Dự đoán đề xuất sản phẩm (xem trước)

Bài viết
06/02/2024

[Bài viết này là tài liệu trước khi phát hành và có thể thay đổi.]

Mô hình đề xuất sản phẩm tạo ra các bộ đề xuất sản phẩm dự đoán. Các đề xuất dựa trên hành vi mua hàng trước đó và những khách hàng có kiểu mua hàng tương tự. Bạn phải có kiến thức kinh doanh về các loại sản phẩm khác nhau cho doanh nghiệp của mình và cách khách hàng tương tác với chúng. Chúng tôi hỗ trợ giới thiệu các sản phẩm mà khách hàng của bạn đã mua trước đây hoặc đề xuất các sản phẩm mới.

Mô hình gợi ý sản phẩm giúp bạn:

Đề xuất các sản phẩm khác để mua hàng
Liên hệ với khách hàng về các sản phẩm họ có thể quan tâm
Cải thiện khả năng khám phá với các sản phẩm và dịch vụ có liên quan khác
Tạo trải nghiệm khách hàng được cá nhân hóa

Đề xuất sản phẩm có thể phải tuân theo luật pháp và quy định địa phương cũng như kỳ vọng của khách hàng mà mô hình không được xây dựng để tính đến một cách cụ thể. Do đó, bạn phải xem lại các đề xuất trước khi gửi cho khách hàng của mình để đảm bảo rằng bạn tuân thủ mọi luật hoặc quy định hiện hành cũng như kỳ vọng của khách hàng về những gì bạn có thể đề xuất.

Đầu ra của mô hình này cung cấp các đề xuất dựa trên ID sản phẩm. Cơ chế phân phối của bạn phải ánh xạ ID sản phẩm được dự đoán tới nội dung phù hợp cho khách hàng của bạn để tính đến việc bản địa hóa, nội dung hình ảnh cũng như nội dung hoặc hành vi cụ thể khác của doanh nghiệp.

Ví dụ: Contoso muốn tăng doanh thu bằng cách tùy chỉnh các trang web để hiển thị nhiều sản phẩm và dịch vụ hơn mà khách hàng có thể yêu thích. Họ có thể tạo đề xuất sản phẩm dành riêng cho khách hàng từ mô hình đề xuất sản phẩm và cung cấp dữ liệu cho trang web của họ. Contoso có thể bán thêm cho khách hàng bằng cách khuyến khích họ xem các sản phẩm và dịch vụ tương tự như những sản phẩm và dịch vụ họ đã mua trước đó, từ đó tăng doanh thu.

Tiền bo

Hãy thử đề xuất sản phẩm dự đoán bằng cách sử dụng dữ liệu mẫu: Hướng dẫn mẫu đề xuất sản phẩm dự đoán.

Quan trọng

Đây là một tính năng xem trước.
Các tính năng xem trước không được dùng cho sản xuất và có thể có chức năng bị hạn chế. Những tính năng này khả dụng trước khi có bản phát hành chính thức để khách hàng có thể truy cập sớm và cung cấp phản hồi.

Điều kiện tiên quyết

Ít nhất Quyền của người đóng góp
Ít nhất 1.000 hồ sơ khách hàng trong cửa sổ dự đoán mong muốn
Mã định danh khách hàng, mã định danh duy nhất để khớp các giao dịch với một khách hàng cá nhân
Dữ liệu giao dịch ít nhất một năm, tốt nhất là hai đến ba năm để bao gồm một số tính thời vụ. Lý tưởng nhất là có ít nhất ba giao dịch trở lên cho mỗi ID khách hàng. Lịch sử giao dịch phải bao gồm:
- ID giao dịch: Mã định danh duy nhất của giao dịch mua hàng hoặc giao dịch.
- Ngày giao dịch: Ngày mua hàng, giao dịch.
- Giá trị giao dịch: Giá trị bằng số của giao dịch mua hoặc giao dịch.
- ID sản phẩm duy nhất: ID của sản phẩm hoặc dịch vụ đã mua nếu dữ liệu của bạn ở cấp mục hàng.
- Mua hoặc trả lại: Giá trị boolean đúng/sai trong đó true xác định rằng một giao dịch là giao dịch trả lại. Nếu dữ liệu Mua hàng hoặc Trả lại không được cung cấp trong mô hình và Giá trị của giao dịch là âm thì chúng tôi sẽ suy ra tiền lãi.
Bảng dữ liệu danh mục sản phẩm dùng làm bộ lọc sản phẩm.

