คาดคะเนคำแนะนำผลิตภัณฑ์ (ตัวอย่าง)

[บทความนี้เป็นคู่มือรุ่นก่อนวางจำหน่าย และอาจจะมีการเปลี่ยนแปลงในอนาคต]

โมเดลคำแนะนำผลิตภัณฑ์จะสร้างชุดคำแนะนำผลิตภัณฑ์ที่คาดคะเนได้ คำแนะนำขึ้นอยู่กับพฤติกรรมการซื้อก่อนหน้านี้และลูกค้าที่มีรูปแบบการซื้อที่คล้ายคลึงกัน คุณต้องมีความรู้ทางธุรกิจเกี่ยวกับผลิตภัณฑ์ชนิดต่าง ๆสำหรับธุรกิจของคุณและวิธีที่ลูกค้าของคุณโต้ตอบกับพวกเขา เราสนับสนุนการแนะนำผลิตภัณฑ์ที่ลูกค้าของคุณซื้อก่อนหน้านี้ หรือคำแนะนำสำหรับผลิตภัณฑ์ใหม่

โมเดลคำแนะนำผลิตภัณฑ์จะช่วยคุณ:

• แนะนำผลิตภัณฑ์อื่น ๆ ที่จะมาพร้อมกับการซื้อ
• ติดต่อลูกค้าเกี่ยวกับผลิตภัณฑ์ที่พวกเขาอาจสนใจ
• ปรับปรุงการค้นพบด้วยผลิตภัณฑ์และบริการอื่นๆ ที่เกี่ยวข้อง
• สร้างประสบการณ์ลูกค้าให้เป็นแบบส่วนตัว

คำแนะนำผลิตภัณฑ์อาจอยู่ภายใต้กฎหมายและข้อบังคับในท้องถิ่นและความคาดหวังของลูกค้า ซึ่งโมเดลนี้ไม่ได้สร้างขึ้นโดยคำนึงถึงเป็นพิเศษ ดังนั้น คุณต้องตรวจสอบคำแนะนำก่อนที่จะส่งมอบให้กับลูกค้าของคุณ เพื่อให้แน่ใจว่าคุณปฏิบัติตามกฎหมายหรือข้อบังคับที่เกี่ยวข้องและความคาดหวังของลูกค้าสำหรับสิ่งที่คุณอาจแนะนำ

ผลลัพธ์ของแบบจำลองนี้จะให้คำแนะนำตามรหัสผลิตภัณฑ์ กลไกการจัดส่งของคุณจะต้องจับคู่รหัสผลิตภัณฑ์ที่คาดการณ์ไว้กับเนื้อหาที่เหมาะสมสำหรับลูกค้าของคุณเพื่อพิจารณาการแปลเป็นภาษาท้องถิ่น เนื้อหารูปภาพ และเนื้อหาหรือลักษณะการทำงานเฉพาะทางธุรกิจอื่น ๆ

ตัวอย่างเช่น Contoso ต้องการเพิ่มรายได้โดยการปรับแต่งเว็บเพจเพื่อแสดงผลิตภัณฑ์และบริการเพิ่มเติมที่ลูกค้าอาจเพลิดเพลิน พวกเขาสามารถสร้างคำแนะนำผลิตภัณฑ์เฉพาะลูกค้าจากแบบจำลองการแนะนำผลิตภัณฑ์ และป้อนข้อมูลไปยังไซต์ของตน Contoso สามารถขายต่อยอดลูกค้าโดยกระตุ้นให้พวกเขาดูผลิตภัณฑ์และบริการที่คล้ายคลึงกับที่พวกเขาเคยซื้อมาก่อน ซึ่งช่วยเพิ่มรายได้

เคล็ดลับ

ลองใช้การคาดคะเนคำแนะนำผลิตภัณฑ์โดยใช้ข้อมูลตัวอย่าง: คู่มือตัวอย่างการคาดคะเนคำแนะนำผลิตภัณฑ์

