预测产品推荐（预览）

项目
01/12/2024

[本文为预发布文档，可能会发生变化。]

产品建议模型可创建多组预测产品建议。建议基于先前的购买行为以及具有类似购买模式的客户。您必须对您的业务的不同类型的产品以及客户如何与它们交互有相关的业务知识。我们支持推荐客户先前购买的产品或推荐新产品。

产品建议模型可帮助您：

建议可一并购买的其他产品
与客户联系推荐他们可能感兴趣的产品
通过其他相关产品和服务改善发现
创建个性化的客户体验

产品建议可能受本地法律和法规以及客户期望的约束，未专门考虑这些来生成模型。因此，在将建议传送给客户之前，您必须查看这些建议，以确保对于您可能建议内容，您遵守了任何适用的法律或法规，并且符合客户的期望。

此模型的输出将基于产品 ID 提供建议。您的交付机制必须将预测的产品 ID 映射到相应的内容，以让客户考虑本地化、图像内容和其他特定于业务的内容或行为。

例如，Contoso 希望通过自定义网页来展示客户可能喜欢的更多产品和服务，从而增加收入。他们能够从产品建议模型创建特定于客户的产品建议，并向站点提供数据。 Contoso 能够通过鼓励客户浏览与他们以前购买的产品和服务类似的产品和产品来向他们追加销售，从而增加收入。

小费

尝试使用示例数据进行产品建议预测：产品建议预测示例指南。

重要提示

这是一项预览功能。
预览功能不适合生产使用且功能可能受限。这些功能在正式发布之前推出，以便客户可以提前使用并提供反馈。

必备条件

至少具有参与者权限
在期望的预测窗口内至少有 1,000 个客户配置文件
客户标识符，用于将交易与单个客户匹配的唯一标识符
至少一年的交易数据，最好两到三年，以包含一定的季节性。理想情况下，每个客户 ID 至少有三个或更多交易。交易历史记录必须包括：
- 交易 ID：购买或交易的唯一标识符。
- 交易日期：购买或交易的日期。
- 交易值：购买或交易的数值。
- 唯一产品 ID：购买的产品或服务的 ID（如果您的数据位于行项级别）。
- 购买或退货：一个布尔值 true/false，true 确定交易是退货交易。如果模型未提供购买或退货数据，并且交易值为负值，我们推断有退货。
用作产品筛选器的产品目录数据表。

备注

模型需要客户的交易历史记录，其中交易是描述用户-产品交互的任何数据。例如，购买产品、上课或参加活动。
只能配置一个交易历史记录表。如果有多个购买表，应在数据引入之前将它们合并到 Power Query 中。
如果订单和订单详细信息是不同的表，则先加入它们，然后再在模型中使用。该模型仅不适用于表中的订单 ID 或收货 ID。

创建产品建议预测

随时选择保存草稿，将预测保存为草稿。草稿预测将显示在我的预测选项卡中。

转到见解>预测。
在创建选项卡上，在产品建议（预览）磁贴上选择使用模型。
选择开始。
用于与其他模型或表区分开来的为此模型命名和输出表名称。
选择下一步。

定义产品建议首选项

设置要推荐给客户的产品数量。此值取决于您的交付方法填充数据的方式。
选择是否要在重复预期的购买字段中包含客户之前购买的产品。
使用模型在再次向用户推荐产品之前考虑的期限设置回看窗口。例如，指示客户每两年购买一次便携式计算机。模型将查看最近两年的购买历史记录，如果找到一个项目，将会从建议中筛选该项目。
选择下一个

添加购买历史记录

为客户交易历史记录选择添加数据。
选择包含所需交易或购买历史记录信息的语义活动类型 SalesOrderLine。如果活动未设置，在此处选择，创建活动。
在活动下，如果创建活动时活动属性已进行语义映射，选择您希望计算关注的特定属性或表。如果没有进行语义映射，选择编辑并映射数据。
选择下一步，查看此模型所需的属性。
选择保存。
选择下一步。

添加产品信息和筛选器

有时，只有某些产品对您建立的预测类型有益或适用。使用产品筛选器可以识别一部分具有特定特征的产品，以便推荐给客户。该模型使用所有可用的产品来学习模式，但仅使用与输出中的产品筛选器匹配的产品。

添加包含每个产品的信息的产品目录表。映射所需的信息，然后选择保存。
选择下一步。
选择产品筛选器：
- 无筛选器：在产品建议预测中使用所有产品。
- 定义特定产品筛选器：在产品建议预测中使用特定产品。在产品目录属性窗格中，从产品目录表中选择要包括在筛选器中的属性。
选择是想让产品筛选器使用与还是或以逻辑方式组合从产品目录中选择的属性。
选择下一步。