Lưu ý

Mô hình này yêu cầu lịch sử giao dịch của khách hàng, trong đó giao dịch là bất kỳ dữ liệu nào mô tả tương tác giữa người dùng và sản phẩm. Ví dụ: mua một sản phẩm, tham gia một lớp học hoặc tham dự một sự kiện.
Chỉ có thể cấu hình một bảng lịch sử giao dịch. Nếu có nhiều bảng mua hàng, hãy kết hợp chúng Power Query trước khi nhập dữ liệu.
Nếu thứ tự và chi tiết thứ tự là các bảng khác nhau, hãy nối chúng trước khi sử dụng trong mô hình. Mô hình không hoạt động chỉ với ID đơn hàng hoặc ID biên nhận trong bảng.

Tạo dự đoán đề xuất sản phẩm

Chọn Lưu bản nháp bất kỳ lúc nào để lưu dự đoán làm bản nháp. Bản nháp dự đoán hiển thị trong tab Dự đoán của tôi .

Chuyển đến Thông tin chi tiết>Dự đoán.
Trên tab Tạo , hãy chọn Sử dụng mô hình trên Đề xuất sản phẩm (xem trước) gạch.
Chọn Bắt đầu.
Đặt tên cho mô hình này và tên bảng đầu ra để phân biệt với các mô hình hoặc bảng khác.
Chọn Tiếp theo.

Xác định tùy chọn đề xuất sản phẩm

Đặt Số lượng sản phẩm để giới thiệu cho khách hàng. Giá trị này phụ thuộc vào cách phương thức phân phối của bạn điền vào dữ liệu.
Chọn xem bạn có muốn đưa những sản phẩm mà khách hàng đã mua trước đó vào trường Dự kiến mua hàng lặp lại hay không.
Đặt Cửa sổ nhìn lại với khung thời gian mà mô hình cân nhắc trước khi giới thiệu lại sản phẩm cho người dùng. Ví dụ: cho biết một khách hàng mua máy tính xách tay hai năm một lần. Mô hình xem xét lịch sử mua hàng trong hai năm qua và nếu tìm thấy một mặt hàng, mặt hàng đó sẽ được lọc khỏi đề xuất.
Chọn Tiếp theo

Thêm lịch sử mua hàng

Chọn Thêm dữ liệu cho Lịch sử giao dịch của khách hàng.
Chọn loại hoạt động ngữ nghĩa SalesOrderLine có chứa thông tin lịch sử giao dịch hoặc mua hàng được yêu cầu. Nếu hoạt động chưa được thiết lập, hãy chọn đây và tạo hoạt động đó.
Trong Hoạt động, nếu các thuộc tính hoạt động được ánh xạ về mặt ngữ nghĩa khi hoạt động được tạo, hãy chọn các thuộc tính hoặc bảng cụ thể mà bạn muốn tập trung vào phép tính. Nếu ánh xạ ngữ nghĩa không xảy ra, hãy chọn Chỉnh sửa và ánh xạ dữ liệu của bạn.
Chọn Tiếp theo và xem lại các thuộc tính cần thiết cho mô hình này.
Chọn Lưu.
Chọn Tiếp theo.

Thêm thông tin sản phẩm và bộ lọc

Đôi khi, chỉ một số sản phẩm là có lợi hoặc phù hợp với loại dự đoán mà bạn đưa ra. Sử dụng bộ lọc sản phẩm để xác định một tập hợp con các sản phẩm có đặc điểm cụ thể để giới thiệu cho khách hàng của bạn. Mô hình sử dụng tất cả các sản phẩm có sẵn để tìm hiểu các mẫu nhưng chỉ sử dụng các sản phẩm phù hợp với bộ lọc sản phẩm trong đầu ra của nó.

