Prever recomendações de produtos (pré-visualização)

Artigo
01/30/2024

[Este artigo é uma documentação de pré-lançamento e está sujeito a alterações.]

O modelo de recomendação de produtos cria conjuntos de recomendações de produtos preditivas. As recomendações baseiam-se em comportamentos de compra anteriores e clientes com padrões de compra semelhantes. Tem de ter conhecimento do negócio sobre os diferentes tipos de produtos para o seu negócio e como os seus clientes interagem com eles. Suportamos a recomendação de produtos que os seus cliente tenham comprado anteriormente ou recomendações para novos produtos.

O modelo de recomendação de produtos ajuda-o a:

Recomendar outros produtos para acompanhar a compra
Contactar clientes com produtos em que possam estar interessados
Melhorar a deteção com outros produtos e serviços relevantes
Criar experiências de cliente personalizadas

As recomendações de produto podem estar sujeitas às leis e regulamentos locais e às expetativas dos clientes, o que o modelo não foi criado para ter especificamente em conta. Portanto, tem de rever as recomendações antes de as entregar aos seus clientes para garantir que está em conformidade com quaisquer leis ou regulamentos aplicáveis e expetativas de clientes para o que possa recomendar.

A saída deste modelo fornece recomendações com base no ID do produto. O seu mecanismo de entrega tem de mapear os IDs de produto previstos para o conteúdo apropriado para que os seus clientes tenham em conta a localização, conteúdo de imagem e outros conteúdos ou comportamentos específicos do negócio.

Por exemplo, a Contoso pretende aumentar a receita através da personalização de páginas Web para mostrar mais produtos e serviços que os clientes poderão gostar. Podem criar recomendações de produto específicas do cliente a partir do modelo de recomendação de produtos e alimentar os dados no respetivo site. A Contoso é capaz de vender mais aos clientes ao encorajá-los a ver produtos e serviços semelhantes aos que compraram antes, aumentando as receitas.

Sugestão

Experimente a predição de produtos recomendados utilizando dados de amostra: Guia de amostra de predição de recomendações de produtos.

Importante

Esta é uma caraterística de pré-visualização.
As funcionalidades de pré-visualização não se destinam à produção e poderão ter funcionalidades restritas. Estas caraterísticas estão disponíveis antes do lançamento oficial, para que os clientes possam ter acesso antecipadamente e enviar comentários.

Pré-requisitos

Pelo menos, permissões de Contribuidor
Pelo menos 1000 perfis de cliente na janela de predição pretendida
Identificador de Cliente: um identificador exclusivo para combinar transações com um cliente individual
Pelo menos, um ano de dados transacionais, de preferência de dois a três anos para incluir alguma sazonalidade. Idealmente, pelo menos, três ou mais transações por ID de Cliente. O histórico de transações tem de incluir:
- ID da Transação: identificador exclusivo de uma compra ou transação.
- Data da transação: data da compra ou transação.
- Valor da transação: valor numérico da compra ou transação.
- ID exclusivo do produto:: ID do produto ou serviço comprado se os seus dados estiverem a um nível de item de linha.
- Compra ou devolução: um campo booleano true/false onde true identifica que uma transação foi uma devolução. Se os dados de Compra ou Devolução não forem fornecidos no modelo e o Valor da transação for negativo, inferimos uma devolução.
Uma tabela de dados do catálogo de produtos a utilizar como um filtro de produto.

Nota

O modelo necessita do histórico de transações dos clientes, em que a transação é quaisquer dados que descrevam uma interação utilizador-produto. Por exemplo, comprar um produto, ter uma aula ou assistir a um evento.
Apenas uma tabela de histórico de transações pode ser configurada. Se existirem várias tabelas de compra, combine-as no Power Query antes da ingestão de dados.
Se a encomenda e os detalhes da encomenda forem tabelas diferentes, una-as antes de usar no modelo. O modelo não funciona apenas com um ID de encomenda ou ID de recibo numa tabela.

Criar uma predição de recomendação de produtos

Selecione Guardar rascunho a qualquer momento para guardar a predição como rascunho. A predição de rascunho é apresentada no separador A minhas predições.

