोई वस्तु मिलती है, तो उस वस्तु को अनुशंसाओं से हटा दिया जाता है।

4. अगला चुनें

खरीद इतिहास जोड़ें

1. ग्राहक लेनदेन इतिहास के लिए डेटा जोड़ें चुनें।

2. वह अर्थगत गतिविधि प्रकार SalesOrderLine चुनें जिसमें आवश्यक लेनदेन या खरीद इतिहास जानकारी शामिल हो। यदि गतिविधि सेट नहीं की गई है, तो यहां चुनें और इसे बनाएं.

3. गतिविधियाँ के अंतर्गत, यदि गतिविधि बनाते समय गतिविधि विशेषताएँ शब्दार्थ रूप से मैप की गई थीं, तो वह विशिष्ट विशेषता या तालिका चुनें, जिस पर आप गणना को केंद्रित करना चाहते हैं। यदि सिमेंटिक मैपिंग नहीं हुई, तो संपादित करें चुनें और अपने डेटा को मैप करें।

   

4. अगला चुनें और इस मॉडल के लिए आवश्यक विशेषताओं की समीक्षा करें.

5. सहेजें चुनें.

6. अगला चुनें.

उत्पाद जानकारी और फ़िल्टर जोड़ें

कभी-कभी, आपके द्वारा बनाए गए पूर्वानुमानों के प्रकार के लिए केवल कुछ प्रोडक्ट फायदेमंद या उपयुक्त होते हैं. अपने ग्राहकों को सुझाव देने के लिए विशिष्ट विशेषताओं वाले उत्पादों के उपसमूह की पहचान करने के लिए उत्पाद फ़िल्टर का उपयोग करें। मॉडल पैटर्न सीखने के लिए सभी उपलब्ध उत्पादों का उपयोग करता है, लेकिन अपने आउटपुट में केवल उत्पाद फ़िल्टर से मेल खाने वाले उत्पादों का ही उपयोग करता है।

1. अपनी उत्पाद कैटलॉग तालिका जोड़ें जिसमें प्रत्येक उत्पाद के लिए जानकारी हो. आवश्यक जानकारी मैप करें और सहेजें का चयन करें।

2. अगला चुनें.

3. उत्पाद फ़िल्टर चुनें:

   • कोई फ़िल्टर नहीं: उत्पाद अनुशंसा पूर्वानुमान में सभी उत्पादों का उपयोग करें.

   • विशिष्ट उत्पाद फ़िल्टर परिभाषित करें: उत्पाद अनुशंसा में विशिष्ट उत्पादों का उपयोग करें पूर्वानुमान. उत्पाद कैटलॉग विशेषताएँ फलक में, अपनी उत्पाद कैटलॉग तालिका से उन विशेषताओं का चयन करें जिन्हें आप फ़िल्टर में शामिल करना चाहते हैं.

     

4. चुनें कि क्या आप उत्पाद फ़िल्टर का उपयोग करना चाहते हैं और या या उत्पाद सूची से विशेषताओं के अपने चयन को तार्किक रूप से संयोजित करने के लिए।

   

5. अगला चुनें.

अपडेट शेड्यूल सेट करें

1. अपने मॉडल को पुनः प्रशिक्षित करने के लिए एक आवृत्ति चुनें. नए डेटा को इन्जेस्ट करने के कारण यह सेटिंग पूर्वानुमानों की सटीकता को अद्यतन करने के लिए महत्वपूर्ण है. अधिकांश व्यवसाय प्रति माह एक बार फिर से सिखा सकते हैं और उनके पूर्वानुमान के लिए अच्छी सटीकता प्राप्त कर सकते हैं.

2. अगला चुनें.

मॉडल कॉन्फ़िगरेशन की समीक्षा करें और रन करें

समीक्षा करें और चलाएँ चरण कॉन्फ़िगरेशन का सारांश दिखाता है और आपको पूर्वानुमान बनाने से पहले परिवर्तन करने का अवसर प्रदान करता है।

1. समीक्षा करने और कोई भी परिवर्तन करने के लिए किसी भी चरण पर संपादित करें का चयन करें।

2. यदि आप अपने चयन से संतुष्ट हैं, तो चुनें बचाओ और भागो मॉडल चलाना शुरू करने के लिए. पूर्ण चयन करें. पूर्वानुमान बनाते समय मेरी भविष्यवाणियां टैब प्रदर्शित होता है। पूर्वानुमान में उपयोग किए गए डेटा की मात्रा के आधार पर इस प्रक्रिया को पूरा होने में कई घंटे लग सकते हैं।

टिप

कार्यों और प्रक्रियाओं के लिए स्थितियाँ हैं। अधिकांश प्रक्रियाएं अन्य अपस्ट्रीम प्रक्रियाओं पर निर्भर करती हैं, जैसे कि डेटा स्रोत और डेटा प्रोफाइलिंग रीफ्रेश।

प्रगति विवरण फलक खोलने और कार्यों की प्रगति देखने के लिए स्थिति का चयन करें। कार्य रद्द करने के लिए, फलक के नीचे कार्य रद्द करें का चयन करें.

