Preziceți recomandări de produse (previzualizare)

Articol
06/04/2024

[Acest articol este documentație de prelansare și poate suferi modificări.]

Modelul de recomandare a produsului creează seturi de recomandări predictive pentru produse. Recomandările se bazează pe comportamentul de cumpărare anterior și pe clienții cu modele de achiziție similare. Trebuie să aveți cunoștințe de afaceri despre diferitele tipuri de produse pentru afacerea dvs. și despre modul în care clienții dvs. interacționează cu acestea. Susținem recomandarea de produse pe care clienții dvs. le-au achiziționat anterior sau recomandări pentru produse noi.

Modelul de recomandare de produse vă ajută să:

Recomandați alte produse pentru a merge cu o achiziție
Contactați clienții cu produse de care ar putea fi interesați
Îmbunătățiți descoperirea cu alte produse și servicii relevante
Creați experiențe personalizate pentru clienți

Recomandările de produse pot fi supuse legilor și reglementărilor locale și așteptărilor clienților, pe care modelul nu este conceput pentru a le ține cont în mod special. Prin urmare, trebuie să examinați recomandările înainte de a le livra clienților dvs. pentru a vă asigura că respectați toate legile sau reglementările aplicabile și așteptările clienților pentru ceea ce ați putea recomanda.

Ieșirea acestui model oferă recomandări bazate pe ID-ul produsului. Mecanismul dvs. de livrare trebuie să mapați ID-urile de produs prezise la conținut adecvat pentru ca clienții dvs. să țină cont de localizare, conținut de imagine și alt conținut sau comportament specific companiei.

De exemplu, Contoso dorește să-și crească veniturile personalizând paginile web pentru a afișa mai multe produse și servicii pe care clienții le-ar putea bucura. Aceștia pot crea recomandări de produse specifice clienților din modelul de recomandare de produse și pot transmite datele site-ului lor. Contoso este capabil să-și vândă clienții încurajându-i să vadă produse și servicii similare cu cele pe care le-au achiziționat anterior, crescând veniturile.

Sfat

Încercați recomandarea de produs predicție folosind date de exemplu: Recomandarea produsului predicție ghid de exemplu.

Important

Aceasta este o caracteristică de previzualizare.
Caracteristicile în regim de previzualizare nu sunt destinate utilizării în producție și pot avea funcționalități restricționate. Aceste caracteristici sunt disponibile înainte de lansarea oficială, astfel încât clienții să poată obține acces din timp și să poată oferi feedback.

Cerințe preliminare

Cel puțin permisiuni de colaborator
Cel puțin 1.000 de profiluri de clienți în fereastra predicție dorită
Identificator client, un identificator unic pentru a corela tranzacțiile la un client individual
Cel puțin un an de date tranzacționale, de preferință doi până la trei ani pentru a include o anumită sezonalitate. În mod ideal, cel puțin trei sau mai multe tranzacții pentru fiecare ID de client. Istoricul tranzacțiilor trebuie să includă:
- ID tranzacție: identificatorul unic al unei achiziții sau tranzacții.
- Data tranzacției: Data achiziției sau tranzacției.
- Valoarea tranzacției: valoarea numerică a achiziției sau tranzacției.
- ID unic de produs: ID-ul produsului sau serviciului achiziționat dacă datele dvs. se află la nivel de element rând.
- Cumpărare sau returnare: o valoare booleană adevărat/fals în care true identifică faptul că o tranzacție a fost o returnare. Dacă datele privind achiziția sau returnarea nu sunt furnizate în model și Valoarea tranzacției este negativă, deducem o retur.
Un tabel cu date de catalog de produse pentru a fi folosit ca filtru de produs.

Notă

Modelul necesită istoricul tranzacțiilor clienților dvs., unde tranzacția este orice date care descriu o interacțiune utilizator-produs. De exemplu, achiziționarea unui produs, participarea la un curs sau participarea la un eveniment.
Poate fi configurat un singur tabel cu istoricul tranzacțiilor. Dacă există mai multe tabele de achiziții, combinați-le în Power Query înainte de asimilarea datelor.
Dacă comanda și detaliile comenzii sunt tabele diferite, alăturați-le înainte de a le utiliza în model. Modelul nu funcționează doar cu un ID de comandă sau un ID de chitanță într-un tabel.

Creați o predicție de recomandare de produs

Selectați Salvare nefinalizată oricand pentru a salva predicție ca schiță. Schița predicție este afișată în fila Predicțiile mele .