สำคัญ

• นี่คือคุณลักษณะพรีวิว
• คุณลักษณะพรีวิวไม่ได้มีไว้สำหรับการนำไปใช้งานจริงและอาจมีฟังก์ชันการทำงานที่จำกัด คุณลักษณะเหล่านี้สามารถใช้ได้ก่อนการเปิดตัวอย่างเป็นทางการ เพื่อให้ลูกค้าสามารถเข้าใช้งานได้ก่อนเวลาและให้ข้อคิดเห็น

ข้อกำหนดเบื้องต้น

• อย่างน้อยมีสิทธิ์ ผู้สนับสนุน
• โปรไฟล์ลูกค้าอย่างน้อย 1,000 รายภายในหน้าต่างการคาดคะเนที่ต้องการ
• รหัสลูกค้า รหัสเฉพาะเพื่อจับคู่ธุรกรรมกับลูกค้าแต่ละราย
• ข้อมูลธุรกรรมอย่างน้อยหนึ่งปี โดยเฉพาะอย่างยิ่งสองถึงสามปีเพื่อรวมข้อมูลตามช่วงเวลา ตามหลักการแล้ว ธุรกรรมอย่างน้อย 3 รายการขึ้นไปต่อรหัสลูกค้า ประวัติธุรกรรมต้องรวมถึง:
  • รหัสธุรกรรม: รหัสเฉพาะของการซื้อหรือธุรกรรม
  • วันที่ทำธุรกรรม: วันที่ของการซื้อหรือธุรกรรม
  • มูลค่าของธุรกรรม: มูลค่าที่เป็นตัวเลขของการซื้อหรือธุรกรรม
  • รหัสผลิตภัณฑ์เฉพาะ: รหัสของผลิตภัณฑ์หรือบริการที่ซื้อหากข้อมูลของคุณอยู่ในระดับสินค้าในรายการ
  • การซื้อหรือการคืนสินค้า: บูลีน จริง/เท็จ ที่ค่า จริง ระบุว่าธุรกรรมเป็นการคืนสินค้า หากข้อมูลการซื้อหรือการคืนสินค้าไม่ได้ระบุรุ่น และ ค่าของธุรกรรม เป็นลบ เราสรุปการคืนสินค้า
• ตารางข้อมูลแค็ตตาล็อกผลิตภัณฑ์เพื่อใช้เป็นตัวกรองผลิตภัณฑ์

หมายเหตุ

• แบบจำลองนี้ต้องการประวัติการทำธุรกรรมของลูกค้าของคุณ โดยที่ธุรกรรมคือข้อมูลใดๆ ที่อธิบายการโต้ตอบระหว่างผู้ใช้กับผลิตภัณฑ์ ตัวอย่างเช่น การซื้อผลิตภัณฑ์ การเข้าชั้นเรียน หรือการเข้าร่วมกิจกรรม
• เฉพาะตารางประวัติธุรกรรมเพียงรายการเดียวเท่านั้นที่สามารถกำหนดค่าได้ หากมีตารางการซื้อหลายรายการ ให้รวมตารางเหล่านั้นใน Power Query ก่อนการนำเข้าข้อมูลได้
• หากรายละเอียดคำสั่งซื้อและคำสั่งซื้อเป็นตารางที่แตกต่างกัน ให้รวมเข้าด้วยกันก่อนใช้ในโมเดล โมเดลนี้ใช้ไม่ได้เฉพาะกับรหัสคำสั่งซื้อหรือรหัสใบเสร็จในตาราง

สร้างการคาดคะเนคำแนะนำผลิตภัณฑ์

เลือก บันทึกแบบร่าง เพื่อบันทึกการคาดคะเนเป็นแบบร่างได้ตลอดเวลา การคาดคะเนแบบร่างแสดงในแท็บ การคาดคะเนของฉัน

1. ไปที่ ข้อมูลเชิงลึก>การคาดคะเน

2. บนแท็บ สร้าง เลือก ใช้แบบจำลอง บนไทล์ คำแนะนำผลิตภัณฑ์ (ตัวอย่าง)