प्रत्येक कार्य के अंतर्गत, आप अधिक प्रगति जानकारी के लिए विवरण देखें का चयन कर सकते हैं, जैसे कि प्रसंस्करण समय, अंतिम प्रसंस्करण तिथि, तथा कार्य या प्रक्रिया से संबंधित कोई भी लागू त्रुटियाँ और चेतावनियाँ। सिस्टम में अन्य प्रक्रियाओं को देखने के लिए पैनल के नीचे सिस्टम स्थिति देखें का चयन करें।

पूर्वानुमान परिणाम देखें

1. अंतर्दृष्टि>भविष्यवाणियां पर जाएं.

2. मेरी भविष्यवाणियां टैब में, वह पूर्वानुमान चुनें जिसे आप देखना चाहते हैं।

परिणाम पृष्ठ में डेटा के पांच प्राथमिक खंड हैं।

• मॉडल प्रदर्शन: ग्रेड ए, बी, या सी पूर्वानुमान के प्रदर्शन को इंगित करते हैं और आउटपुट तालिका में संग्रहीत परिणामों का उपयोग करने का निर्णय लेने में आपकी सहायता कर सकते हैं।

  

  ग्रेड निम्नलिखित नियमों के आधार पर निर्धारित किए जाते हैं:

  • जब "सफलता @ K" मीट्रिक आधार रेखा से कम से कम 10% अधिक हो।
  • B जब "सफलता @ K" मीट्रिक आधार रेखा से 0% से 10% अधिक हो।
  • C जब "सफलता @ K" मीट्रिक आधार रेखा से कम है।
  • आधार रेखा: सभी ग्राहकों के बीच खरीद संख्या के आधार पर सबसे अधिक अनुशंसित उत्पाद + मॉडल द्वारा पहचाने गए सीखे गए नियम = ग्राहकों के लिए अनुशंसाओं का एक सेट। इसके बाद, उत्पाद खरीदने वाले ग्राहकों की संख्या के आधार पर की गई गणना के आधार पर पूर्वानुमानों की तुलना शीर्ष उत्पादों से की जाती है। अगर किसी ग्राहक के पास अपने सुझाव वाले उत्पादों में कम से कम एक उत्पाद है जो शीर्ष खरीदे गए उत्पादों में भी देखा गया था, तो उन्हें बेसलाइन का हिस्सा माना जाता है. उदाहरण के लिए, यदि कुल 100 ग्राहकों में से 10 ग्राहकों ने अनुशंसित उत्पाद खरीदा है, तो आधार रेखा 10% है।
  • सफलता @ K: सभी ग्राहकों के लिए अनुशंसाएं बनाई जाती हैं और लेनदेन की समय अवधि के सत्यापन सेट के साथ उनकी तुलना की जाती है। उदाहरण के लिए, 12 महीने की अवधि में, 12वां महीना डेटा के सत्यापन सेट के रूप में अलग रखा जाता है। यदि मॉडल कम से कम एक चीज की भविष्यवाणी करता है जिसे आप पिछले 11 महीनों से सीखे गए के आधार पर महीने 12 में खरीदेंगे, तो ग्राहक "सफलता @ के" मीट्रिक बढ़ाता है।

• सबसे ज़्यादा सुझाए गए उत्पाद (टैली के साथ): आपके ग्राहकों के लिए पूर्वानुमानित शीर्ष पाँच उत्पाद.

