Przewiduj rekomendacje produktów (wersja zapoznawcza)

Artykuł
01/30/2024

[Ten artykuł stanowi wstępną wersję dokumentacji i może ulec zmianie.]

Model rekomendacji produktowych tworzy zestawy predykcyjnych rekomendacji produktowych. Rekomendacje opierają się na wcześniejszych zachowaniach zakupowych i klientach o podobnych wzorcach zakupowych. Należy posiadać wiedzę biznesową pozwalającą zrozumieć różne rodzaje produktów dla firmy i sposób interakcji z nimi klientów. Zalecamy zalecanie produktów, które zostały wcześniej zakupione lub zalecenia dla nowych produktów.

Modelu rekomendacji produktu pomaga:

polecać inne produkty do jednoczesnego zakupu
kontaktować się z klientami w sprawie produktów, którymi mogą być zainteresowani
usprawnić odnajdywanie dzięki innym odpowiednim produktom i usługom
tworzyć spersonalizowane doświadczenia klientów

Zalecenia dotyczące produktu mogą podlegać lokalnym ustawom i ustawom oraz oczekiwaniom klientów, które nie są w stanie specjalnie uwzględnić modelu. Dlatego przed dostarczeniem ich klientom należy przejrzeć zalecenia, aby upewnić się, że są zgodne z obowiązującymi przepisami lub rozporządzeniami oraz oczekiwaniami klientów w związku z tym, co może być zalecane.

Ponadto dane wyjściowe tego modelu przedstawiają zalecenia na podstawie identyfikatora produktu. Mechanizm dostawy musi zamapować przewidziane identyfikatory produktów na odpowiednią zawartość dla klientów, biorąc pod uwagę lokalizację, zawartość obrazów i inne specyficzne dla biznesu zawartości lub zachowanie.

Firma Contoso chce na przykład zwiększyć przychody, dostosowywania stron sieci Web w celu pokazania większej liczby produktów i usług, z których mogą korzystać klienci. Mogą tworzyć zalecenia dotyczące produktów specyficzne dla klienta w modelu rekomendacji produktów i aktualności danych do swojej witryny. Contoso jest w stanie zwiększyć sprzedaż swoim klientom, zachęcając ich do oglądania produktów i usług podobnych do tych, które zostały zakupione wcześniej i dzięki temu zwiększa swój przychód.

Porada

Sprawdź zalecenia dotyczące produktu przewidywanie przykładowych danych: Przewodnik po przykładach prognozowania rekomendacji produktów.

Ważne

Jest to funkcja w wersji zapoznawczej.
Funkcje w wersji zapoznawczej nie są przeznaczone do użytku w środowiskach produkcyjnych i mogą mieć ograniczoną funkcjonalność. Te funkcje są udostępniane przed oficjalnym wydaniem, dzięki czemu klienci mogą szybciej uzyskać do nich dostęp i przekazać opinie na ich temat.

Wymagania wstępne

Co najmniej uprawnienia współautora
Co najmniej 1000 profilów klientów w żądanym oknie przewidywania
Identyfikator klienta, unikalny identyfikator umożliwiający dopasowanie transakcji do indywidualnego klienta
Co najmniej jeden rok danych transakcji, najlepiej dwa do trzech lat, aby uwzględnić pewną sezonowość. Najlepiej jest, aby dla każdego identyfikatora klienta było to co najmniej trzy transakcje. Historia transakcji musi zawierać:
- Identyfikator transakcji: unikatowy identyfikator zakupu lub transakcji.
- Data transakcji: data zakupu lub transakcji.
- Wartość transakcji: wartość liczbowa zakupu lub transakcji.
- Unikatowy identyfikator produktu: identyfikator zakupionego produktu lub usługi, jeśli dane są na poziomie pozycji wiersza.
- Zakup lub zwrot: wartość logiczna prawda/fałsz, gdzie wartość true określa, że transakcja była zwrotem. Jeśli dane Dotyczące zakupu lub zwrotu nie są podane w modelu, a Wartość transakcji jest ujemna, możemy domyślać się zwrotu.
Tabela danych katalogu produktów w celu użycia jako filtru produktów.

Uwaga

Model wymaga historii transakcji klientów, w której transakcje to dane opisujące interakcję z produktem użytkownika. Może to być na przykład zakup produktu, udział w szkoleniu lub w wydarzeniu.
Można skonfigurować tylko jedną tabelę historii transakcji. Jeśli istnieje wiele tabel zakupu, połącz je w usłudze Power Query przed pozyskaniem danych.
Jeśli zamówienie i szczegóły zamówienia to różne tabele, przed użyciem w modelu należy je połączyć. Model nie działa tylko z identyfikatorem zamówienia lub identyfikatorem odbioru w tabeli.

Utwórz prognozę rekomendacji produktu

W dowolnym momencie wybierz opcję Zapisz roboczą, aby zapisać przewidywanie jako roboczą. Wersja robocza wyświetla się na karcie Moje prognozy.