Aceda a Informações>Predições.
No separador Criar, selecione Utilizar modelo no mosaico Recomendações de produtos (pré-visualização).
Selecione Introdução.
Nomeie este modelo e o Nome da tabela de saída para distingui-los de outros modelos ou entidades.
Selecione Seguinte.

Definir as preferências de recomendações de produtos

Defina o Número de produtos a recomendar a um cliente. Este valor depende de como o seu método de entrega preenche os dados.
Escolha se pretende incluir produtos que os clientes compraram anteriormente no campo Compras repetidas esperadas.
Defina Janela Relembrar com o período de tempo que o modelo considera antes de recomendar o produto ao utilizador novamente. Por exemplo, indica que um cliente compra um portátil de dois em dois anos. O modelo olha para o histórico de compras dos últimos dois anos e, se encontrar um item, o item é filtrado das recomendações.
Selecione Seguinte

Adicionar histórico de compras

Selecione Adicionar dados para Histórico de transações do cliente.
Selecione o tipo de atividade semântica SalesOrderLine que contém as informações de histórico de transações ou de compra necessárias. Se a atividade não estiver configurada, selecione aqui e crie-a.
Em Atividades, se os atributos de atividade foram mapeados semanticamente quando a atividade foi criada, escolha os atributos ou a tabela específicos em que gostaria que o cálculo se focasse. Se não tiver ocorrido mapeamento semântico, selecione Editar e mapeie os dados.
Selecione Seguinte e reveja os atributos necessários para este modelo.
Selecione Guardar.
Selecione Seguinte.

Adicionar informações de produtos e filtros

Por vezes, apenas determinados produtos são benéficos ou adequados para o tipo de predição que cria. Utilize filtros de produtos para identificar um subconjunto de produtos com características específicas a recomendar aos seus clientes. O modelo utiliza todos os produtos disponíveis para aprender padrões, mas utilizará apenas os produtos correspondentes ao filtro do produto na sua saída.

Adicione a tabela do catálogo de produtos que contém as informações para cada produto. Mapeie as informações necessárias e selecione Guardar.
Selecione Seguinte.
Selecione Filtros de produto:
- Sem filtros: utilize todos os produtos na predição de recomendação de produtos.
- Definir filtros específicos de produtos: utilize produtos específicos na predição de recomendação de produtos. No painel Atributos do catálogo de produtos, selecione os atributos da tabela do catálogo de produtos que pretende incluir no filtro.
Escolha se deseja que o filtro de produtos use conectores and ou or para combinar logicamente a sua seleção de atributos do catálogo de produtos.
Selecione Seguinte.

Definir agenda de atualização

Escolha uma frequência para reeducar o modelo. Esta definição é importante para atualizar a exatidão das predições à medida que novos dados são ingeridos. A maioria das empresas pode reeducar uma vez por mês e obter uma boa precisão para a sua previsão.
Selecione Seguinte.

Rever e executar a configuração do modelo

O passo Rever e executar mostra um resumo da configuração e fornece uma oportunidade de efetuar alterações antes de criar a predição.

Selecione Editar em qualquer um dos passos para rever e efetuar quaisquer alterações.
Se estiver satisfeito com as seleções, selecione Guardar e executar para começar a executar o modelo. Selecionar Concluído. O separador As minhas predições é apresentado enquanto a predição está a ser criada. O processo pode demorar várias horas a ser concluído dependendo da quantidade de dados utilizados na previsão.

Sugestão

Existem estados para tarefas e processos. A maioria dos processos depende de outros processos de origem, tais como origens de dados e atualizações da criação de perfis de dados.

Selecione o estado para abrir o painel Detalhes do progresso e ver o progresso das tarefas. Para cancelar a tarefa, selecione Cancelar tarefa na parte inferior do painel.

Em cada tarefa, pode selecionar Ver detalhes para obter mais informações sobre o progresso, tais como o tempo de processamento, a data do último processamento, e quaisquer erros e avisos aplicáveis associados à tarefa ou ao processo. Selecione Ver estado do sistema na parte inferior do painel para ver outros processos no sistema.

Ver resultados da predição

Aceda a Informações>Predições.
No separador As minhas predições, selecione a predição que pretende ver.

Existem cinco secções primárias de dados dentro da página de resultados.

Desempenho do modelo: as notas A, B e C indicam o desempenho da predição e podem ajudá-lo a tomar a decisão de utilizar os resultados armazenados na tabela de saída.

