預測產品建議 (預覽版)

發行項
01/31/2024

[本文章是發行前版本文件，隨時可能變更。]

產品建議模型會建立一組預測的產品建議。建議是基於先前的購買行為和具有類似購買模式的客戶而建立的。您必須擁有商務知識，瞭解與您企業相關的各種類型產品，以及客戶如何與它們互動。我們支援建議客戶先前購買過的產品或建議新產品。

產品建議模型可協助您：

推薦其他與購買項目搭配的產品
向客戶介紹他們可能感興趣的產品
改善對其他相關產品和服務的探索
建立個人化客戶體驗

產品建議可能受到當地法律、法規及客戶期望等限制，而模型並未特別納入考量。因此，您必須先檢閱建議，再傳遞給您的客戶，才能確保建議的內容符合任何適用的法律或規定以及客戶期望。

此模型的輸出會依據產品識別碼提供建議。您的傳遞機制必須將預測出的產品識別碼對應至適當的內容，讓您的客戶可以取得當地語系化、圖像內容以及其他業務特定的內容或行為。

例如，Contoso 希望自訂網頁以顯示更多客戶可能喜歡的產品和服務，從而增加營收。他們可以從產品建議模型建立客戶專屬產品建議，並將資料饋送至其網站。 Contoso 可以鼓勵客戶檢視與其先前購買過的產品及服務類似的產品及服務，對他們進行向上銷售，從而增加營收。

提示

嘗試使用範例資料的產品建議預測：產品建議預測範例指南。

重要

這是預覽功能。
預覽功能不供生產時使用，而且可能功能受限。這些功能是在正式發行前先行推出，讓客戶能夠搶先體驗並提供意見反應。

先決條件

至少參與者權限
在所需預測視窗中至少 1,000 個客戶設定檔
客戶識別碼，將交易配對至個別客戶的唯一識別碼
至少 1 年的交易資料，最好是 2 到 3 年的資料以涵蓋一些季節性。理想狀況下，每個客戶識別碼至少有三筆或以上的交易。交易歷程記錄必須包括：
- 交易識別碼：購買或交易的唯一識別碼。
- 交易日期：購買或交易日期。
- 交易值：購買或交易的數值。
- 唯一的產品識別碼：產品的識別碼，或如果您的資料是單項項目層級，則為已購買服務的識別碼。
- 購買或退貨：布林值 [是/否] ，其中是表示交易是退貨。如果模型中未提供採購或退貨資料，而交易值為負數值時，我們推斷為退貨。
用來做為產品篩選條件的產品類別目錄資料資料表。

注意

模型需要您客戶的交易歷程記錄，其中交易是描述使用者與產品互動的任何資料。例如，購買產品、上課或參加活動。
只能設定一個交易歷程記錄資料表。如果有多個購買資料表，請在資料擷取前，於 Power Query 結合它們。
如果訂單和訂單詳細資料是不同的資料表，請於用在模型之前，先連結它們。在資料表中只有訂單識別碼或收據識別碼時，模型無法運作。

建立產品建議預測

隨時選取儲存草稿以將預測儲存為草稿。草稿預測會顯示在我的預測索引標籤中。

請移至深入解析>預測。
在建立索引標籤上，選取產品建議 (預覽版) 圖標上的使用模型。
選取開始使用。
命名此模型及輸出資料表名稱，將它們與其他模型或資料表區分開來。
選取下一步。

定義產品建議偏好

設定要向客戶推薦的產品數目。依照傳送方式此值填充資料。
選擇是否要在預期重複的採購欄位中包括客戶之前購買的產品。
設定回顧視窗，裡頭含有模型向使用者再次推薦產品前，考量的時間範圍。例如，指定客戶每兩年購買一台筆記本電腦。模型將查看過去兩年的購買歷史記錄，如果找到項目，則將該項目從建議中篩選掉。
選取下一個

新增購買記錄

選取對客戶交易歷程記錄新增資料 。
選取包含所需交易或購買歷程資訊的語義活動類型線上訂單。如果沒有設定活動，請選取此處並建立活動。
如果活動屬性在建立活動時已語義對應，請在活動下方，選擇要進行集中計算的特定屬性或資料表。如果未發生語意對應，請選取編輯，並對應您的資料。
選取下一步並查看此模型所需的屬性。
選取儲存。
選取下一步。

新增產品資訊和篩選條件

有些時候，您建立的預測類型只對特定產品有好處或只適用於特定產品。使用產品篩選條件以找出有特定特性的產品子集，來建議給您的客戶。模型使用所有可用的產品來學習模式，但只使用符合產品篩選輸出的產品。

新增包含每個產品資訊的產品類別目錄資料表。對應所需資訊，然後選取儲存。
選取下一步。
選取產品篩選條件：
- 無篩選：使用產品建議預測中的全部產品。
- 定義特定的產品篩選：使用產品建議預測中的特定產品。在產品類別目錄屬性窗格中，從您的產品類別目錄資料表選取要包含在篩選條件中的屬性。
選擇您是否要讓產品篩選條件使用和或者或，以有邏輯地從產品類別目錄將您選取的屬性結合在一起。
選取下一步。