3. เลือก เริ่มต้นใช้งาน

4. ตั้งชื่อโมเดลนี้ และ ชื่อตารางผลลัพธ์ เพื่อแยกออกจากโมเดลหรือตารางอื่น ๆ

5. เลือก ถัดไป

กำหนดการกำหนดลักษณะคำแนะนำผลิตภัณฑ์

1. ตั้งค่า จำนวนสินค้า เพื่อแนะนำให้กับลูกค้า ค่านี้ขึ้นอยู่กับว่าวิธีการจัดส่งของคุณเติมข้อมูลอย่างไร

2. เลือกว่าคุณต้องการรวมผลิตภัณฑ์ที่ลูกค้าเพิ่งซื้อในฟิลด์ การซื้อซ้ำที่คาดไว้ หรือไม่

3. ตั้งค่า หน้าต่างการมองย้อนกลับ กับกรอบเวลาที่แบบจำลองพิจารณาก่อนที่จะแนะนำผลิตภัณฑ์ให้กับผู้ใช้อีกครั้ง ตัวอย่างเช่น ระบุว่าลูกค้าซื้อแล็ปท็อปทุกสองปี แบบจำลองนี้จะดูประวัติการซื้อในช่วงสองปีที่ผ่านมา และหากพวกเขาพบสินค้า รายการนั้นจะถูกกรองออกจากคำแนะนำ

4. เลือก ถัดไป

เพิ่มประวัติการซื้อ

1. เลือก เพิ่มข้อมูล สำหรับ ประวัติธุรกรรมลูกค้า

2. เลือกชนิดกิจกรรมความหมาย SalesOrderLine ที่มีข้อมูลธุรกรรมหรือประวัติการซื้อที่จำเป็น หากยังไม่ได้ตั้งค่ากิจกรรม ให้เลือก ที่นี่ และสร้างกิจกรรมขึ้นมา

3. ภายใต้ กิจกรรม หากแอตทริบิวต์ของกิจกรรมถูกแมปตามความหมายเมื่อสร้างกิจกรรม ให้เลือกแอตทริบิวต์หรือตารางเฉพาะที่คุณต้องการให้การคำนวณเน้น หากการแมปความหมายไม่เกิดขึ้น ให้เลือก แก้ไข และแมปข้อมูลของคุณ

   

4. เลือก ต่อไป และตรวจสอบคุณสมบัติที่จำเป็นสำหรับแบบจำลองนี้

5. เลือก บันทึก

6. เลือก ถัดไป

เพิ่มข้อมูลผลิตภัณฑ์และตัวกรอง

บางครั้ง มีเพียงบางผลิตภัณฑ์เท่านั้นที่เป็นประโยชน์หรือเหมาะสมกับชนิดของการคาดคะเนที่คุณสร้าง ใช้ตัวกรองผลิตภัณฑ์เพื่อระบุชุดย่อยของผลิตภัณฑ์ที่มีลักษณะเฉพาะเพื่อแนะนำให้กับลูกค้าของคุณ โมเดลใช้ผลิตภัณฑ์ทั้งหมดที่มีเพื่อเรียนรู้รูปแบบ แต่ใช้เฉพาะผลิตภัณฑ์ที่ตรงกับตัวกรองผลิตภัณฑ์ในผลลัพธ์เท่านั้น

1. เพิ่มตารางแค็ตตาล็อกผลิตภัณฑ์ของคุณที่มีข้อมูลสำหรับแต่ละผลิตภัณฑ์ แมปข้อมูลที่จำเป็นและเลือก บันทึก

2. เลือก ถัดไป

3. เลือก ตัวกรองผลิตภัณฑ์:

   • ไม่มีตัวกรอง: ใช้ผลิตภัณฑ์ทั้งหมดในการคาดคะเนคำแนะนำผลิตภัณฑ์

   • กำหนดตัวกรองผลิตภัณฑ์เฉพาะ: ใช้ผลิตภัณฑ์เฉพาะในการคาดคะเนคำแนะนำผลิตภัณฑ์ ในบานหน้าต่าง แอตทริบิวต์แค็ตตาล็อกผลิตภัณฑ์ เลือกแอตทริบิวต์จากตารางแค็ตตาล็อกผลิตภัณฑ์ของคุณที่คุณต้องการรวมไว้ในตัวกรอง