Os níveis são determinados com base nas seguintes regras:
- A quando a métrica "Êxito @ K" é, pelo menos, 10% maior que a linha de base.
- B quando a métrica "Êxito @ K" é de 0% a 10% maior que a linha de base.
- C quando a métrica "Êxito @ K" é menor que a linha de base.
- Linha de base: os produtos mais recomendados pela contagem de compras entre todos os clientes + as regras aprendidas identificadas pelo modelo = um conjunto de recomendações para os clientes. As predições são então comparadas com os produtos principais, como calculado pelo número de clientes que compraram o produto. Se um cliente tiver, pelo menos, um produto nos seus produtos recomendados que também foi visto nos principais produtos comprados, são considerados uma parte da linha de base. Por exemplo, se 10 destes clientes tivessem um produto recomendado comprado de 100 clientes totais, a linha de base seria 10%.
- Êxito @ K: são criadas recomendações para todos os clientes e comparadas com o conjunto de validação do período de tempo de transações. Por exemplo, num período de 12 meses, o mês 12 é reservado como um conjunto de validação de dados. Se o modelo prevê, pelo menos, uma coisa que compraria no mês 12 com base no que aprendeu com os 11 meses anteriores, o cliente aumenta a métrica "Sucesso @ K".
Produtos mais sugeridos (com contagem): os cinco principais produtos que foram previstos para os seus clientes.
Principais fatores de recomendação: o modelo utiliza o histórico de transações dos clientes para fazer recomendações de produtos. Aprende padrões com base em compras anteriores e encontra semelhanças entre clientes e produtos. Estas semelhanças são então utilizadas para gerar recomendações de produtos. Os fatores que se seguem podem influenciar uma recomendação de produtos gerada pelo modelo.
- Transações anteriores: um produto recomendado baseou-se em padrões de compra anteriores. Por exemplo, o modelo pode recomendar um Surface Arc Mouse se alguém comprou recentemente um Surface Book 3 e uma Caneta para Surface. O modelo aprendeu que, historicamente, muitos clientes compraram um Surface Arc Mouse depois de comprarem um Surface Book 3 e uma Caneta para Surface.
- Semelhança de clientes: um produto recomendado foi historicamente comprado por outros clientes que apresentam padrões de compra semelhantes. Por exemplo, John foi recomendado o Auscultadores Surface 2 porque Lara e Brad compraram recentemente Auscultadores Surface 2. O modelo acredita que John é semelhante a Lara e a Brad porque historicamente têm padrões de compra semelhantes.
- Semelhança de produtos: um produto recomendado é semelhante a outros produtos que o cliente comprou anteriormente. O modelo considera que dois produtos são semelhantes se forem comprados juntos ou por clientes semelhantes. Por exemplo, alguém recebe uma recomendação para uma Unidade de Armazenamento USB porque comprou anteriormente um Adaptador USB-C para USB. O modelo acredita que a Unidade de Armazenamento USB é semelhante ao Adaptador USB-C para USB com base em padrões históricos de compra.
Um ou mais destes fatores influencia todas as recomendações de produto. A percentagem de recomendações em que cada fator influenciador desempenhou um papel é visualizada num gráfico. No exemplo seguinte, 100% das recomendações são influenciadas por transações passadas, 60% pela semelhança de clientes e 22% pela semelhança de produtos. Paire sobre as barras no gráfico para ver a percentagem exata onde os fatores influenciadores contribuíram.
Estatísticas de dados: uma descrição geral do número de transações, clientes e produtos considerados pelo modelo. Baseia-se nos dados de entrada que foram usados para aprender padrões e gerar recomendações de produtos.

O modelo utiliza todos os dados disponíveis para aprender padrões. Portanto, se utilizar a filtragem de produtos na configuração do modelo, esta secção mostra o número total de produtos que o modelo analisou para aprender padrões, o que pode diferir do número de produtos que correspondem aos critérios de filtragem definidos. A filtragem aplica-se às saídas geradas pelo modelo.
Recomendações de produtos de amostra: uma amostra de recomendações que o modelo acredita serem suscetíveis de serem adquiridas pelo cliente. Se for adicionado um catálogo de produtos, os IDs de produtos são substituídos por nomes de produtos.