Thêm bảng danh mục sản phẩm chứa thông tin cho từng sản phẩm. Ánh xạ thông tin cần thiết và chọn Lưu.
Chọn Tiếp theo.
Chọn Bộ lọc sản phẩm:
- Không có bộ lọc: Sử dụng tất cả các sản phẩm trong đề xuất sản phẩm dự đoán.
- Xác định bộ lọc sản phẩm cụ thể: Sử dụng sản phẩm cụ thể trong đề xuất sản phẩm dự đoán. Trong ngăn Thuộc tính danh mục sản phẩm , hãy chọn các thuộc tính từ bảng danh mục sản phẩm mà bạn muốn đưa vào bộ lọc.
Chọn xem bạn có muốn sử dụng bộ lọc sản phẩm hay không Và hoặc hoặc để kết hợp một cách hợp lý việc lựa chọn các thuộc tính của bạn từ danh mục sản phẩm.
Chọn Tiếp theo.

Đặt lịch trình cập nhật

Chọn một tần số để đào tạo lại mô hình của bạn. Cài đặt này rất quan trọng để cập nhật độ chính xác của các dự đoán vì dữ liệu mới được nhập vào thông tin chuyên sâu về đối tượng. Hầu hết các doanh nghiệp đều có thể đào tạo lại một lần mỗi tháng và có dự đoán chính xác cao.
Chọn Tiếp theo.

Xem lại và chạy cấu hình mô hình

Bước Xem lại và chạy hiển thị tóm tắt cấu hình và cung cấp cơ hội thực hiện thay đổi trước khi bạn tạo dự đoán.

Chọn Chỉnh sửa ở bất kỳ bước nào để xem lại và thực hiện bất kỳ thay đổi nào.
Nếu bạn hài lòng với lựa chọn của mình, hãy chọn Lưu và chạy để bắt đầu chạy mô hình. Chọn Xong. Tab Dự đoán của tôi hiển thị trong khi dự đoán đang được tạo. Quá trình này có thể mất vài giờ để hoàn tất tùy thuộc vào lượng dữ liệu được sử dụng trong dự đoán.

Tiền bo

Có trạng thái cho các nhiệm vụ và quy trình. Hầu hết các quy trình đều phụ thuộc vào các quy trình ngược dòng khác, chẳng hạn như nguồn dữ liệu và lập hồ sơ dữ liệu làm mới.

Chọn trạng thái để mở ngăn Chi tiết tiến trình và xem tiến trình của nhiệm vụ. Để hủy công việc, hãy chọn Hủy công việc ở cuối ngăn.

Trong mỗi nhiệm vụ, bạn có thể chọn Xem chi tiết để biết thêm thông tin về tiến độ, chẳng hạn như thời gian xử lý, ngày xử lý cuối cùng cũng như mọi lỗi và cảnh báo hiện hành liên quan đến nhiệm vụ hoặc quy trình. Chọn Xem trạng thái hệ thống ở cuối bảng để xem các quy trình khác trong hệ thống.

Xem kết quả dự đoán

Chuyển đến Thông tin chi tiết>Dự đoán.
Trong tab Dự đoán của tôi, hãy chọn dự đoán bạn muốn xem.

Có năm phần dữ liệu chính trong trang kết quả.

Hiệu suất mô hình: Điểm A, B hoặc C cho biết hiệu suất của dự đoán và có thể giúp bạn đưa ra quyết định sử dụng kết quả được lưu trữ trong bảng đầu ra.