Accesați Informații>Predicții.
În fila Creați , selectați Utilizați modelul din Recomandări de produse (previzualizare) tigla.
Selectați Începeți.
Denumiți acest model și Numele tabelului de ieșire pentru a le distinge de alte modele sau tabele.
Selectați Următorul.

Definiți preferințele de recomandare a produselor

Setați Numărul de produse pentru a le recomanda unui client. Această valoare depinde de modul în care metoda dvs. de livrare umple datele.
Alegeți dacă doriți să includeți produsele pe care clienții le-au achiziționat anterior în câmpul Achiziții repetate așteptate .
Setați Fereastra de privire înapoi cu intervalul de timp pe care modelul ia în considerare înainte de a recomanda din nou produsul utilizatorului. De exemplu, indicați că un client achiziționează un laptop la fiecare doi ani. Modelul se uită la istoricul achizițiilor din ultimii doi ani, iar dacă găsește un articol, articolul este filtrat din recomandări.
Selectați Următorul

Adăugați istoricul achizițiilor

Selectați Adăugați date pentru Istoricul tranzacțiilor clientului.
Selectați tipul de activitate semantică SalesOrderLine care conține informațiile necesare despre tranzacții sau despre istoricul achizițiilor. Dacă activitatea nu este configurată, selectați aici și creați-o.
Sub Activități, dacă atributele activității au fost mapate semantic atunci când activitatea a fost creată, alegeți atributele specifice sau tabelul pe care doriți să se concentreze calculul. Dacă maparea semantică nu a avut loc, selectați Editați și mapați datele.
Selectați Înainte și examinați atributele necesare pentru acest model.
Selectați Salvați.
Selectați Următorul.

Adăugați informații despre produse și filtre

Uneori, numai anumite produse sunt benefice sau adecvate pentru tipul de predicție pe care îl construiți. Utilizați filtre de produse pentru a identifica un subset de produse cu caracteristici specifice pe care să le recomandați clienților dvs. Modelul folosește toate produsele disponibile pentru a învăța modele, dar folosește numai produsele care se potrivesc cu filtrul de produs în rezultatul său.

Adăugați tabelul de catalog de produse care conține informații pentru fiecare produs. Hartați informațiile necesare și selectați Salvați.
Selectați Următorul.
Selectați Filtre de produs:
- Fără filtre: utilizați toate produsele din recomandarea de produse predicție.
- Definiți filtre de produse specifice: utilizați anumite produse în recomandarea de produse predicție. În panoul Atribute catalog de produse , selectați atributele din tabelul catalogului de produse pe care doriți să le includeți în filtru.
Alegeți dacă doriți ca filtrul de produs să fie utilizat și sau sau pentru a combina în mod logic selecția dvs. de atribute din catalogul de produse.
Selectați Următorul.

Configurați planificarea actualizărilor

Alegeți o frecvență pentru a vă reanaliza modelul. Această setare este importantă pentru a actualiza precizia predicțiilor pe măsură ce sunt ingerate date noi. Majoritatea firmelor pot reinstrui o dată pe lună și pot obține o precizie bună pentru predicția lor.
Selectați Următorul.

Examinați și rulați configurația modelului

Pasul Examinare și rulare afișează un rezumat al configurației și oferă șansa de a face modificări înainte de a crea predicție.

Selectați Editați pentru oricare dintre pașii pentru a examina și a face modificări.
Dacă sunteți mulțumit de selecțiile dvs., selectați Salvați și rulați pentru a începe rularea modelului. Selectați Terminat. Fila Predicțiile mele se afișează în timpul creării predicție. Procesul poate dura câteva ore, în funcție de cantitatea de date utilizată în predicție.

Sfat

Există stări pentru sarcini și procese. Majoritatea proceselor depind de alte procese din amonte, cum ar fi sursele de date și profilarea datelor reîmprospătările.

Selectați starea pentru a deschide panoul Detalii progres și vizualizați progresul sarcinilor. Pentru a anula lucrarea, selectați Anulare lucrare în partea de jos a panoului.

Sub fiecare sarcină, puteți selecta Vedeți detalii pentru mai multe informații despre progres, cum ar fi timpul de procesare, data ultimei procesări și orice erori și avertismente aplicabile asociate sarcinii sau procesului. . Selectați Vizualizați starea sistemului din partea de jos a panoului pentru a vedea alte procese din sistem.

Vedeți rezultatele predicție

Accesați Informații>Predicții.
În fila Predicțiile mele , selectați predicție pe care doriți să îl vizualizați.

Există cinci secțiuni principale de date în pagina de rezultate.

