제품 추천 예측(프리뷰)

아티클
01/30/2024

[이 문서는 시험판 문서이며 변경될 수 있습니다.]

제품 추천 모델은 예측 제품 추천 세트를 생성합니다. 추천은 이전 구매 행동과 유사한 구매 패턴을 가진 고객을 기반으로 합니다. 비즈니스를 위한 다양한 유형의 제품과 고객이 제품과 상호 작용하는 방식에 대한 비즈니스 지식이 있어야 합니다. 고객이 이전에 구매한 제품을 추천하거나 새로운 제품에 대한 추천을 지원합니다.

제품 추천 모델은 다음을 수행하는 데 도움이 됩니다.

구매와 함께 사용할 다른 제품 추천
고객이 관심을 가질 만한 제품에 대해 고객에게 연락
기타 관련 제품 및 서비스의 검색 개선
개인화된 고객 경험 만들기

제품 권장 사항은 현지 법률 및 규정과 고객의 기대에 따라 달라질 수 있으며, 모델이 특별히 고려하도록 구축되지 않았습니다. 따라서 귀하는 고객에게 제공하기 전에 권장 사항을 검토하여 관련 법률 또는 규정 준수 여부와 권장 사항에 대한 고객의 기대치를 확인해야 합니다.

이 모델의 출력은 제품 ID를 기반으로 권장 사항을 제공합니다. 제공 메커니즘은 고객이 현지화, 이미지 콘텐츠 및 기타 비즈니스별 콘텐츠 또는 동작을 설명할 수 있도록 예측된 제품 ID를 적절한 콘텐츠에 매핑해야 합니다.

예를 들어 Contoso는 고객이 즐길 수 있는 더 많은 제품과 서비스를 표시하기 위해 웹 페이지를 사용자 지정하여 수익을 늘리려고 합니다. 그들은 제품 추천 모델에서 고객별 제품 추천을 생성하고 해당 사이트에 데이터를 공급할 수 있습니다. Contoso는 고객이 이전에 구매한 것과 유사한 제품 및 서비스를 보도록 장려하여 고객을 상향 판매하여 수익을 늘릴 수 있습니다.

팁

샘플 데이터 제품 추천 예측 샘플 가이드를 사용하여 제품 추천 예측을 시도하십시오.

중요

이는 프리뷰 기능입니다.
프리뷰 기능은 생산용으로 만들어진 것이 아니므로 기능이 제한될 수 있습니다. 이런 기능은 공식 릴리스 전에 사용할 수 있으므로 고객이 조기에 액세스하고 피드백을 제공할 수 있습니다.

필수 조건

최소한 기여자 권한이 있어야 합니다
원하는 예측 기간 내에 최소 1,000개의 고객 프로필
고객 식별자, 트랜잭션을 개별 고객과 일치시키는 고유 식별자
최소 1년의 트랜잭션 데이터, 일부 계절 특성을 포함하려면 2~3년이 바람직합니다. 이상적으로는 고객 ID당 최소 3개 이상의 거래. 트랜잭션 기록에는 다음이 포함되어야 합니다.
- 트랜잭션 ID: 구매 또는 트랜잭션의 고유 식별자입니다.
- 트랜잭션 날짜: 구매 또는 트랜잭션 날짜입니다.
- 트랜잭션 값: 구매 또는 트랜잭션의 숫자 값입니다.
- 고유 제품 ID: 데이터가 항목 수준에 있는 경우 구매한 제품 또는 서비스의 ID입니다.
- 구매 또는 반환: 참은 트랜잭션이 반품임을 식별하는 부울 참/거짓 값입니다. 구매 또는 반품 데이터가 모델에 제공되지 않고 트랜잭션 금액이 음수인 경우 반품을 추론합니다.
제품 필터로 사용하기 위한 제품 카탈로그 데이터 테이블.

노트

이 모델은 트랜잭션이 사용자-제품 상호 작용을 설명하는 데이터인 고객의 트랜잭션 기록이 필요합니다. 예를 들어, 제품 구매, 수업 수강 또는 이벤트 참석.
하나의 트랜잭션 기록 테이블만 구성할 수 있습니다. 구매 테이블이 여러 개인 경우 데이터 수집 전에 Power Query에 통합합니다.
주문 및 주문 세부 정보가 다른 테이블인 경우 모델에서 사용하기 전에 결합하십시오. 모델은 테이블의 주문 ID 또는 영수증 ID로만 작동하지 않습니다.

제품 추천 예측 만들기

언제든지 임시 저장을 선택하여 예측을 초안으로 저장합니다. 초안 예측은 내 예측 탭에 표시됩니다.