Điểm được xác định dựa trên các quy tắc sau:
- A : khi chỉ số "Thành công @ K" cao hơn ít nhất 10% so với đường cơ sở.
- B khi chỉ số "Thành công @ K" cao hơn 0% đến 10% so với đường cơ sở.
- C khi chỉ số "Thành công @ K" nhỏ hơn đường cơ sở.
- Đường cơ sở: Các sản phẩm được đề xuất nhiều nhất theo số lượng mua hàng trên tất cả khách hàng + các quy tắc đã học được được xác định bởi mô hình = một tập hợp các đề xuất cho khách hàng. Các dự đoán sau đó được so sánh với các sản phẩm hàng đầu, được tính bằng số lượng khách hàng đã mua sản phẩm. Nếu khách hàng có ít nhất một sản phẩm trong các sản phẩm được đề xuất cũng có trong các sản phẩm được mua nhiều nhất, thì chúng được coi là một phần của đường cơ sở. Ví dụ: nếu 10 trong số những khách hàng này có sản phẩm được đề xuất được mua trong tổng số 100 khách hàng, đường cơ sở là 10%.
- Thành công @ K: Các khuyến nghị được tạo cho tất cả khách hàng và được so sánh với bộ xác thực khoảng thời gian giao dịch. Ví dụ: trong khoảng thời gian 12 tháng, tháng 12 được đặt sang một bên dưới dạng tập hợp dữ liệu xác thực. Nếu mô hình dự đoán ít nhất một thứ bạn sẽ mua trong tháng 12 dựa trên những gì nó học được từ 11 tháng trước, khách hàng sẽ tăng chỉ số "Thành công @ K".
Hầu hết các sản phẩm được đề xuất (có kiểm đếm): Năm sản phẩm hàng đầu được dự đoán cho khách hàng của bạn.
Các yếu tố khuyến nghị chính: Mô hình sử dụng lịch sử giao dịch của khách hàng để đưa ra các đề xuất sản phẩm. Mô hình học các thói quen dựa trên những giao dịch mua hàng trước đây và tìm ra những điểm tương đồng giữa khách hàng và sản phẩm. Những điểm tương đồng này sau đó được sử dụng để đưa ra các đề xuất về sản phẩm. Các yếu tố sau đây có thể ảnh hưởng đến đề xuất sản phẩm do mô hình tạo ra.
- Giao dịch trước đây: Một sản phẩm được đề xuất dựa trên các mẫu mua trước đây. Ví dụ: model có thể đề xuất Surface Arc Mouse nếu ai đó gần đây đã mua Surface Book 3 và Surface Pen. Mô hình đã học được rằng trong lịch sử, nhiều khách hàng đã mua Chuột hồ quang bề mặt sau khi mua Surface Book 3 và Bút Surface.
- Điểm tương đồng của khách hàng: Trước đây, một sản phẩm được đề xuất được mua bởi những khách hàng khác có mô hình mua hàng tương tự. Ví dụ, John được giới thiệu Surface Headphones 2 vì Jennifer và Brad gần đây đã mua Surface Headphones 2. Người mẫu tin rằng John giống Jennifer và Brad vì họ có lịch sử mua hàng tương tự nhau.
- Sự giống nhau của sản phẩm: Một sản phẩm được đề xuất tương tự như các sản phẩm khác mà khách hàng đã mua trước đó. Mô hình coi hai sản phẩm là tương tự nhau nếu chúng được mua cùng nhau hoặc được mua bởi những khách hàng tương đồng. Ví dụ: ai đó nhận được đề xuất về Ổ lưu trữ USB vì trước đây họ đã mua Bộ chuyển đổi USB-C sang USB. Mô hình tin rằng USB Storage Drive tương tự như USB-C to USB Adapter dựa trên các mẫu mua trước đây.
Một hoặc nhiều yếu tố này ảnh hưởng đến mọi đề xuất sản phẩm. Tỷ lệ phần trăm đề xuất (trong đó mỗi yếu tố ảnh hưởng đóng một vai trò) được minh họa trong biểu đồ. Trong ví dụ sau, 100% các đề xuất bị ảnh hưởng bởi các giao dịch trong quá khứ, 60% bởi sự tương đồng của khách hàng và 22% bởi sự tương đồng của sản phẩm. Di chuột qua các thanh trong biểu đồ để xem chính xác tỷ lệ phần trăm mà các yếu tố ảnh hưởng đã đóng góp.
Thống kê dữ liệu: Tổng quan về số lượng giao dịch, khách hàng và sản phẩm mà mô hình xem xét. Thống kê này dựa trên dữ liệu đầu vào được dùng để tìm hiểu các thói quen và đưa ra đề xuất về sản phẩm.

Mô hình sử dụng tất cả dữ liệu có sẵn để tìm hiểu các mẫu. Do đó, nếu bạn sử dụng tính năng lọc sản phẩm trong cấu hình mô hình, phần này hiển thị tổng số sản phẩm mà mô hình đã phân tích để tìm hiểu các mẫu, có thể khác với số lượng sản phẩm phù hợp với tiêu chí lọc đã xác định. Lọc áp dụng trên đầu ra được tạo bởi mô hình.
Đề xuất sản phẩm mẫu: Một mẫu khuyến nghị mà mô hình tin rằng có khả năng được mua bởi khách hàng. Nếu thêm danh mục sản phẩm, ID sản phẩm sẽ được thay thế bằng tên sản phẩm.