Ürün önerilerini tahmin etme (önizleme)
[Bu makale, yayın öncesi belgelerine dahildir ve değiştirilebilir.]
Ürün öneri modeli, tahmini ürün önerileri kümesi oluşturur. Öneriler, önceki satın alma davranışını ve benzer satın alma düzenleri olan müşterileri temel alır. İşinize yönelik farklı ürün türlerini ve müşterilerinizin bunlarla nasıl etkileşim kurduğunu anlamak için iş bilgilerine sahip olmanız gerekir. Müşterilerinizin daha önce satın aldığı ürünler veya yeni ürünler için ürün önerileri sağlamayı destekleriz.
Ürün öneri modeli şunları yapmanıza yardımcı olur:
- Bir satın alma işlemine eşlik edecek başka ürünler önermek
- Müşterilerle ilgilenebilecekleri ürünlerle ilgili ulaşmak
- Diğer ilgili ürün ve hizmetlerle keşfi iyileştirmek
- Kişiselleştirilmiş müşteri deneyimleri oluşturmak
Ürün önerileri yerel yasalar ve yönetmeliklere ve müşteri beklentilerine tabi olabilir ve model bunu özel olarak dikkate almak üzere oluşturulmamıştır. Bu nedenle, geçerli tüm yasalara veya düzenlemelere ve önerebileceğiniz müşteri beklentilerine uyduğununuzdan emin olmak için önerileri müşterilerinize sunmadan önce gözden geçirmeniz gerekir.
Bu modelin çıktısı, ürün kimliğine göre de önerilerde bulunur. Teslimat mekanizmanız, öngörülen ürün kimliklerini, müşterilerinizin yerelleştirmesini, görüntü içeriğini ve diğer işletmeye özgü içeriğini ve davranışını hesaba ulaştırması için uygun içerikle eşlemeniz gerekir.
Örneğin, Contoso, müşterilerin keyfini çıkarabilecekleri daha fazla ürün ve hizmet sunmak için web sayfalarını özelleştirerek gelirlerini artırmak istemektedir. Ürün öneri modelinden müşteriye özel ürün önerileri oluşturabilir ve verileri sitelerine gönderebilirler. Contoso, müşterileri daha önce satın aldıkları ürün ve hizmetleri görüntülemeye teşvik ederek yukarı satıl yapma ve daha fazla gelir elde etme olanağına sahiptir.
İpucu
Örnek verileri kullanarak ürün önerisi tahmin deneyin: Ürün önerisi tahmin örnek yol.
Önemli
- Bu, bir önizleme özelliğidir.
- Önizleme özellikleri, üretimde kullanıma yönelik değildir ve sınırlı işlevselliğe sahip olabilir. Bu özellikler, müşterilerin erken erişim elde etmesi ve geri bildirim sağlaması amacıyla resmi sürümden önce kullanıma sunulur.
Ön koşullar:
- En az Katkıda bulunan izinleri
- İstenen tahmin penceresinde en az 1.000 müşteri profili
- Müşteri Tanımlayıcısı, işlemleri tek bir müşteriyle eşleştiren benzersiz tanımlayıcı
- İşlemsel verilerin en az bir yılı, birkaç mevsimsellik eklemek için iki-üç yıldır. İdeal olarak, Müşteri Kimliği başına en az üç veya daha fazla hareket. İşlem geçmişi aşağıdakileri içermelidir:
- İşlem Kimliği: Bir satın almanın veya bir işlemin benzersiz tanıtıcısı.
- İşlem tarihi: Satın alma veya işlemin tarihi.
- İşlemin değeri: Satın alma veya işlemin sayısal değeri.
- Benzersiz ürün kimliği: Verileriniz satır öğesi düzeyindeyse satın alınan ürün veya hizmetin kimliği.
- Satınalma veya iade:doğru değerinin, bir hareketin iade olduğunu belirlediği bir Boole doğru/yanlış değeri. Satın Alma veya İade verileri modelde sağlanmıyorsa ve İşlemin değeri negatifse, bir iade olduğunu anlarız.
