Прогноз рекомендации продуктов (предварительная версия)

Статья
01/12/2024

[Данная статья посвящена предварительному выпуску и может быть изменена.]

Модель рекомендаций продуктов создает наборы прогнозных рекомендаций по продуктам. Рекомендации основаны на предыдущем покупательском поведении и на покупателях с похожими моделями покупок. У вас должны быть бизнес-знания о различных типах продуктов для вашего бизнеса и то, как ваши клиенты взаимодействуют с ними. Мы поддерживаем рекомендации продуктов, которые ваши клиенты ранее приобрели, или рекомендации по новым продуктам.

Модель рекомендаций товаров позволяет:

Рекомендовать другие товары при покупке
Обращаться к клиентам с товарами, которые могут их заинтересовать
Улучшить обнаружение с помощью других соответствующих товаров и услуг
Персонализировать взаимодействие с клиентами

Рекомендации по продуктам могут регулироваться местными законами и постановлениями, а также ожиданиями клиентов, которые модель специально не учитывает. Таким образом, вы должны ознакомиться с рекомендациями, прежде чем передавать их своим клиентам, чтобы убедиться, что вы соблюдаете все действующие законы или постановления, а также удовлетворяете ожиданиям клиентов в отношении того, что вы можете порекомендовать.

Результаты этой модели предоставят рекомендации на основе артикула. Вашему механизму доставки необходимо сопоставить прогнозируемые идентификаторы продуктов с соответствующим контентом для ваших клиентов, чтобы учесть локализацию, контент изображений и другой бизнес-контент или поведение.

Например, компания Contoso хочет увеличить свой доход, настраивая веб-страницы так, чтобы отображать больше продуктов и услуг, которые могут понравиться клиентам. Они могут создавать рекомендации по продуктам для конкретных клиентов на основе модели рекомендаций по продуктам и передавать данные на свой сайт. Contoso может повышать продажи своим клиентам, побуждая их просматривать продукты и услуги, аналогичные тем, которые они приобретали раньше, увеличивая доход.

Совет

Попробуйте прогноз рекомендаций продуктов, используя примеры данных: Пример руководства по прогнозу рекомендаций продуктов.

Внимание

Это предварительная версия функции.
Предварительные версии функций не предназначены для использования в производственной среде, а их функциональность может быть ограничена. Они доступны перед официальным выпуском, чтобы клиенты могли досрочно получить доступ и предоставить отзывы.

Необходимые условия

По крайней мере Разрешения участника
Не менее 1000 профилей клиентов в желаемом окне прогнозирования
Идентификатор клиента, уникальный идентификатор для сопоставления транзакций с отдельным клиентом
Данные о транзакциях по крайней мере за один год, предпочтительно за два-три года с учетом сезонности. В идеале не менее трех или более транзакций на один идентификатор клиента. История транзакций должна включать:
- Идентификатор транзакции: уникальный идентификатор покупки или транзакции.
- Дата транзакции: дата покупки или транзакции.
- Ценность транзакции: числовое значение покупки или транзакции.
- Уникальный код продукта: идентификатор приобретенного продукта или услуги, если ваши данные находятся на уровне позиции.
- Покупка или возврат: логическое значение true/false, где значение true указывает, что транзакция была возвратом. Если данные о покупке или возврате не предоставлены в модели и Сумма проводки отрицательная, мы делаем вывод о возврате.
Таблица данных каталога продуктов для использования в качестве фильтра продуктов.

Заметка

Модель требует истории транзакций ваших клиентов, где транзакция — это любые данные, описывающие взаимодействие пользователя с продуктом. Например, покупка продукта, посещение урока или мероприятия.
Можно настроить только одну таблицу истории транзакций. Если есть несколько таблиц покупки, объедините их в Power Query до приема данных.
Если заказ и детали заказа являются разными таблицами, объедините их перед использованием в модели. Модель не работает только с идентификатором заказа или идентификатором квитанции в таблице.

Создание прогноза рекомендации продуктов

Выберите Сохранить черновик в любое время, чтобы сохранить прогноз как черновик. Черновик прогноза отображается на вкладке Мои прогнозы.