인사이트>예측으로 이동합니다.
만들기 탭의 제품 추천(프리뷰) 타일에서 모델 사용을 선택합니다.
시작하기를 선택합니다.
이 모델 이름 및 출력 테이블 이름을 지정하여 다른 모델이나 테이블과 구별합니다.
다음을 선택합니다.

제품 추천 기본 설정 정의

고객에게 추천할 제품 수를 설정합니다. 이 값은 전달 방법이 데이터를 채우는 방식에 따라 다릅니다.
고객이 이전에 구매한 제품을 반복 구매 예상 필드에 포함할지를 결정합니다.
모델이 사용자에게 제품을 다시 추천하기 전에 고려하는 시간 프레임으로 되돌아보기 기간을 설정합니다. 예를 들어, 고객이 2년마다 노트북을 구매한다고 표시합니다. 모델은 지난 2년 동안의 구매 기록을 살펴보고 항목을 찾으면 권장 사항에서 항목을 필터링합니다.
다음 선택

구매 기록 추가

고객 트랜잭션 기록에 대해 데이터 추가를 선택합니다.
필수 트랜잭션 또는 구매 기록 정보가 포함된 의미 활동 유형 SalesOrderLine을 선택합니다. 활동이 설정되지 않은 경우 여기를 선택하여 만드십시오.
활동에서, 활동이 생성될 때 활동 특성이 의미적으로 매핑된 경우 계산에 집중할 특정 특성 또는 테이블을 선택합니다. 의미 매핑이 발생하지 않은 경우 편집을 선택하고 데이터를 매핑하세요.
다음을 선택하고 이 모델에 필요한 속성을 검토합니다.
저장을 선택합니다.
다음을 선택합니다.

제품 정보 및 필터 추가

때로는 특정 제품만 빌드하는 예측 유형에 유익하거나 적절합니다. 제품 필터를 사용하여 고객에게 추천할 특정 특징을 가진 제품의 하위 집합을 식별합니다. 모델은 패턴을 학습하는 데 사용할 수 있는 모든 제품을 사용하지만 출력에서 제품 필터와 일치하는 제품만 사용합니다.

각 제품에 대한 정보가 포함된 제품 카탈로그 테이블을 추가합니다. 필요한 정보를 매핑하고 저장을 선택합니다.
다음을 선택합니다.
제품 필터를 선택합니다.
- 필터 없음: 제품 추천 예측의 모든 제품을 사용합니다.
- 특정 제품 필터 정의: 제품 추천 예측에서 특정 제품을 사용합니다. 제품 카탈로그 특성 창에서 필터에 포함할 제품 카탈로그 테이블의 특성을 선택합니다.
제품 필터가 and 또는 or를 사용하여 제품 카탈로그에서 선택한 특성을 논리적으로 결합하도록 할지 선택합니다.
다음을 선택합니다.

업데이트 일정 설정

모델을 재교육할 빈도를 선택합니다. 이 설정은 새 데이터가 수집될 때 예측의 정확성을 업데이트하는 데 중요합니다. 대부분의 비즈니스는 한 달에 한 번 재교육을 받고 예측의 정확도를 높일 수 있습니다.
다음을 선택합니다.

모델 구성 검토 및 실행

검토 및 실행 단계는 구성 요약을 보여주고 예측을 만들기 전에 변경할 수 있는 기회를 제공합니다.

검토하고 변경할 단계에서 편집을 선택합니다.
선택 사항에 만족하면 저장 및 실행을 선택하여 모델 실행을 시작합니다. 완료를 선택합니다. 예측이 생성되는 동안 내 예측 탭이 표시됩니다. 예측에 사용된 데이터 양에 따라 프로세스를 완료하는 데 몇 시간이 걸릴 수 있습니다.

팁

작업 및 프로세스에 대한 상태가 있습니다. 대부분의 프로세스는 데이터 원본 및 데이터 프로파일링 새로 고침과 같은 다른 업스트림 프로세스에 의존합니다.

상태를 선택하여 진행 세부 정보 창을 열고 작업 진행 상황을 봅니다. 작업을 취소하려면 창 하단에서 작업 취소를 선택합니다.

각 작업 아래에서 처리 시간, 마지막 처리 날짜, 작업 또는 프로세스와 관련된 해당 오류 및 경고와 같은 자세한 진행 정보를 보려면 세부 정보 보기를 선택합니다. 시스템의 다른 프로세스를 보려면 패널 하단에서 시스템 상태 보기를 선택합니다.

예측 결과 보기

인사이트>예측으로 이동합니다.
내 예측 탭에서 보려는 예측을 선택합니다.

결과 페이지에는 5개의 기본 데이터 섹션이 있습니다.

모델 성능: A, B 또는 C 등급은 예측의 성능을 나타내며 출력 테이블에 저장된 결과를 사용하기로 결정하는 데 도움이 될 수 있습니다.

