Förutsägelse av produktrekommendationer (förhandsversion)

Artikel
01/31/2024

[Denna artikel är en förhandsversion av dokumentationen och kan komma att ändras.]

Med produktrekommendationsmodellen skapas uppsättningar med förutsägelse av produktrekommendationer. Rekommendationer baseras på tidigare köpbeteende och kunder med liknande köpmönster. Du måste ha affärskunskap för att förstå olika typer av produkter för ditt företag och hur kunderna interagerar med dem. Vi ger stöd åt att rekommendera produkter som tidigare köpts av dina kunder eller rekommendationer för nya produkter.

Produktrekommendationsmodellen hjälper dig att:

Rekommendera andra produkter att följa med ett köp
Kontakta kunder med produkter de kan vara intresserade av
Förbättra upptäckten av andra relevanta produkter och tjänster
Skapa anpassade kundupplevelser

Produktrekommendationer kan omfattas av lokala lagar och regler och kundförväntningar, som modellen inte är utformad för att specifikt ta hänsyn till. Därför måste du gå igenom rekommendationerna innan du levererar dem till dina kunder för att se till att du följer tillämpliga lagar och regler och kundförväntningar för vad du kan rekommendera.

Utdata från den här modellen ger rekommendationer baserat på produkt-ID. Leveransmekanismen måste mappa de befintliga produkt-ID:erna till rätt innehåll så att kunderna kan ta hänsyn till lokalisering, bildinnehåll och annat företagsspecifikt innehåll eller beteende.

Contoso vill till exempel öka sina intäkter genom att anpassa webbsidor för att visa fler produkter och tjänster som kunderna kan ha nytta av. De kan skapa kundspecifika produktrekommendationer utifrån produktrekommendationsmodellen och mata in data till webbplatsen. Contoso kan öka försäljningen av produkter och tjänster som liknar de som de har köpt tidigare ökar omsättningen.

Dricks

Testa förutsägelse av produktrekommendationer med exempeldata: Guide för förutsägelse av produktrekommendationer.

Viktigt!

Detta är en förhandsversion.
Förhandsversion ska inte användas i produktion, och funktionerna kan vara begränsade. Funktionerna är tillgängliga före den officiella publiceringen så att kunderna kan få tillgång tidigare och ge oss feedback.

Förutsättningar

Åtminstone deltagarbehörigheter
Minst 1 000 kundprofiler i det önskade prognosfönstret
Kundidentifierare, en unik identifierare som matchar transaktioner till en enskild kund
Minst ett års transaktionsdata, helst två till tre år för att få med viss giltighet. Helst minst tre eller fler transaktioner per kund-ID. Transaktionshistoriken måste innehålla:
- Transaktions-ID: En unik identifierare för ett inköp eller en transaktion.
- Transaktionsdatum: Datumet för köpet eller transaktionen.
- Värde för transaktionen: Det numeriska värdet för köpet eller transaktionen.
- Unikt produkt-ID: ID för den produkt eller tjänst som köpts om dina data finns på en radartikelnivå.
- Köp eller retur: Ett booleskt true/false värde där true anger att en transaktionen var en retur. Om data för Inköp eller Retur inte tillhandahålls av modellen och värdet för transaktionen är negativt, vi drar slutsatsen att det är en retur.
En tabell för produktkatalogdata som ska användas som produktfilter.

Kommentar

Modellen kräver transaktionshistorik för kunderna där transaktionen är data som beskriver interaktionen mellan användare och produkt. Till exempel köpa en produkt, ta en klass eller delta i ett evenemang.
Det går bara att konfigurera en tabell för transaktionshistorik. Om det finns flera tabeller för inköp kan du kombinera dem i Power Query före datainmatningen.
Om order och orderinformation är olika tabeller sammanfogar du dem innan du använder dem i modellen. Modellen fungerar inte med ett order-ID eller inleverans-ID för en tabell.

Skapa en förutsägelse av produktrekommendationer

Välj Spara utkast om du vill prediktion utkast. Förutsägelseutkastet visas i fliken Mina förutsägelser.