  

• प्रमुख अनुशंसा कारक: यह मॉडल उत्पाद अनुशंसाएं करने के लिए ग्राहकों के लेनदेन इतिहास का उपयोग करता है। यह पिछले खरीद के आधार पर पैटर्न सीखता है और ग्राहकों और प्रोडक्टों के बीच समानताएं खोजता है. इन समानताओं का उपयोग प्रोडक्ट अनुशंसाओं को जेनरेट करने के लिए किया जाता है. निम्नलिखित कारक मॉडल द्वारा उत्पन्न उत्पाद अनुशंसा को प्रभावित कर सकते हैं।

  • पिछले लेन-देन: एक अनुशंसित उत्पाद पिछले खरीद पैटर्न पर आधारित था। उदाहरण के लिए, यदि किसी ने हाल ही में सरफेस बुक 3 और सरफेस पेन खरीदा है, तो मॉडल सरफेस आर्क माउस की सिफारिश कर सकता है। मॉडल से पता चला कि ऐतिहासिक रूप से, कई ग्राहकों ने सरफेस बुक 3 और सरफेस पेन खरीदने के बाद सरफेस आर्क माउस खरीदा है।
  • ग्राहक समानता: एक अनुशंसित उत्पाद ऐतिहासिक रूप से अन्य ग्राहकों द्वारा खरीदा जाता है जो समान खरीद पैटर्न दिखाते हैं। उदाहरण के लिए, जॉन को सरफेस हेडफ़ोन 2 की सिफारिश की गई थी क्योंकि जेनिफर और ब्रैड ने हाल ही में सरफेस हेडफ़ोन 2 खरीदा था। मॉडल का मानना ​​है कि जॉन जेनिफर और ब्रैड के समान है, क्योंकि ऐतिहासिक रूप से उनके खरीद पैटर्न समान रहे हैं।
  • उत्पाद समानता: अनुशंसित उत्पाद ग्राहक द्वारा पहले खरीदे गए अन्य उत्पादों के समान होता है। मॉडल दो प्रोडक्टों को समान मानता है अगर वे एक साथ या एक जैसे ग्राहकों द्वारा खरीदा गया था. उदाहरण के लिए, किसी व्यक्ति को USB स्टोरेज ड्राइव की अनुशंसा मिलती है क्योंकि उन्होंने पहले USB-C से USB एडाप्टर खरीदा था। मॉडल का मानना ​​है कि ऐतिहासिक खरीद पैटर्न के आधार पर USB स्टोरेज ड्राइव USB-C से USB एडाप्टर के समान है।

  इनमें से एक या अधिक कारक प्रत्येक उत्पाद अनुशंसा को प्रभावित करते हैं। जहां प्रभावित करने वाला प्रत्येक कारक ने एक भूमिका निभाई है वहीं अनुशंसाओं का प्रतिशत एक चार्ट में देखा जाता है. निम्नलिखित उदाहरण में, 100% अनुशंसाएं पिछले लेनदेन से प्रभावित हैं, 60% ग्राहक समानता से और 22% उत्पाद समानता से प्रभावित हैं। जहां प्रभावित करने वाले कारकों ने योगदान दिया वहीं सटीक प्रतिशत देखने के लिए चार्ट में बार पर होवर करें.

  

• डेटा सांख्यिकी: मॉडल द्वारा विचारित लेन-देन, ग्राहकों और उत्पादों की संख्या का अवलोकन। यह इनपुट डेटा पर आधारित है जिसका उपयोग पैटर्न सीखने और प्रोडक्ट अनुशंसाओं को जेनरेट करने के लिए किया गया था.

  

  मॉडल पैटर्न सीखने के लिए सभी उपलब्ध डेटा का उपयोग करता है। इसलिए, यदि आप मॉडल कॉन्फ़िगरेशन में उत्पाद फ़िल्टरिंग का उपयोग करते हैं, तो यह अनुभाग उन उत्पादों की कुल संख्या दिखाता है, जिनका मॉडल ने पैटर्न जानने के लिए विश्लेषण किया, जो परिभाषित फ़िल्टरिंग मानदंडों से मेल खाने वाले उत्पादों की संख्या से भिन्न हो सकते हैं। फ़िल्टरिंग मॉडल द्वारा उत्पन्न आउटपुट पर लागू होती है।

• नमूना उत्पाद अनुशंसाएँ: अनुशंसाओं का एक नमूना जिसके बारे में मॉडल का मानना ​​है कि ग्राहक द्वारा खरीदे जाने की संभावना है। यदि कोई उत्पाद कैटलॉग जोड़ा जाता है, तो उत्पाद आईडी को उत्पाद नामों से बदल दिया जाता है।

  

नोट

इस मॉडल के लिए आउटपुट तालिका में, स्कोर सिफारिश का मात्रात्मक माप दर्शाता है। मॉडल कम स्कोर वाले प्रोडक्टों से अधिक ज़्यादा स्कोर वाले प्रोडक्टों की अनुशंसा करता है. स्कोर देखने के लिए, डेटा >तालिकाएँ पर जाएँ और इस मॉडल के लिए आपके द्वारा परिभाषित आउटपुट तालिका के लिए डेटा टैब देखें।