Перейдите в Аналитика>Прогнозы.
На вкладке Создать выберите Использовать модель на плитке Рекомендации продуктов (предварительная версия).
Выберите Приступая к работе.
Назовите эту модель и присвойте Имя таблицы выходных данных, чтобы отличить их от других моделей или таблиц.
Выберите Далее.

Определение предпочтений рекомендаций продукта

Задайте Количество продуктов, рекомендуемых клиенту. Это значение зависит от того, как ваш метод доставки заполняет данные.
Выберите, хотите ли вы включить продукты, которые клиенты ранее приобрели, в поле Ожидаются повторные покупки.
Задайте для параметра Окно ретроспективного обзора интервал времени, который модель учитывает, прежде чем снова рекомендовать продукт пользователю. Например, укажите, что клиент покупает ноутбук каждые два года. Модель просматривает историю покупок за последние два года, и она находит товар, он будет отфильтрован из рекомендаций.
Выберите Далее

Добавьте историю покупок

Выберите Добавить данные для История транзакций клиентов.
Выберите семантический тип действия SalesOrderLine, который содержит необходимую информацию о транзакции или истории покупок. Если действие не настроено, выберите здесь и создайте его.
В разделе Действия, если атрибуты действия были семантически сопоставлены при создании действия, выберите конкретные атрибуты или таблицу, на которых вы хотите сосредоточиться при вычислении. Если семантическое сопоставление не произошло, выберите Изменить и сопоставьте свои данные.
Выберите Далее и просмотрите атрибуты, необходимые для этой модели.
Выберите Сохранить.
Выберите Далее.

Добавление сведений о продуктах и фильтров

Иногда только определенные продукты полезны или подходят для типа прогноза, который вы создаете. Используйте фильтры продуктов, чтобы идентифицировать подмножество продуктов с конкретными характеристиками, чтобы рекомендовать их своим клиентам. Модель использует все доступные продукты для изучения шаблонов, но в выводе будут использоваться только продукты, соответствующие фильтру продуктов.

Добавьте таблицу каталога продуктов, которая содержит информацию о каждом продукте. Сопоставьте необходимую информацию и выберите Сохранить.
Выберите Далее.
Выберите Фильтры продуктов:
- Без фильтров: использовать все продукты, указанные в прогнозе рекомендаций продуктов.
- Определите фильтры определенных товаров: используйте определенные товары в прогнозе рекомендаций по продуктам. В области Атрибуты каталога товаров выберите атрибуты из вашей таблицы каталога товаров, которую вы хотите включить в фильтр.
Выберите, хотите ли вы, чтобы фильтр продуктов использовал и или или для логического объединения выбранных вами атрибутов из каталога продуктов.
Выберите Далее.

Настройка расписания обновлений

Выберите частоту для повторного обучения вашей модели. Этот параметр важен для обновления точности прогнозов по мере добавления новых данных. Большинство предприятий могут проходить повторного обучения один раз в месяц и получать точные прогнозы.
Выберите Далее.

Просмотрите и выполните конфигурацию модели

Шаг Просмотреть и выполнить показывает сводку конфигурации и дает возможность внести изменения перед созданием прогноза.

Выберите Изменить на любом из шагов для проверки и внесения любых изменений.
Если вы удовлетворены своим выбором, выберите Сохранить и выполнить, чтобы начать работу с моделью. Нажмите кнопку Готово. Вкладка Мои прогнозы отображается во время создания прогноза. Процесс может занять несколько часов в зависимости от объема данных, используемых в прогнозе.

Совет

Есть состояния для задач и процессов. Большинство процессов зависят от других вышестоящих процессов, таких как источники данных и обновления профилирования данных.

Выберите статус, чтобы открыть панель Сведения о ходе выполнения и просмотреть ход выполнения задач. Чтобы отменить задание, выберите Отменить задание в нижней части панели.

В каждой задаче можно выбрать Показать подробности для получения дополнительной информации о ходе выполнения, такой как время обработки, дата последней обработки, а также любые применимые ошибки и предупреждения, связанные с задачей или процессом. Выберите Просмотр состояния системы внизу панели, чтобы увидеть другие процессы в системе.

Просмотр результатов прогноза

Перейдите в Аналитика>Прогнозы.
На вкладке Мои прогнозы выберите прогноз, который хотите просмотреть.

На странице результатов есть пять основных разделов данных.