Gå till Insikter>Prediktioner.
På fliken Skapa, välj Använd modell på panelenProduktrekommendationsmodell (förhandsversion).
Välj Komma igång.
Ge modellen och utdatatabellen ett namn för att särskilja dem från andra modeller eller tabeller.
Välj Nästa.

Definiera inställning av produktrekommendation

Ange antalet produkter som du vill rekommendera till en kund. Värdet beror på hur leveranssättet fyller i data.
Välj om du vill ta med produkter som kunder nyligen har köpt i fältet Upprepade inköp som förväntas.
Ange Fönstret Titta bakåt med tidsramen som modellen tar i beaktande innan produkten rekommenderas till användaren igen. Ange till exempel att en kund köper en bärbar dator vartannat år. Modellen tittar på inköpshistoriken för de senaste två år och om de hittar ett objekt filtreras objektet från rekommendationerna.
Välj Nästa

Lägg till inköpshistorik

Välj Lägg till data för Historik för kundtransaktioner.
Välj typ av semantisk aktivitet SalesOrderLine som innehåller transaktions- eller inköpshistorik informationen. Om aktiviteten inte har ställts in väljer du här och skapar den.
Under Aktiviteter, om aktivitetsattributen var semantiskt mappade när aktiviteten skapades, välj de specifika attributen eller tabeller som du vill att beräkningen ska fokusera på. Om semantisk mappning inte har ägt rum, välj Redigera och mappa dina data.
Välj Nästa och granska attributen som krävs för modellen.
Välj Spara.
Välj Nästa.

Lägg till produktinformation och filter

Ibland är det bara vissa produkter som är lämpliga för den typ av prediktion du bygger. Med produktfilter kan du identifiera en deluppsättning produkter med specifika egenskaper som du kan rekommendera till kunderna. I modellen används alla tillgängliga produkter för att lära sig mönster, men endast produkterna som matchar produktfiltret används i utdata.

Lägg till tabellen för produktkatalogen som innehåller information för varje produkt. Mappa den information som krävs för att välja Spara.
Välj Nästa.
Välj Produktfilter:
- Inga filter: Använd alla produkter i produktrekommendationen prediktion.
- Definiera specifika produktfilter: Använd specifika produkter i produktrekommendationen prediktion. I rutan Produktkatalogattribut väljer du de attribut från tabellen produktkatalog som du vill ta med i filtret.
Välj om du vill att produktfiltret ska använda andor för att på ett logiskt sätt kombinera dina val av attribut från produktkatalogen.
Välj Nästa.

Ange uppdateringsschema

Välj en frekvens för att träna om modellen. Den här inställningen är viktig för att uppdatera noggrannheten i förutsägelser när nya data matas in. De flesta företag kan träna om en gång i månaden och få en god exakthet för sina förutsägelser.
Välj Nästa.

Granska och köra modellkonfigurationen

Steget Granska och kör visar en sammanfattning av konfigurationen och ger en chans att göra ändringar innan du skapar förutsägelse.

Välj Redigera på något av stegen för att granska och göra eventuella ändringar.
Om du är nöjd med dina val väljer du Spara och kör för att börja köra modellen. Välj Klar. Fliken Mina prognoser visas när prediktion skapas. Det kan ta flera timmar att slutföra processen beroende på mängden data som används i förutsägelsen.

Dricks

Det finns statusar för uppgifter och processer. De flesta processer är beroende av andra processförlopp, t.ex. datakällor och uppdateringar av dataprofiler.

Välj status för att öppna rutan Förloppsinformation och se framstegen för uppgifter. Om du vill avbryta jobbet väljer du Avbryt jobbet längst ned i fönstret.

Under varje uppgift kan du välja Visa information om du vill ha mer förloppsinformation, till exempel bearbetningstid, senaste bearbetningsdatum och eventuella tillämpliga fel och varningar för uppgiften eller processen. Välj Visa systemstatus längst ned i panelen om du vill se andra processer i systemet.

Visa förutsägelsens resultat

Gå till Insikter>Prediktioner.
På fliken Mina förutsägelser, välj den förutsägelse du vill visa.

Det finns fem primära dataavsnitt på resultatsidan.