- Ürün filtresini kullanmak için bir ürün kataloğu veri tablosu.
Not
- Model, müşterilerinizin bir kullanıcı-ürün etkileşimini açıklayan veriler olduğu müşterilerin hareket geçmişini olmasını ister. Örneğin, ürün satın alma, bir sınıfı alma veya bir olaya katılan.
- Yalnızca bir işlem geçmişi tablosu yapılandırılabilir. Birden çok satın alma tablosu varsa bunları veri alımından önce Power Query'de birleştirin.
- Sipariş ve sipariş ayrıntıları farklı tablolarsa modelde kullanmadan önce bunlara katılın. Model yalnızca bir tablodaki sipariş kimliği veya makbuz kimliğiyle çalışmaz.
Ürün önerisi tahmini oluşturma
Tahmini taslak olarak kaydetmek için istediğiniz zaman Taslağı kaydet'i seçin. Tahminlerim sekmesinde taslak tahmini görüntülenir.
İçgörüler>Tahminler'e gidin.
Oluştur sekmesinde, Ürün önerileri (önizleme) kutucuğunda Modeli kullan öğesini seçin.
Başlayın'ı seçin.
Bunları diğer modeller veya tablolardan ayırt etmek için Bu modeli adlandırın ve Çıkış tablosu adı'nı seçin.
İleri'yi seçin.
Ürün önerisi tercihlerini tanımlama
Müşteriye önereceğiniz Ürün sayısını ayarlayın. Bu değer, teslim yönteminizin verileri nasıl doldurduğuna bağlıdır.
Beklenen tekrarlanan satın alma alanında müşterilerin daha önce satın aldığı ürünleri eklemek isteyip istemediğinizi seçin.
Ürünü kullanıcıya yeniden önermeden önce modelin dikkate aldığı zaman dilimini belirtecek şekilde Geri bakış penceresini ayarlayın. Örneğin, bir müşterinin her iki yılda bir dizüstü bilgisayar satın aldıklarını belirtebilirsiniz. Bu model, son iki yıl için satın alma geçmişine bakar ve bir madde bulduklarında, bu öğeye önerilerden filtre uygulanır.
İleri'yi seçin
Satın alma geçmişi ekleyin
Müşteri hareket geçmişi için Veri ekle'yi seçin.
Gerekli hareket veya satınalma geçmiş bilgilerini içeren semantik etkinlik türü SalesOrderLine'ı seçin. Etkinlik ayarlanmamışsa, buradan seçin ve oluşturun.
Etkinlikler altında, aktivite oluşturulduğunda etkinlik öznitelikleri anlam olarak eşlenmişse, odaklanacağı hesaplamanın olduğu belirli öznitelikleri veya tabloyu seçin. Semantik eşleme gerçekleşmediyse Düzenle'yi seçin ve verilerinizi eşleyin.
İleri'yi seçin ve bu model için gereken özellikleri gözden geçirin.
Kaydet'i seçin.
İleri'yi seçin.
Ürün bilgileri ve filtreleri ekleme
Bazen, oluşturduğunuz tahmin türü için yalnızca belirli ürünleri yararlı veya uygun olan ürünler vardır. Ürün filtrelerini kullanmak, müşterilerinize önermek için belirli özelliklere sahip ürünlerin bir alt kümesini tanımlamanıza olanak sağlar. Model, modelleri öğrenmek için kullanılabilir tüm ürünleri kullanır, ancak çıktıda ürün filtresiyle eşleşen ürünleri kullanabilir.
Ürün kataloğu tablonuzu her ürün için bilgi içeren bir listeye ekleyin. Gereken bilgileri eşleyin ve Kaydet'i seçin.
İleri'yi seçin.
Ürün filtreleri'ni seçin:
Filtre yok: Tüm ürünleri ürün önerisi tahmin kullanın.
Belirli ürün filtrelerini tanımlayın: ürün öneri tahmin belirli ürünleri kullanın. Ürün katalogu öznitelikleri bölmesinde, ürün kataloğu tablonuzun filtreye dahil olmasını istediğiniz öznitelikleri seçin.