Przejdź do opcji Szczegółowe informacje>Przewidywania.
Na karcie Utwórz wybierz Model użycia na kafelku Rekomendacje produktów (wersja zapoznawcza).
Wybierz Rozpocznij.
Nazwij ten model i Nazwa tabeli wyjściowej, aby odróżnić je od innych modeli lub tabel.
Wybierz Dalej.

Definiowanie preferencji rekomendacji produktów

Ustaw Liczba produktów, które mają być zalecane klientowi. Ta wartość zależy od tego, jak Twoja metoda dostawy wypełnia dane.
Wybierz, czy chcesz uwzględnić produkty, które poprzednio kupili klienci, w polu Oczekiwane powtórzenie zakupów.
Ustawienie Okno wglądu w przeszłość z ramami czasowymi, które model bierze pod uwagę przed ponownym poleceniem produktu użytkownikowi. Można na przykład wskazać, że klient kupuje komputer przenośny co dwa lata. Model patrzy na historię zakupu przez ostatnie dwa lata i po znalezieniu pozycji, zostanie ona odfiltrowana z polecanych.
Wybierz Dalej

Dodaj historię zakupów

Wybierz Dodaj dane dla Historii transakcji klienta.
Wybierz semantyczny typ działania SalesOrderLine i wybierz typ działania w okienku bocznym zawierającym wymagane informacje o historii transakcji lub zakupów. Jeśli działanie nie zostało jeszcze ustawione, zaznacz go tutaj i utwórz.
W obszarze Działania, jeśli atrybuty działania zostały semantycznie zamapowane podczas tworzenia działania, wybierz określone atrybuty lub tabelę, na których chcesz skupić obliczenia. Jeśli mapowanie mapowań mapowań nie zostanie nastąpi, wybierz opcję Edytuj i zamapuj dane.
Wybierz opcję Dalej i przejrzyj atrybuty wymagane dla tego modelu.
Wybierz pozycję Zapisz.
Wybierz Dalej.

Dodaj informacje o produkcie i filtry

Czasami tylko niektóre produkty są korzystne lub odpowiednie dla tworzonego typu przewidywania. Użyj filtrów produktu, które pozwalają zidentyfikować podzbiór produktów o specyficznej charakterystyce, który jest polecany klientom. Model będzie używać wszystkich dostępnych produktów do poznania wzorców, ale do tworzenia wyniku będzie używać tylko produktów pasujących do filtru produktu.

Dodaj tabelę katalogu produktów zawierającą informacje o każdym produkcie. Zmapuj wymagane informacje i wybierz Zapisz.
Wybierz Dalej.
Wybierz Filtry produktu:
- Brak filtrów: użyj wszystkich produktów w przewidywaniu polecanych.
- Zdefiniuj określone filtry produktu: użyj określonych produktów w przewidywaniu polecanych. W okienku Atrybuty katalogu produktów wybierz atrybuty z tabeli katalogu produktów, które chcesz uwzględnić w filtrze.
Określ, czy chcesz, by filtr produktów używał i lub lub, by logicznie łączyć wybór atrybutów z katalogu produktów.
Wybierz Dalej.

Ustaw harmonogram aktualizacji

Wybierz częstotliwość ponownego uczenia modelu. To ustawienie jest ważne, aby zaktualizować dokładność prognoz w miarę pozyskiwania nowych danych. Większość firm może przeprowadzać ponowne szkolenia raz w miesiącu i uzyskać dobrą dokładność przewidywań.
Wybierz Dalej.

Przegląd i uruchamianie konfiguracji modelu

W kroku Przejrzyj i uruchom przedstawiono podsumowanie konfiguracji i użytkownik może wprowadzić zmiany przed utworzeniem przewidywania.

Wybierz Edytuj na każdym z etapów, aby przejrzeć i wprowadzić ewentualne zmiany.
Jeśli wybór jest zadowalający, wybierz polecenie Zapisz i uruchom, aby rozpocząć uruchamianie modelu. Wybierz pozycję Gotowe. Podczas tworzenia przewidywanie jest wyświetlana karta Moje prognozy. Przeprowadzanie procesu może potrwać kilka godzin, w zależności od ilości danych użytych w przewidywaniu.

Napiwek

Zadania i procesy mają swoje stany. Większość procesów zależy od innych procesów nadrzędnych, takich jak źródła danych i odświeżenia profilowania danych.

Wybierz stan obok okienka Szczegóły postępu, aby wyświetlić postęp zadania. Aby anulować zadanie, wybierz opcję Anuluj zadanie w dolnej części okienka.

Pod każdym zadaniem możesz wybrać Zobacz szczegóły, aby uzyskać więcej informacji o postępie, takich jak czas przetwarzania, data ostatniego przetwarzania oraz wszystkie odpowiednie błędy i ostrzeżenia związane z zadaniem lub procesem. Wybierz Wyświetl stan systemu u dołu panelu, aby wyświetlić inne procesy w systemie.

Wyświetl wyniki przewidywania

Przejdź do opcji Szczegółowe informacje>Przewidywania.
Na karcie Moje przewidywania wybierz przewidywanie, które chcesz wyświetlić.