Performanta modelului: Notele A, B sau C indică performanța predicție și vă pot ajuta să luați decizia de a utiliza rezultatele stocate în tabelul de ieșire.

Nivelurile sunt stabilite pe baza următoarelor reguli:
- A când valoarea „Succes @ K” este cu cel puțin 10% mai mare decât valoarea de referință.
- B când valoarea „Succes @ K” este cu 0% până la 10% mai mare decât valoarea de bază.
- C când valoarea „Succes @ K” este mai mică decât valoarea de bază.
- Linie de referință: cele mai recomandate produse în funcție de achiziție, numărul tuturor clienților + regulile învățate identificate de model = un set de recomandări pentru clienți. Predicțiile sunt apoi comparate cu produsele de top, calculate de numărul de clienți care au achiziționat produsul. Dacă un client are cel puțin un produs recomandat în produsele sale, care a fost văzut și în produsele cumpărate de top, acesta este considerat o parte a liniei de bază. De exemplu, dacă 10 dintre acești clienți au achiziționat un produs recomandat din totalul de 100 de clienți, valoarea de bază este de 10%.
- Succes @ K: Recomandările sunt create pentru toți clienții și comparate cu setul de validare al perioadei de timp a tranzacțiilor. De exemplu, într-o perioadă de 12 luni, luna 12 este pusă deoparte ca set de date de validare. Dacă modelul prezice cel puțin un lucru pe care l-ați cumpăra în luna 12 pe baza a ceea ce a învățat din ultimele 11 luni, clientul crește valoarea „Succes @ K”.
Cele mai sugerate produse (cu număr): Primele cinci produse care au fost prezise pentru clienții dvs.
Factori cheie de recomandare: Modelul folosește istoricul tranzacțiilor clienților pentru a face recomandări de produse. Învață modele bazate pe achiziții anterioare și găsește similitudini între clienți și produse. Aceste asemănări sunt apoi utilizate pentru a genera recomandări de produse. Următorii factori ar putea influența o recomandare de produs generată de model.
- Tranzacții anterioare: un produs recomandat s-a bazat pe modele de achiziție anterioare. De exemplu, modelul poate recomanda un Surface Arc Mouse dacă cineva a achiziționat recent un Surface Book 3 și un Pen pentru suprafață. Modelul a aflat că, din punct de vedere istoric, mulți clienți au achiziționat un Surface Arc Mouse după achiziționarea unui Surface Book 3 și a Pen pentru suprafață.
- Asemănarea clienților: un produs recomandat este achiziționat din trecut de alți clienți care prezintă modele de achiziție similare. De exemplu, lui John i s-a recomandat Surface Headphones 2 deoarece Jennifer și Brad au achiziționat recent Surface Headphones 2. Modelul crede că John este asemănător cu Jennifer și Brad, deoarece în trecut au modele de cumpărare similare.
- Asemănarea produsului: un produs recomandat este similar cu alte produse pe care clientul le-a achiziționat anterior. Modelul consideră că două produse sunt similare dacă au fost cumpărate împreună sau de către clienți similari. De exemplu, cineva primește o recomandare pentru o Unitate de stocare USB deoarece a achiziționat anterior un Adaptor USB-C la USB. Modelul consideră că Unitatea de stocare USB este similară cu Adaptorul USB-C la USB pe baza modelelor de achiziție istorice.
Unul sau mai mulți dintre acești factori influențează fiecare recomandare de produs. Procentul recomandărilor în care fiecare factor de influență a jucat un rol este vizualizat într-un grafic. În exemplul următor, 100% dintre recomandări sunt influențate de tranzacțiile anterioare, 60% de asemănarea clienților și 22% de similaritatea produsului. Plasați cursorul peste barele din grafic pentru a vedea procentajul exact la care au contribuit factorii de influență.
Statistici de date: o prezentare generală a numărului de tranzacții, clienți și produse pe care modelul le-a luat în considerare. Se bazează pe datele de intrare care au fost utilizate pentru a învăța tiparele și a genera recomandări de produse.

Modelul folosește toate datele disponibile pentru a învăța modele. Prin urmare, dacă utilizați filtrarea produselor în configurația modelului, această secțiune arată numărul total de produse pe care modelul le-a analizat pentru a afla modele, care ar putea diferi de numărul de produse care corespund criteriilor de filtrare definite. Filtrarea se aplică pe rezultatul generat de model.
Exemplu de recomandări de produse: Un eșantion de recomandări despre care modelul consideră că ar putea fi achiziționate de către client. Dacă se adaugă un catalog de produse, ID-urile produselor sunt înlocuite cu nume de produse.