     

4. เลือกว่าคุณต้องการตัวกรองผลิตภัณฑ์เพื่อใช้ตัวเชื่อมต่อ และ หรือ หรือ หรือไม่เพื่อรวมแอตทริบิวต์ที่คุณเลือกจากแคตตาล็อกผลิตภัณฑ์อย่างมีเหตุผล

   

5. เลือก ถัดไป

ตั้งค่ากำหนดการอัปเดต

1. เลือกความถี่เพื่อฝึกฝนแบบจำลองของคุณ การตั้งค่านี้มีความสำคัญในการปรับปรุงความถูกต้องของการคาดคะเนเนื่องจากมีการนำเข้าข้อมูลใหม่ ธุรกิจส่วนใหญ่สามารถฝึกใหม่เดือนละครั้งและได้รับความแม่นยำที่ดีสำหรับการคาดคะเนของธุรกิจ

2. เลือก ถัดไป

ตรวจสอบและรันการกำหนดค่าแบบจำลอง

ขั้นตอน ตรวจสอบและเรียกใช้ จะแสดงสรุปการกำหนดค่าและให้โอกาสในการเปลี่ยนแปลงก่อนที่คุณจะสร้างการคาดคะเน

1. เลือก แก้ไข ในขั้นตอนเพื่อตรวจสอบและทำการเปลี่ยนแปลงใดๆ

2. หากคุณพอใจกับสิ่งที่คุณเลือก ให้เลือก บันทึกและเรียกใช้ เพื่อเริ่มรันโมเดล เลือก เสร็จ แท็บ การคาดคะเนของฉัน จะปรากฏขึ้นขณะสร้างการคาดคะเน กระบวนการนี้อาจใช้เวลาหลายชั่วโมงกว่าจะเสร็จสมบูรณ์ ทั้งนี้ขึ้นอยู่กับปริมาณข้อมูลที่ใช้ในการคาดคะเน

เคล็ดลับ

มี สถานะ สำหรับงานและกระบวนการ กระบวนการส่วนใหญ่ขึ้นอยู่กับกระบวนการต้นทางอื่นๆ เช่น แหล่งข้อมูลและ การรีเฟรช การทำโปรไฟล์ข้อมูล

เลือกสถานะเพื่อเปิดบานหน้าต่าง รายละเอียดความคืบหน้า และดูความคืบหน้าของงาน หากต้องการยกเลิกงาน ให้เลือก ยกเลิกงาน ที่ด้านล่างของบานหน้าต่าง

ในแต่ละงาน คุณสามารถเลือก ดูรายละเอียด เพื่อดูข้อมูลความคืบหน้าเพิ่มเติม เช่น เวลาประมวลผล วันที่ประมวลผลล่าสุด และข้อผิดพลาดและคำเตือนที่เกี่ยวข้องใดๆ ที่เกี่ยวข้องกับงานหรือกระบวนการ เลือก ดูสถานะของระบบ ที่ด้านล่างของแผงเพื่อดูกระบวนการอื่นๆ ในระบบ

ดูผลลัพธ์การคาดคะเน

1. ไปที่ ข้อมูลเชิงลึก>การคาดคะเน

2. บนแท็บ การคาดคะเนของฉัน ให้เลือกการคาดคะเนที่คุณต้องการดู

มีข้อมูลหลักห้าส่วนในหน้าผลลัพธ์

• ประสิทธิภาพโมเดล: เกรด A, B, หรือ C บ่งชี้ประสิทธิภาพของการคาดคะเน และสามารถช่วยคุณในการตัดสินใจใช้ผลลัพธ์ที่เก็บไว้ในตารางผลลัพธ์

  

  เกรดจะพิจารณาจากกฎต่อไปนี้:

  • A เมื่อตัวชี้วัด "ความสำเร็จ @ K" มากกว่าค่าพื้นฐานอย่างน้อย 10%
  • B เมื่อตัวชี้วัด "ความสำเร็จ @ K" มากกว่าค่าพื้นฐาน 0% ถึง 10%
  • C เมื่อตัวชี้วัด "ความสำเร็จ @ K" น้อยกว่าค่าพื้นฐาน
  • เกณฑ์พื้นฐาน: ผลิตภัณฑ์ที่แนะนำมากที่สุดโดยนับการซื้อจากลูกค้าทั้งหมด + กฎที่เรียนรู้ซึ่งระบุโดยแบบจำลอง = ชุดคำแนะนำสำหรับลูกค้า จากนั้นการคาดคะเนจะถูกเปรียบเทียบกับผลิตภัณฑ์ชั้นนำ โดยคำนวณจากจำนวนลูกค้าที่ซื้อผลิตภัณฑ์ หากลูกค้ามีผลิตภัณฑ์อย่างน้อยหนึ่งรายการในผลิตภัณฑ์ที่แนะนำซึ่งพบในผลิตภัณฑ์ที่ซื้อสูงสุดด้วย ถือว่าเป็นส่วนหนึ่งของเกณฑ์พื้นฐาน ตัวอย่างเช่น หากมีลูกค้า 10 รายในจำนวนนี้ที่มีการซื้อผลิตภัณฑ์แนะนำจากลูกค้าทั้งหมด 100 ราย เกณฑ์พื้นฐานจะเท่ากับ 10%
  • ความสำเร็จ @ K: คำแนะนำจะถูกสร้างขึ้นสำหรับลูกค้าทั้งหมดและเปรียบเทียบกับชุดการตรวจสอบความถูกต้องของระยะเวลาธุรกรรม ตัวอย่างเช่น ในช่วง 12 เดือน เดือน 12 อาจถูกตั้งไว้เป็นชุดข้อมูลสำหรับตรวจสอบความถูกต้อง หากโมเดลคาดคะเนอย่างน้อยหนึ่งสิ่งที่คุณจะซื้อในเดือน 12 โดยพิจารณาจากสิ่งที่เรียนรู้จาก 11 เดือนก่อนหน้า ลูกค้าจะเพิ่มเมตริก "ความสำเร็จ @ K"

• ผลิตภัณฑ์ที่แนะนำมากที่สุด (พร้อมคะแนน): ผลิตภัณฑ์ห้าอันดับแรกที่คาดคะเนไว้สำหรับลูกค้าของคุณ

  

• ปัจจัยคำแนะนำที่สำคัญ: โมเดลใช้ประวัติการทำธุรกรรมของลูกค้าเพื่อให้คำแนะนำผลิตภัณฑ์ เรียนรู้รูปแบบจากการซื้อในอดีตและพบความคล้ายคลึงกันระหว่างลูกค้าและผลิตภัณฑ์ จากนั้นความคล้ายคลึงกันเหล่านี้จะถูกนำไปใช้เพื่อสร้างคำแนะนำผลิตภัณฑ์ ต่อไปนี้เป็นปัจจัยที่อาจส่งผลต่อคำแนะนำผลิตภัณฑ์ที่สร้างขึ้นโดยแบบจำลอง