Na stronie wyników znajduje się pięć podstawowych sekcji danych.

Wydajność modelu: oceny A, B lub C wskazują wydajność prognozy i mogą pomóc w podjęciu decyzji o użyciu wyników przechowywanych w tabeli wyjściowej.

Oceny są określane na podstawie następujących reguł:
- A, gdy metryka „Powodzenie @ K” jest o co najmniej 10% większa niż plan bazowy.
- B, gdy metryka „Powodzenie @ K” jest 0% do 10% większa niż plan bazowy.
- C, gdy metryka „Powodzenie @ K” jest mniejsza niż plan bazowy.
- Plan bazowy: model bierze najczęściej polecane produkty według liczby zakupów wśród wszystkich klientów + wykorzystuje wyuczone reguły zidentyfikowane przez model = zestaw rekomendacji dla klientów. Prognozy są następnie porównywane do najlepszych produktów, obliczonych według liczby klientów, którzy zakupili ten produkt. Jeśli klient ma co najmniej jeden produkt w swoich polecanych produktach, który był również widoczny w najczęściej kupowanych produktach, jest on traktowany jako część linii bazowej. Na przykład gdyby było 10 z tych klientów, którzy zakupili zalecany produkt spośród 100 wszystkich klientów, wartość bazowa wyniosłaby 10%.
- Powodzenie @ K: tworzone są rekomendacje dla wszystkich klientów i porównywane z zestawem sprawdzania ważności za okres transakcji. Na przykład, w okresie 12 miesięcy, miesiąc 12 jest odłożony jako zbiór danych do walidacji. Jeśli model przewiduje co najmniej jedną rzecz, którą kupisz w 12 miesiącu, na podstawie tego, czego nauczył się w poprzednich 11 miesiącach, klient zwiększa wskaźnik „Powodzenie @ K”.
Większość sugerowanych produktów (z zestawieniem): pięć najlepszych produktów, które zostały przewidziane dla klientów.
Kluczowe czynniki rekomendacji: model korzysta z historii transakcji klientów w celu tworzenia rekomendacji produktów. Zawiera informacje o wzorcach opartych na wcześniejszych zakupach i znajduje podobieństwa między klientami a produktami. Te podobieństwa są następnie wykorzystywane do generowania rekomendacji produktów. Poniższe czynniki mogą mieć wpływ na rekomendacje produktu generowane przez model.
- Transakcje z przeszłości: zalecany produkt został oparty na wzorcach zakupu z przeszłości. Na przykład model może polecić Mysz Surface Arc, jeśli ktoś w ostatnim czasie kupił Książka Surface 3 i Długopis Surface. W modelu dowiedziono, że w przeszłości wielu klientów kupiło Surface Arc Mouse po zakupie Surface Book 3 and a Surface Pen.
- Podobieństwo klientów: polecany produkt był w przeszłości kupowany przez innych klientów, którzy wykazują podobne wzorce zakupów. Na przykład Janowi polecono Słuchawki Surface 2, ponieważ Joanna i Bartosz ostatnio kupili tablet Słuchawki Surface 2. Według modelu John jest podobny do Jennifer i Brada, ponieważ historycznie mają podobne wzorce zakupów.
- Podobieństwo produktu: zalecany produkt jest podobny do produktów zakupionych wcześniej przez klienta. Model uznaje dwa produkty za podobne, jeśli były one kupowane łącznie lub przez podobnych klientów. Na przykład ktoś otrzymuje rekomendację dotyczącą dysku pamięci USB, ponieważ wcześniej kupił przejściówkę USB-C na USB. Według modelu dysk USB jest podobny do przejściówki USB-C na USB na podstawie historycznych wzorców zakupów.
Jeden lub więcej z tych czynników wpływa na każdą rekomendację produktu. Wartość procentowa rekomendacji, w której każdy czynnik odegrał rolę, został zobrazowany za pomocą wykresu. W poniższym przykładzie na 100% rekomendacji zależy od przeszłych transakcji, 60% od podobieństwa klientów i 22% od podobieństwa produktów. Przesuń kursor nad słupki na wykresie, aby zobaczyć dokładny procent wpływu czynników.
Dane statystyczne: przegląd liczby transakcji, klientów i produktów, które model wziął pod uwagę. Jest to oparte na danych wejściowych używanych do nauczenia się wzorców i generowania rekomendacji produktów.

Model wykorzystuje wszystkie dostępne dane do uczenia się wzorców. Dlatego jeśli w konfiguracji modelu używane jest filtrowanie produktu, ta sekcja pokazuje łączną liczbę produktów przeanalizowanych w modelu w celu nauczenia się wzorców, która może się różnić od liczby produktów, które spełniają zdefiniowane kryteria filtrowania. Filtrowanie dotyczy danych wyjściowych wygenerowanych przez model.
Przykładowe rekomendacje dotyczące produktów: próbka zaleceń, które według modelu mogą zostać zakupione przez klienta. Po dodaniu katalogu produktów identyfikatory produktów są zastępowane nazwami produktów.