Эффективность модели: оценки A, B или C указывают на эффективность прогноза и могут помочь вам принять решение об использовании результатов, хранящихся в выходной таблице.

Оценки устанавливаются на основании следующих правил:
- А, когда метрика «Успех @ K» как минимум на 10% больше базовой.
- B когда метрика «Успех @ K» больше базовой от 0 до 10%.
- C, когда метрика «Успех @ K» меньше базовой.
- Базовый уровень: самые рекомендуемые продукты по количеству покупок для всех клиентов + изученные правила, определенные моделью = набор рекомендаций для клиентов. Затем прогнозы сравниваются с лучшими продуктами, рассчитанными по количеству клиентов, купивших продукт. Если у клиента есть хотя бы один продукт в рекомендованных им продуктах, который также был замечен в самых покупаемых продуктах, они считаются частью базового уровня. Например, если 10 таких клиентов купили рекомендуемый продукт из 100 всех клиентов, базовый уровень равен 10%.
- Успех @ K: рекомендации создаются для всех клиентов и сравниваются с набором проверок периода времени транзакций. Например, в 12-месячный период 12-й месяц выделяется как набор данных для проверки. Если модель предсказывает хотя бы один товар, который вы купили бы в течение 12 месяцев, основываясь на том, что она узнала за предыдущие 11 месяцев, клиент увеличивает показатель «Успех @ K».
Самые рекомендуемые продукты (с этикеткой): пять лучших продуктов, которые были спрогнозированы для ваших клиентов.
Ключевые факторы для рекомендаций: модель использует историю транзакций клиентов, чтобы давать рекомендации по продуктам. Она изучает схемы, основанные на прошлых покупках, и находит сходство между покупателями и продуктами. Эти сходства затем используются для выработки рекомендаций по продуктам. Ниже приведены факторы, которые могут повлиять на рекомендацию продукта, выработанную моделью.
- Прошлые транзакции: рекомендуемый продукт был основан на прошлых моделях покупок. Например, модель может порекомендовать Мышь Surface Arc Mouse, если кто-то недавно купил Surface Book 3 и Surface Pen. Модель узнала, что исторически многие клиенты покупали мышь Surface Arc Mouse после покупки Surface Book 3 и Surface Pen.
- Сходство клиентов: рекомендованный продукт исторически приобретается другими покупателями, у которых были похожие модели покупок. Например, Джону были рекомендованы наушники Surface Headphones 2, потому что Дженнифер и Брэд недавно купили наушники Surface Headphones 2. Модель считает, что Джон похож на Дженнифер и Брэда, потому что у них исторически были похожие модели покупок.
- Сходство товаров: рекомендуемый продукт аналогичен другим продуктам, приобретенным клиентом ранее. Модель считает два продукта похожими, если они были куплены вместе или похожими покупателями. Например, кто-то получает рекомендацию USB-накопителя, поскольку ранее он приобрел адаптер типа USB-C — USB. Модель полагает, что USB-накопитель похож на адаптер USB-C — USB на основе исторических моделей покупок.
На каждую рекомендацию по товару влияет один или несколько из этих факторов. Процент рекомендаций, в которых каждый влияющий фактор сыграл роль, отображается на диаграмме. В следующем примере на 100% рекомендаций повлияли прошлые транзакции, на 60% — схожесть клиентов и на 22% — схожесть товаров. Наведите указатель мыши на столбцы на диаграмме, чтобы увидеть точный процент влияния влияющих факторов.
Статистика данных: обзор количества транзакций, клиентов и продуктов, рассматриваемых в модели. Он основан на входных данных, которые использовались для изучения шаблонов и выработки рекомендаций по продуктам.

Модель использует все доступные данные для изучения закономерностей. Поэтому, если вы используете фильтрацию продуктов в конфигурации модели, в этом разделе показано общее количество продуктов, проанализированных моделью для изучения закономерностей, что может отличаться от количества продуктов, соответствующих определенным критериям фильтрации. Фильтрация применяется к выходным данным, сгенерированным моделью.
Примеры рекомендаций по продуктам: пример рекомендаций, которые, по мнению модели, вероятно, будут приобретены клиентом. Если добавлен каталог продуктов, идентификаторы продуктов заменяются названиями продуктов.