Predviđanje preporuka proizvoda (pretpregled)

Članak
01/23/2024

[Ovaj je članak iz dokumentacije predizdanja i podložan je promjenama.]

Model preporuke proizvoda stvara skupove prediktivnih preporuka proizvoda. Preporuke se temelje na prethodnom ponašanju pri kupnji i klijentima sa sličnim obrascima kupnje. Morate imati poslovno znanje o različitim vrstama proizvoda za svoju tvrtku i načinu na koji vaši kupci stupaju u interakciju s njima. Podržavamo preporuku proizvoda koje su vaši kupci prethodno kupili ili preporuke za nove proizvode.

Model preporuke proizvoda pomaže vam:

Preporučite druge proizvode uz kupnju
Obratite se kupcima s proizvodima koji bi ih mogli zanimati
Poboljšanje otkrivanja s drugim relevantnim proizvodima i uslugama
Stvaranje personaliziranih korisničkih iskustava

Preporuke proizvoda mogu podlijegati lokalnim zakonima i propisima i očekivanjima kupaca, što model nije izrađen kako bi se posebno uzeo u obzir. Stoga morate pregledati preporuke prije nego što ih dostavite svojim kupcima kako biste bili sigurni da se pridržavate svih primjenjivih zakona ili propisa i očekivanja kupaca za ono što biste mogli preporučiti.

Izlaz ovog modela daje preporuke na temelju ID-a proizvoda. Vaš mehanizam isporuke mora mapirati predviđene ID-ove proizvoda na odgovarajući sadržaj kako bi vaši kupci mogli uzeti u obzir lokalizaciju, sadržaj slike i drugi sadržaj ili ponašanje specifičan za tvrtku.

Na primjer, Contoso želi povećati svoj prihod prilagodbom web stranica kako bi prikazao više proizvoda i usluga koje bi korisnici mogli uživati. Oni mogu izraditi preporuke proizvoda specifične za kupca iz modela preporuke za proizvod i poslati podatke na svoje web-mjesto. Contoso je u mogućnosti prodati svoje kupce potičući ih da gledaju proizvode i usluge slične onima koje su kupili prije, povećavajući prihode.

Savjet

Isprobajte preporuku proizvoda predviđanje koristeći ogledne podatke: Preporuka proizvoda predviđanje vodič za uzorak.

Važno

To je značajka pretpregleda.
Značajke pretpregleda nisu namijenjene u proizvodne svrhe i mogu imati ograničene funkcije. Te su značajke dostupne prije službenog izdavanja da bi se klijentima omogućio prijevremeni pristup i slanje povratnih informacija.

Preduvjeti

Dozvole za najmanje suradnik
Najmanje 1.000 korisničkih profila unutar željenog prozora predviđanje
Identifikator klijenta, jedinstveni identifikator koji povezuje transakcije s pojedinačnim klijentom
Najmanje jedna godina transakcijskih podataka, po mogućnosti dvije do tri godine kako bi se uključila određena sezonalnost. U idealnom slučaju, najmanje tri ili više transakcija po ID-u kupca. Povijest transakcija mora uključivati:
- ID transakcije: jedinstveni identifikator nabave ili transakcije.
- Datum transakcije: Datum kupnje ili transakcije.
- Vrijednost transakcije: Numerička vrijednost kupnje ili transakcije.
- Jedinstveni ID proizvoda: ID kupljenog proizvoda ili usluge ako su vaši podaci na razini stavke retka.
- Kupnja ili povrat: booleova vrijednost true/false akotrue utvrdi da je transakcija bila povrat . Ako podaci o kupnji ili povratu nisu navedeni u modelu, a vrijednost transakcije je negativna, zaključujemo povrat.
Tablica podataka kataloga proizvoda koja će se koristiti kao filtar proizvoda.

Napomena

Model zahtijeva povijest transakcija vaših kupaca gdje je transakcija bilo koji podatak koji opisuje interakciju između korisnika i proizvoda. Na primjer, kupnja proizvoda, pohađanje nastave ili prisustvovanje događaju.
Moguće je konfigurirati samo jednu tablicu povijesti transakcija. Ako postoji više tablica za kupnju, kombinirajte ih prije unosa Power Query podataka.
Ako su detalji narudžbe i narudžbe različite tablice, pridružite im se prije korištenja u modelu. Model ne radi samo s ID-om narudžbe ili ID-om potvrde u tablici.

Stvaranje predviđanja preporuka proizvoda

Odaberite Spremi skicu u bilo kojem trenutku da biste predviđanje spremili kao skicu . Skica predviđanje prikazuje se na kartici Moja predviđanja .