设置更新计划

选择频率来重新训练您的模型。引入新数据时，若要更新预测的准确性，此设置非常重要。大多数企业每个月可以重新进行一次训练，并取得良好的预测准确度。
选择下一步。

查看并运行模型配置

查看并运行步骤显示配置的摘要，并在创建预测之前提供进行更改的机会。

在任何步骤中选择编辑查看并进行任何更改。
如果您对自己的选择感到满意，选择保存并运行开始运行模型。选择完成。创建预测时，将显示我的预测选项卡。完成该过程可能需要几个小时，具体取决于预测中使用的数据量。

小费

任务和流程有状态。大多数流程依赖于其他上游流程，例如数据源和数据分析刷新。

选择状态以打开进度详细信息窗格，并查看任务的进度。要取消作业，选择窗格底部的取消作业。

在每个任务下，您可以选择查看详细信息来获取更多进度信息，例如处理时间、上次处理日期以及与任务或流程相关的任何适用的错误和警告。选择面板底部的查看系统状态可以查看系统中的其他流程。

查看预测结果

转到见解>预测。
在我的预测选项卡中，选择您要查看的预测。

结果页面中有五个主要数据部分。

模型性能：等级 A、B 或 C 表示预测的性能，可以帮助您做出决定来使用存储在输出表中的结果。

等级是根据以下规则确定的：
- A，当“成功 @ K”指标至少比基线高 10% 时。
- B，当“成功 @ K”指标比基线高 0% 到 10% 时。
- C，当“成功 @ K”指标比基线低时。
- 基线：按所有客户的购买数量建议最多的产品 + 模型确定的学习规则 = 为客户提供的一组建议。然后，将预测结果与按购买该产品的客户数量所计算出的前几个产品进行比较。如果客户的推荐产品中至少有一种产品（在购买量最高的产品中也出现过），则将推荐的产品视为基线的一部分。例如，如果总计 100 个客户中有 10 个客户购买了推荐的产品，基线是 10%。
- 成功 @ K：为所有客户创建建议，并与交易时间段的验证集进行比较。例如，在 12 个月期间，第 12 个月将保留为数据验证集。如果模型根据从前 11 个月中了解到的信息，预测您将在第 12 个月内至少购买一件商品，则客户将增加“成功 @ K”指标。
推荐最多的产品(带计数)：为客户预测的前 5 种产品。
关键建议因素：模型使用客户的交易历史记录提供产品建议。它根据过去的购买活动了解模式，并找到客户与产品之间的相似之处。然后利用这些相似之处来生成产品建议。下列因素可能会影响模型生成的产品建议。
- 过去的交易：推荐的产品基于过去的购买模式。例如，如果用户最近购买了 Surface Book 3 和 Surface Pen，则模型可能会推荐 Surface 弧形鼠标。模型了解到，过去许多客户在购买了 Surface Book 3 和 Surface Pen 之后购买了 Surface 弧形鼠标。
- 客户相似性：过去，推荐的产品是由其他具有类似购买方式的客户购买的。例如，向 John 推荐了 Surface Headphones 2，因为 Jennifer 和 Brad 最近购买了 Surface Headphones 2。模型认为 John 与 Brad 类似，因为他们过去具有类似的购买模式。
- 产品相似性：推荐的产品类似于之前客户购买的其他产品。该模型认为，如果两个产品是一起购买的，或由相似客户购买，则它们是相似的。例如，有人收到 USB 存储驱动器建议，因为他们之前购买了 USB-C 转 USB 适配器。此模型基于历史购买模式认为 USB 存储驱动器与 USB-C 转 USB 适配器相似。
这些因素中的一个或多个会影响每一个产品建议。图表中直观显示了每个影响因素起作用的建议的百分比。在下面的示例中，100% 的建议受过去的交易影响，60% 的建议受客户相似度影响，22% 的建议受产品相似性影响。将鼠标悬停在图表中的条形图上，即可查看影响因素所占的确切百分比。
数据统计信息：模型考虑的交易数、客户数和产品数的概览。它基于用于了解模式和生成产品建议的输入数据。

模型会利用所有可用的数据来了解模式。因此，如果您在模型配置中使用产品筛选，则本节将显示模型为了解模式所分析的产品总数，该总数可能与符合定义的筛选标准的产品数不同。将对模型生成的输出应用筛选。
示例产品建议：模型认为客户可能会购买的建议示例。如果添加了产品目录，则产品 ID 将被替换为产品名称。