  • ธุรกรรมที่ผ่านมา: ผลิตภัณฑ์แนะนำอิงตามรูปแบบการซื้อที่ผ่านมา ตัวอย่างเช่น โมเดลสามารถแนะนำ Surface Arc Mouse หากมีคนเพิ่งซื้อ Surface Book 3 และ ปากกา Surface โมเดลได้เรียนรู้ว่าในอดีต มีลูกค้าจำนวนมากซื้อ Surface Arc Mouse หลังจากซื้อ Surface Book 3 และ Surface Pen
  • ความคล้ายคลึงกันของลูกค้า: ในอดีตมีการซื้อผลิตภัณฑ์ที่แนะนำโดยลูกค้ารายอื่นที่แสดงรูปแบบการซื้อที่คล้ายคลึงกัน ตัวอย่างเช่น จอห์นได้รับการแนะนำ Surface Headphones 2 เพราะ Jennifer และ Brad เพิ่งซื้อ Surface Headphones 2 โมเดลเชื่อว่า John คล้ายกับ Jennifer และ Brad เนื่องจากมีรูปแบบการซื้อที่คล้ายคลึงกันในอดีต
  • ความคล้ายคลึงกันของผลิตภัณฑ์: ผลิตภัณฑ์ที่แนะนำคล้ายกับผลิตภัณฑ์อื่นๆ ที่ลูกค้าเคยซื้อมาก่อนหน้านี้ โมเดลนี้ถือว่าผลิตภัณฑ์สองรายการมีความคล้ายคลึงกันหากซื้อร่วมกันหรือโดยลูกค้าที่คล้ายคลึงกัน ตัวอย่างเช่น มีคนได้รับคำแนะนำสำหรับ ไดรฟ์เก็บข้อมูล USB เพราะก่อนหน้านี้เคยซื้อ อะแดปเตอร์ USB-C เป็น USB โมเดลเชื่อว่า ไดรฟ์เก็บข้อมูล USB เหมือนกับ อะแดปเตอร์ USB-C เป็น USB ตามรูปแบบการซื้อในอดีต

  คำแนะนำผลิตภัณฑ์ทุกรายการได้รับอิทธิพลจากปัจจัยเหล่านี้อย่างน้อยหนึ่งอย่าง เปอร์เซ็นต์ของคำแนะนำที่ปัจจัยที่มีอิทธิพลแต่ละอย่างมีบทบาทจะแสดงเป็นภาพในแผนภูมิ ในตัวอย่างต่อไปนี้ คำแนะนำ 100% ได้รับอิทธิพลจากธุรกรรมในอดีต 60% จากความคล้ายคลึงกันของลูกค้าและ 22% จากความคล้ายคลึงกันของผลิตภัณฑ์ วางเมาส์เหนือแท่งในแผนภูมิเพื่อดูเปอร์เซ็นต์ที่แน่นอนของปัจจัยที่มีอิทธิพล

  

• สถิติข้อมูล: ภาพรวมของจำนวนธุรกรรมลูกค้าและผลิตภัณฑ์ตามรูปแบบที่พิจารณา โดยอิงจากข้อมูลอินพุตที่ใช้ในการเรียนรู้รูปแบบและสร้างคำแนะนำผลิตภัณฑ์

  

  แบบจำลองจะใช้ข้อมูลที่มีอยู่ทั้งหมดเพื่อเรียนรู้รูปแบบ ดังนั้น หากคุณใช้การกรองผลิตภัณฑ์ในการกำหนดค่าแบบจำลอง ส่วนนี้จะแสดงจำนวนผลิตภัณฑ์ทั้งหมดที่แบบจำลองวิเคราะห์เพื่อเรียนรู้รูปแบบ ซึ่งอาจแตกต่างจากจำนวนผลิตภัณฑ์ที่ตรงกับเกณฑ์การกรองที่กำหนดไว้ การกรองมีผลกับเอาต์พุตที่สร้างโดยแบบจำลอง

• คำแนะนำผลิตภัณฑ์ที่ตัวอย่าง: ตัวอย่างคำแนะนำซึ่งแบบจำลองเชื่อว่าลูกค้าน่าจะซื้อ หากมีการเพิ่มแค็ตตาล็อกผลิตภัณฑ์ รหัสผลิตภัณฑ์จะถูกแทนที่ด้วยชื่อผลิตภัณฑ์

  

หมายเหตุ

ในตารางผลลัพธ์สำหรับโมเดลนี้ คะแนน จะแสดงการวัดเชิงปริมาณของคำแนะนำ โมเดลแนะนำผลิตภัณฑ์ที่มีคะแนนสูงกว่าผลิตภัณฑ์ที่มีคะแนนต่ำกว่า หากต้องการดูคะแนน ไปที่ ข้อมูล>ตาราง และดูแท็บข้อมูลสำหรับตารางผลลัพธ์ที่คุณกำหนดสำหรับโมเดลนี้