등급은 다음 규칙에 따라 결정됩니다.
- A "Success @ K" 지표가 기준선보다 10% 이상 많을 때.
- B "Success @ K" 메트릭이 기준선보다 0%~10% 더 많을 때.
- C "Success @ K" 메트릭이 기준선보다 작을 때.
- 기준: 모든 고객에서 구매하여 가장 많이 추천되는 제품 + 모델로 식별된 학습된 규칙 = 고객을 위한 추천 세트. 그런 다음 제품을 구매한 고객의 수로 계산하여 상위 제품과 예측을 비교합니다. 가장 많이 구매한 제품에도 표시되는 추천 제품의 제품을 고객이 하나 이상 보유한 경우 기준의 일부로 간주됩니다. 예를 들어, 이러한 고객 중 10명이 총 고객 100명 중 추천 제품을 구매했다면 기준선은 10%입니다.
- Success @ K: 모든 고객에 대해 권장 사항이 생성되고 트랜잭션 기간의 검증 세트와 비교됩니다. 예를 들어 12개월 기간에서, 12개월은 데이터 유효성 검사 세트로 따로 설정됩니다. 모델이 지난 11개월 동안 학습한 내용을 기반으로 12개월에 구매할 제품을 하나 이상 예측하는 경우 고객은 "Success @ K" 메트릭을 늘릴 것입니다.
가장 많이 제안된 제품(xof리 포함): 고객을 위해 예측된 상위 5개 제품.
주요 권장 사항: 이 모델은 고객의 트랜잭션 기록을 사용하여 제품을 추천합니다. 과거 구매를 기반으로 패턴을 학습하고 고객과 제품 간의 유사점을 찾습니다. 그런 다음 이러한 유사성을 활용하여 제품 권장 사항을 생성합니다. 다음 요소는 모델에서 생성된 제품 권장 사항에 영향을 줄 수 있습니다.
- 과거 트랜잭션: 과거 구매 패턴을 바탕으로 추천된 상품입니다. 예를 들어, 모델은 누군가가 최근에 Surface Book 3와 Surface Pen을 구매한 경우 Surface Arc Mouse를 추천합니다. 이 모델은 기존에 많은 고객이 Surface Book 3와 Surface Pen을 구매한 후 Surface Arc Mouse를 구매했다는 것을 학습했습니다.
- 고객 유사성: 기존에 비슷한 구매 패턴을 보이는 다른 고객이 추천 상품을 구매했습니다. 예를 들어 Jennifer와 Brad가 최근에 Surface Headphones 2를 구매했기 때문에 John에게 Surface Headphones 2를 추천했습니다. 모델은 John이 기존에 유사한 구매 패턴을 가지고 있기 때문에 Jennifer 및 Brad와 유사하다고 생각합니다.
- 제품 유사성: 추천 상품은 고객이 이전에 구매한 다른 상품과 유사합니다. 이 모델은 두 제품을 함께 구매했거나 유사한 고객이 구매 한 경우 유사한 것으로 간주합니다. 예를 들어, 어떤 사람이 이전에 USB-C to USB 어댑터를 구매했기 때문에 USB 저장 드라이브에 대한 추천을 받습니다. 이 모델은 과거 구매 패턴을 기반으로 USB 저장 드라이브가 USB-C to USB 어댑터와 유사하다고 생각합니다.
이러한 요소 중 하나 이상이 모든 제품 추천에 영향을 미칩니다. 각 영향 요인이 역할을 한 추천 비율이 차트에 시각화됩니다. 다음 예에서 추천의 100%는 과거 트랜잭션, 60%는 고객 유사성, 22%는 제품 유사성에 의해 영향을 받았습니다. 영향 요인이 기여한 정확한 비율을 보려면 차트의 막대 위로 마우스를 가져갑니다.
데이터 통계: 모델이 고려한 트랜잭션, 고객 및 제품 수에 대한 개요입니다. 패턴을 학습하고 제품 추천을 생성하는 데 사용된 입력 데이터를 기반으로 합니다.

모델은 사용 가능한 모든 데이터를 사용하여 패턴을 학습합니다. 따라서 모델 구성에서 제품 필터링을 사용하는 경우 이 섹션에는 모델이 패턴을 학습하기 위해 분석한 총 제품 수가 표시되며, 이는 정의된 필터링 기준과 일치하는 제품 수와 다를 수 있습니다. 필터링은 모델에서 생성된 출력에 적용됩니다.
샘플 제품 권장 사항: 모델이 고객이 구매할 가능성이 있다고 생각하는 권장 사항 샘플입니다. 제품 카탈로그가 추가되면 제품 ID가 제품 이름으로 바뀝니다.