Modellprestanda: Betyget A, B eller C indikerar prestandan för förutsägelsen och kan hjälpa dig att fatta beslutet att använda de resultat som är lagrade i utdatatabellen.

Betyg fastställs utifrån följande regler:
- A när "Framgång @ K"-måttet är minst 10 % mer än baslinjen.
- B när "Framgång @ K"-måttet är minst 0 % till 10 % mer än baslinjen.
- C när "Framgång @ K"-måttet är mindre än baslinjen.
- Grundnivå: de mest rekommenderade produkterna från antalet köp av alla kunder + inlärda regler som identifierats av modellen = en uppsättning rekommendationer för kunderna. Därefter jämförs förutsägelserna med de bästa produkterna, beräknat på antalet kunder som köpt produkten. Om en kund har minst en produkt i sina rekommenderade produkter som också fanns bland de produkter som köpts mest, betraktas de som en del av grundnivån. Om t.ex. tio av dessa kunder hade köpt en rekommenderad produkt av 100 kunder skulle grundnivån vara 10 %.
- Framgång @ K: Rekommendationer skapas för alla kunder och jämförs med valideringsuppsättningen av transaktionsperioder. För en tolvmånadersperiod kan exempelvis månad 12 åsidosättas som en datauppsättning för validering. Om modellen förutser minst en sak som du skulle köpa i månad 12, baserat på vad den lärt sig de senaste 11 månaderna, skulle kunden öka måttet "Framgång vid K".
De flesta produkter som föreslogs (med summa): De fem bästa produkterna som kunderna kunde använda.
Viktiga rekommendationsfaktorer: I modellen används kundernas transaktionshistorik för att ge produktrekommendationer. Man lär sig mönster utifrån tidigare köp och hittar likheter mellan kunder och produkter. Dessa likheter används sedan för att skapa produktrekommendationer. Följande faktorer kan påverka produktrekommendationen från modellen.
- Tidigare transaktioner: En rekommenderad produkt baserades på tidigare köpmönster. Modellen kan till exempel rekommendera en Surface Arc Mouse om någon nyligen har köpt en Surface Book 3 och en Surface Pen. Modellen lärde sig att historiskt sett hade många kunder köpt en Surface Arc Mouse efter köp av en Surface Book 3 och en Surface Pen.
- Kundlikhet: En rekommenderad produkt har tidigare köpts av andra kunder med liknande köpmönster. John rekommenderades till exempel för Surface hörlurar 2 eftersom Jennifer och Brad nyligen köpte Surface hörlurar 2. Modellen tror att John påminner om Jennifer och Brad eftersom de tidigare har liknande köpmönster.
- Produktlikhet: En rekommenderad produkt liknar andra produkter som kunden tidigare köpt. Modellen betraktar två produkter som liknande om de liknade varandra eller av liknande kunder. Till exempel får någon en rekommendation för en USB-lagringsenhet eftersom de tidigare köpt en USB-C till USB-adapter. Modellen tror att USB-lagringsenhet liknar USB-C till USB-adapter baserat på historiska köpmönster.
En eller flera av dessa faktorer påverkar varje produktrekommendation. Procentandelen rekommendationer som visualiseras i ett diagram när varje faktor har betydelse för en roll. I följande exempel används 100 % av rekommendationerna för tidigare transaktioner, 60 % av kundlikheten och 22 % av produktlikhet. Håll markören över staplarna i diagrammet om du vill se den exakta procentsatsen för var faktorerna har bidragit.
Datastatistik: En översikt över antalet transaktioner, kunder och produkter som modellen omfattar. Den baseras på indata som har använts för att lära sig mönster och skapa produktrekommendationer.

Modellen använder alla tillgängliga data för att lära sig mönster. Om du använder produktfiltrering i modellkonfigurationen visas därför det totala antal produkter som modellen har analyserats för att lära sig mönster, vilket kan skilja sig från antalet produkter som matchar de definierade filtreringsvillkoren. Filtrering tillämpas på den utdata som genereras av modellen.
Exempel på produktrekommendationer Ett exempel på rekommendationer som modellen tror att kunden sannolikt kommer att köpa. Om en produktkatalog läggs till ersätts produkt-ID:erna med produktnamn.