設定更新排程

選擇重新定型模型的頻率。此設定對更新預測準確度很重要，因為新資料已經內嵌。大部分企業都可以每月重新定型一次，讓他們的預測取得良好的準確度。
選取下一步。

審查並執行模型設定

檢視和執行步驟會顯示設定的摘要，並提供您在建立預測之前進行變更的機會。

若要檢視並進行任何變更，請在任一步驟上選取編輯。
如果對您的選擇感到滿意，請選取儲存並執行以開始執行模型。選取完成。在建立預測時，會顯示我的預測索引標籤。視預測中使用的資料量而定，此程序可能需要幾個小時才能完成。

小費

工作和程序的狀態。大部分程序都是依靠其他上游程序而定，例如：資料來源和資料分析重新整理。

選取狀態打開進度詳細資料窗格並查看工作的進度。若要取消作業，請在窗格下方選取取消作業。

在每個工作下方，您可以選取查看詳細資料取得更多的進度資訊，例如：處理時間、上次處理日期以及可取得的任何與工作或程序相關的錯誤和警告。選取面板下方的查看系統狀態，以查看系統中的其他程序。

查看預測結果

請移至深入解析>預測。
在我的預測索引標籤中，選取您想要查看的預測。

結果頁面中有五個主要資料區段。

模型效能：A、B 或 C 分表示預測的效能，並可協助您決定是否使用輸出資料表中儲存的結果。

評分是根據下列規則而定：
- A 當「成功 @ K」指標至少比基準多 10% 時。
- B 當「成功 @ K」指標比基準多 0% 到 10% 時。
- C 當「成功 @ K」指標比基準少時。
- 基準：計算所有客戶的購買總數而得到的最常推薦產品 + 模型辨識出的習得規則 = 一組給客戶的建議。然後，將預測與排名最靠前產品 (以購買產品的客戶數目計算得出) 進行比較。如果客戶的建議產品中至少有一個產品也能高購買量產品中看到，則會將他們視為基準的一部分。例如，如果每 100 位客戶中有 10 位曾購買建議產品，則基準為 10%。
- 成功 @ K：為所有客戶建立的建議，並與交易時段的驗證集進行比較。例如，在 12 個月的時段中，第 12 個月會被保留為資料的驗證集。如果模型根據前 11 個月的經驗，預測您會在第 12 個月購買至少一件商品，客戶就會增加「成功 @ K」計量。
最建議的產品 (含計數)：為客戶預測的五種最佳的產品。
主要建議因素：模型會使用客戶的交易歷史記錄，來製作產品建議。它會根據過去的購買內容學習模式，並尋找客戶與產品之間的相似處。然後使用這些相似處來生成產品建議。以下是可能會影響模型產生產品建議的因素。
- 過去交易：建議產品是依據過去的購買模式。例如，如果某個人最近購買了 Surface Book 3 和 Surface Pen，則模型會建議Surface Arc 滑鼠。此模型了解到，長期來看，許多客戶會在購買 Surface Book 3 和 Surface Pen 後購買 Surface Arc Mouse。
- 客戶相似性：建議的產品過去曾由其他客戶購買，這些客戶表現出類似的購買模式。例如，因為 Jennifer 和 Brad 最近購買 Surface 耳機 2，John 被建議了 Surface 耳機 2。因為他們過去都有相似的購買模式，模型認為 John 跟 Jennifer 與 Brad 相似。
- 產品相似性：建議的產品與客戶先前購買的其他產品類似。如果產品過去會被同時購買或被類似的客戶購買，此模型會將兩種它們視為相似。例如，有人會收到推薦 USB 儲存裝置的建議，是因為他們先前購買了 USB-C 轉 USB 轉接器。此模型根據歷史購買模式認為 USB 儲存裝置 與 USB-C 轉 USB 轉接器相似。
每個產品建議都會受到一個或多個因素的影響。在圖表中，會視覺化每個影響因素對建議造成影響的百分比。在下列範例中，100% 的建議受到過去交易的影響，60% 為客戶相似性，以及 22% 為產品相似性。將滑鼠停留在圖表上的方塊，可查看影響因素所提供的確切百分比。
資料統計資訊：模型所考慮的交易、客戶及產品數量的概覽。這是根據用來學習模式和生成產品建議的輸入資料而定。

模型會使用所有可用的資料來學習模式。因此，如果您在模型設定中使用產品篩選條件，此區段會顯示模型分析來學習模式的產品總數量，這可能與符合定義篩選準則的產品數量不同。篩選條件會套用至模型產生的輸出。
範例產品建議：模型認為客戶最有可能購買的建議範例。如果新增了產品類別目錄，則產品識別碼會被產品名稱取代。