Idite na Predviđanja uvida>.
Na kartici Stvaranje na pločici Preporuke proizvoda (pretpregled) odaberite Koristi model .
Odaberite Početak rada.
Imenujte ovaj model i naziv izlazne tablice da biste ih razlikovali od drugih modela ili tablica.
Odaberite Dalje.

Definiranje preferenci preporuka proizvoda

Postavite broj proizvoda koje želite preporučiti klijentu. Ova vrijednost ovisi o tome kako vaš način isporuke ispunjava podatke.
Odaberite želite li uključiti proizvode koje su kupci prethodno kupili u polje Ponavljanje očekivane nabave.
Postavite prozor Osvrnite se na vremenski okvir koji model uzima u obzir prije nego što ponovno preporučite proizvod korisniku. Na primjer, naznačite da klijent kupuje prijenosno računalo svake dvije godine. Model promatra povijest nabave za posljednje dvije godine, a ako pronađe stavku, stavka se filtrira iz preporuka.
Odaberite Sljedeće

Dodajte povijest kupnje

Odaberite Dodaj podatke za povijest transakcija kupaca.
Odaberite vrstu semantičke aktivnosti SalesOrderLine koja sadrži potrebne podatke o povijesti transakcija ili nabave. Ako aktivnost nije postavljena, odaberite ovdje i stvorite je.
Ako su u odjeljku Aktivnosti atributi aktivnosti semantički mapirani prilikom stvaranja aktivnosti, odaberite određene atribute ili tablicu na koju želite da se izračun usredotoči. Ako nije došlo do semantičkog mapiranja, odaberite Uredi i mapirajte podatke.
Odaberite Dalje i pregledajte atribute potrebne za ovaj model.
Odaberite Spremi.
Odaberite Dalje.

Dodavanje informacija o proizvodu i filtara

Ponekad su samo određeni proizvodi korisni ili prikladni za vrstu predviđanja koju izrađujete. Pomoću filtara proizvoda identificirajte podskup proizvoda sa specifičnim karakteristikama koje ćete preporučiti svojim kupcima. Model koristi sve dostupne proizvode za učenje uzoraka, ali u izlazu koristi samo proizvode koji odgovaraju filtru proizvoda.

Dodajte tablicu kataloga proizvoda koja sadrži podatke za svaki proizvod. Preslikajte tražene informacije i odaberite Spremi.
Odaberite Dalje.
Odaberite filtre proizvoda:
- Bez filtara: Koristite sve proizvode u preporuci proizvoda predviđanje.
- Definiranje određenih filtara proizvoda: Koristite određene proizvode u preporuci proizvoda predviđanje. U oknu atributi kataloga proizvoda odaberite atribute iz tablice kataloga proizvoda koje želite uključiti u filtar.
Odaberite želite li da filtar proizvoda koristi i ili da logički kombinirate odabir atributa iz kataloga proizvoda.
Odaberite Dalje.

Postavljanje rasporeda ažuriranja

Odaberite frekvenciju za prekvalifikaciju modela. Ova je postavka važna za ažuriranje točnosti predviđanja jer se unose novi podaci. Većina tvrtki može ponovno uvježbavati jednom mjesečno i steći dobru točnost predviđanja.
Odaberite Dalje.

Pregled i pokretanje konfiguracije modela

Korak Pregled i pokretanje prikazuje sažetak konfiguracije i pruža priliku za promjene prije stvaranja pogreške predviđanje.

Odaberite Uredi na bilo kojem od koraka da biste pregledali i unijeli promjene.
Ako ste zadovoljni odabirom, odaberite Spremi i pokreni da biste započeli s pokretanjem modela. Odaberite Gotovo. Tijekom stvaranja pogreške predviđanje prikazuje se kartica Moja predviđanja . Postupak može potrajati nekoliko sati, ovisno o količini podataka korištenih u pogrešci predviđanje.

Savjet

Postoje statusi za zadatke i procese. Većina procesa ovisi o drugim uzlaznim procesima, kao što su izvori podataka i osvježavanje profiliranjapodataka.

Odaberite status da biste otvorili okno s detaljima o tijeku i vidjeli tijek zadataka. Da biste otkazali posao, pri dnu okna odaberite Odustani od posla .

Pod svakim zadatkom možete odabrati Pogledajte detalje za dodatne informacije o napretku, kao što su vrijeme obrade, datum posljednje obrade i sve primjenjive pogreške i upozorenja povezana sa zadatkom ili procesom. Odaberite Prikaz statusa sustava pri dnu ploče da biste vidjeli druge procese u sustavu.

Prikaz rezultata predviđanje

Idite na Predviđanja uvida>.
Na kartici Moja predviđanja odaberite pogrešku predviđanje koju želite pogledati.

Unutar stranice s rezultatima nalazi se pet primarnih odjeljaka podataka.