Ürün filtresinin kullanmak isteyip istemediğinizi, ürün kataloğundaki öznitelik seçiminizi mantıksal olarak birleştirmek için ve ya da veya bağlayıcılarına istediğinizi seçin.
İleri'yi seçin.
Güncelleştirme zamanlamasını ayarlama
Modelinizin yeniden eğitileceği sıklığı seçin. Bu ayar, yeni veriler alındıkça tahminlerin doğruluğunu güncelleştirmek için önemlidir. Çoğu işletme, modellerini ayda bir kez yeniden eğitir ve daha iyi bir tahmin doğruluk derecesi elde eder.
İleri'yi seçin.
Model yapılandırmasını gözden geçirme ve çalıştırma
Gözden geçirme ve çalıştırma adımı, yapılandırmanın özetini gösterir ve tahmin oluşturmadan önce değişiklik yapma şansı sağlar.
Gözden geçirmek ve tüm değişiklikleri yapmak için, basamaklarını üzerinde Düzenleme'yi seçin.
Seçimlerinizden memnunsanız, modeli çalıştırmaya başlamak için Kaydet ve çalıştır'ı seçin. Bitti'yi seçin. Tahmin oluşturulurken Tahminlerim sekmesi görüntülenir. Tahminde kullanılan veri miktarına bağlı olarak işlemin tamamlanması birkaç saat sürebilir.
Bahşiş
Görevler ve işlemlerin durumları vardır. Çoğu işlem, veri kaynakları ve veri profili yenilemeleri gibi yukarı akış yönündeki işlemlere bağlıdır.
İlerleme ayrıntıları bölmesini açmak ve görevlerin ilerlemesini görüntülemek için durumu seçin. İşi iptal etmek için bölmenin alt kısmında İşi iptal et seçeneğini belirleyin.
Her görevin altında işleme süresi, son işleme tarihi ve görevle veya işlemle ilişkili herhangi bir ilgili hata ve uyarı gibi daha fazla ilerleme durumu bilgisi için Ayrıntıları görüntüle'yi seçebilirsiniz. Sistemdeki diğer işlemleri görmek için panelin alt kısmında Sistem durumunu görüntüle'yi seçin.
Tahmin sonuçlarını görüntüleme
İçgörüler>Tahminler'e gidin.
Tahminlerim sekmesinde, görüntülemek istediğiniz tahmini seçin.
Sonuçlar sayfası içinde beş birincil veri bölümü vardır.
Model performansı: A, B veya C dereceleri, tahminin performansını belirtir ve çıkış tablosunda depolanan sonuçları kullanmaya karar vermenize yardımcı olabilir.
Dereceler aşağıdaki kurallara göre belirlenir:
- A "Başarı @ K" ölçümü, temelden en az %10 daha fazla olduğunda.
- B "Başarı @ K" ölçümü, temelden en %0-%10 daha fazla olduğunda.
- C "Başarı @ K" ölçümü, temelden az olduğunda.
- Temel: Tüm müşteriler arasında satın alma sayısına göre en çok önerilen ürünler + model tarafından tanımlanan öğrenilmiş kurallar = müşteriler için bir öneri kümesi. Daha sonra tahminler, ürünü satın alan müşteri sayısıyla hesaplanarak en gözde ürünlerle karşılaştırılır. Müşterinin önerilen ürünlerinde en çok satın alınan ürünlerde de görülen en az bir ürünü varsa bunlar temelin bir parçası olarak kabul edilir. Örneğin, Toplam 100 müşteri arasında 10'u önerilen bir ürünü satın alırsa temeli %10 olur.
- Başarı @ K: Öneriler, tüm müşteriler için oluşturulup hareketlerin zaman diliminin onay kümesine kıyaslanır. Örneğin, 12 aylık bir dönemde 12. ay veri doğrulama kümesi olarak ayrılır. Model, önceki 11 aydan öğrendiklerine dayanarak 12. ayda satın alacağınız en az bir şeyi öngörüyorsa müşteri "Başarı @ K" ölçümünü artırır.
En önerilmiş ürünler (çıkarıldı olarak): Müşterileriniz için öngörülen en önde gelen beş ürün.
Temel öneri etmenleri: Model, ürün önerileri yapmak için müşterilerin hareket geçmişini kullanır. Geçmişteki satın almalara dayalı olarak desenler öğrenir ve müşteriler ve ürünler arasında benzerlikler bulur. Bu benzerlikler daha sonra ürün önerileri oluşturmak için kullanılır. Aşağıda, modelin oluşturduğu bir ürün önerisini etkileyebilecek etmenler yer verilmiştir.
- Geçmiş hareketler: Önerilen bir ürün geçmiş satın alma desenlerine dayalıdır. Örneğin, bir kimse Surface Book 3 ve Surface kalem satın aldıysa, model Surface Arc faresi önerebilir. Model, geçmişe dönük olarak, birçok müşterinin bir Surface Book 3 ve bir Surface Pen satın aldıktan sonra bir Surface Arc Mouse satın aldığını öğrenmiştir.
- Müşteri benzerliği: Önerilen bir ürün geçmişte benzer satın alma alışkanlıkları gösteren diğer müşteriler tarafından satın alınmıştır. Örneğin, John, Jennifer ve atacan yakın zamanda Surface kulaklıklar 2 çünkü satın alınan Surface Headphones 2'dir. Model, geçmişte benzer satın alma kalıplarına sahip olduklarından John'un Jennifer ve Brad'e benzediğini kabul eder.
- Ürün benzerliği: Önerilen bir ürün, müşterinin daha önce satın aldığı diğer ürünlere benzer. Model iki ürünü bir birlikte satın aldıkları veya benzer müşteriler tarafından benzer olacak şekilde nitelendirir. Örneğin, bir kişi daha önce USB-C - USB Adaptörü satın aldığından USB Depolama Sürücüsü önerisi alır. Model, geçmiş satın alma modellerine göre USB Depolama SürücüsününUSB-C - USB Adaptörüne benzediğine inanmaktadır.
Bu faktörlerden bir veya daha fazlası her ürün önerisini etkiler. Bir rol oynanan her etkileyen faktörünün bir grafikte görselleştirilmiş olduğu önerilerin yüzdesi. Aşağıdaki örnekte, önerilerin %100'ü geçmiş hareketlerle, %60 müşteri benzerliği ve %22 ürün benzerliğini takip ederek etkileyendir. Etkileyen etkenlerin tam olarak katkı yüzdesini görmek için Grafikteki çubukların üzerinde gezdirin.
Veri istatistikleri: Modelin kabul edildiği hareket, müşteri ve ürün sayısının genel görünümü. Bu, desenleri öğrenmek ve ürün önerileri üretmek için kullanılan giriş verilerini temel alır.
Model, desenleri öğrenmek için tüm kullanılabilir verileri kullanır. Bu nedenle, model yapılandırmasında ürün filtreleme kullanırsanız bu bölüm, tanımlanan filtreleme ölçütleriyle eşleşen ürün sayısından farklı olabilen, modelleri öğrenmekte olan modelin toplam sayısını gösterir. Filtre uygulama, modelin ürettiği çıktı üzerinde geçerlidir.
Örnek ürün önerileri: Modelin müşteri tarafından satın alınacağına inandığı ürünleri müşterilerinize sağladığı önerilerin bir örneği. Ürün kataloğu eklenirse ürün kimlikleri ürün adlarıyla değiştirilir.
Not
Bu modelin çıkış tablosunda Puan, önerinin nicelik ölçüsünü gösterir. Model, daha düşük puanı olan ürünler üzerinde daha yüksek puan içeren ürünler önerir. Puanı görüntülemek için, Veri>Tablolar'a gidin ve bu model için tanımladığınız çıkış tablosu için veri sekmesini görüntüleyin.