Performanse modela: Ocjene A, B ili C označavaju performanse pogreške predviđanje i mogu vam pomoći u donošenju odluke o korištenju rezultata pohranjenih u izlaznoj tablici.

Ocjene se određuju na temelju sljedećih pravila:
- A kada je mjerni podatak "Uspjeh @ K" najmanje 10% veći od osnovnog scenarija.
- B kada je metrika "Uspjeh @ K" 0% do 10% veća od polazne vrijednosti.
- C kada je mjerni podatak "Uspjeh @ K" manji od osnovnog scenarija.
- Polazna vrijednost: Najbolji najpreporučljiviji proizvodi po broju kupnji kod svih kupaca + naučena pravila identificirana modelom = skup preporuka za kupce. Predviđanja se zatim uspoređuju s vrhunskim proizvodima, kako se izračunava prema broju kupaca koji su kupili proizvod. Ako klijent ima barem jedan proizvod u preporučenim proizvodima, što se također vidi u najčešće kupljenim proizvodima, smatra se dijelom osnovne vrijednosti. Na primjer, ako je 10 od tih kupaca imalo kupljen preporučeni proizvod od 100 ukupnih kupaca, polazna vrijednost iznosi 10%.
- Uspjeh @ K: Preporuke se kreiraju za sve kupce i uspoređuju s validacijskim skupom vremenskog razdoblja transakcija. Na primjer, u razdoblju od 12 mjeseci, 12. mjesec se odvaja kao skup podataka za provjeru valjanosti. Ako model predviđa barem jednu stvar koju biste kupili u 12. mjesecu na temelju onoga što je naučio iz prethodnih 11 mjeseci, kupac povećava metriku "Uspjeh @ K".
Većina predloženih proizvoda (s zbrojem): Pet najboljih proizvoda koji su predviđeni za vaše kupce.
Ključni čimbenici preporuke: Model koristi povijest transakcija kupaca za davanje preporuka za proizvode. Uči uzorke na temelju prošlih kupnji i pronalazi sličnosti između klijenata i proizvoda. Te se sličnosti zatim koriste za generiranje preporuka za proizvode. Sljedeći čimbenici mogli bi utjecati na preporuku proizvoda koju generira model.
- Prošle transakcije: preporučeni proizvod temeljio se na prošlim obrascima kupnje. Na primjer, model može preporučiti Surface Arc miš ako je netko nedavno kupio Surface Book 3 i Surface Pen. Model je saznao da su povijesno mnogi kupci kupili Surface Arc miš nakon kupnje Surface Book 3 i Surface Pen olovke.
- Sličnost s kupcima: Preporučeni proizvod povijesno kupuju drugi kupci koji pokazuju slične obrasce kupnje. Na primjer, Johnu su preporučene Surface Headphones 2 jer su Jennifer i Brad nedavno kupili Surface Headphones 2 . Manekenka vjeruje da je John sličan Jennifer i Bradu jer povijesno imaju slične obrasce kupnje.
- Sličnost proizvoda: Preporučeni proizvod sličan je drugim proizvodima koje je kupac prethodno kupio. Model smatra da su dva proizvoda slična ako su kupljeni zajedno ili ako su ih kupili slični klijenti. Na primjer, netko dobiva preporuku za USB pogon za pohranu jer je prethodno kupio USB-C na USB adapter. Model vjeruje da je USB pogon za pohranu sličan USB-C USB adapteru na temelju povijesnih obrazaca kupnje.
Jedan ili više ovih čimbenika utječu na svaku preporuku proizvoda. Postotak preporuka u kojima je svaki čimbenik utjecaja igrao ulogu prikazan je na grafikonu. U sljedećem primjeru na 100% preporuka utječu prošle transakcije, 60% sličnost s kupcima, a 22% sličnost proizvoda. Zadržite pokazivač iznad traka na grafikonu da biste vidjeli točan postotak doprinosa čimbenika utjecaja.
Statistika podataka: pregled broja transakcija, kupaca i proizvoda koje je model razmatrao. Temelji se na ulaznim podacima koji su korišteni za učenje uzoraka i generiranje preporuka za proizvode.

Model koristi sve dostupne podatke za učenje uzoraka. Stoga, ako koristite filtriranje proizvoda u konfiguraciji modela, ovaj odjeljak prikazuje ukupan broj proizvoda koje je model analizirao da bi naučio uzorke, koji se mogu razlikovati od broja proizvoda koji odgovaraju definiranim kriterijima filtriranja. Filtriranje se primjenjuje na izlaz koji generira model.
Ogledne preporuke proizvoda: Uzorak preporuka za koje model vjeruje da će ih kupac vjerojatno kupiti. Ako se doda katalog proizvoda, ID-ovi proizvoda zamjenjuju se nazivima proizvoda.