Prever recomendações de produto (versão preliminar)

[Este artigo faz parte da documentação de pré-lançamento e está sujeito a alterações.]

O modelo de recomendação de produto cria conjuntos de recomendações de produto preditivas. As recomendações são baseadas no comportamento de compra anterior e clientes com padrões de compra semelhantes. É necessário ter conhecimento de negócios sobre os diferentes tipos de produtos para sua empresa e como seus clientes interagem com eles. Apoiamos a recomendação de produtos que os clientes tenham adquirido anteriormente ou recomendações para novos produtos.

O modelo de recomendação do produto ajuda você a:

• Recomendar outros produtos para acompanhar uma compra
• Entrar em contato com clientes com produtos nos quais eles possam ter interesse
• Melhorar a descoberta com outros produtos e serviços relevantes
• Criar experiências de cliente personalizadas

As recomendações de produto podem estar sujeitas a leis e regulamentações locais e a expectativas dos clientes, que o modelo não foi compilado especificamente levando isso em conta. Por isso, você deve revisar as recomendações antes de apresentá-las aos clientes para garantir que esteja em conformidade com todas as leis aplicáveis ou regulamentações, além das expectativas dos clientes em relação ao que convém recomendar.

A saída deste modelo fornece recomendações com base na ID do produto. Seu mecanismo de entrega precisa mapear as IDs de produto previstas para o conteúdo apropriado de modo que seus clientes sejam responsáveis por localização, conteúdo de imagem e outros conteúdos ou comportamentos específicos de negócios.

Por exemplo, a Contoso deseja aumentar a receita personalizando páginas da Web para mostrar mais produtos e serviços que os clientes podem aproveitar. Eles podem criar recomendações de produto específicas do cliente com base no modelo de recomendação do produto e alimentar os dados no site. A Contoso consegue fazer venda adicional para os clientes, incentivando-os a exibir produtos e serviços semelhantes aos que compraram antes, o que aumenta a receita.

Pré-requisitos

• Pelo menos permissões de Colaborador
• Pelo menos 1.000 perfis de cliente dentro da janela de previsão desejada
• Identificador do cliente: um identificador exclusivo para fazer a correspondência das transações com um cliente individual
• Pelo menos um ano de dados transacionais, de preferência de dois a três anos para incluir alguma sazonalidade. Idealmente, pelo menos três ou mais transações por ID de cliente. O histórico da transações deve incluir:
  • ID da transação: identificador exclusivo de uma compra ou transação.
  • Data da transação: data da compra ou transação.
  • Valor da transação: valor numérico da compra ou da transação.
  • ID exclusiva do produto: ID do produto ou serviço adquirido, se os seus dados estiverem em um nível de item de linha.
  • Compra ou devolução: um campo booliano verdadeiro/falso em que o valor verdadeiro identifica que uma transação foi uma devolução. Se os dados de Compra ou Devolução não forem fornecidos no modelo e o Valor da transação for negativo, vamos inferir uma devolução.
• Uma tabela de dados do catálogo de produtos para usar como filtro de produto.

Criar uma previsão de recomendação do produto

Selecione Salvar rascunho a qualquer momento para salvar o previsão como rascunho. A previsão de rascunho é exibida na guia Minhas previsões.

1. Vá para Insights>Previsões.

2. Na guia Criar, selecione Usar modelo no bloco Recomendações de produto (versão preliminar).

3. Selecione Começar.

4. Nomear este modelo e Nome da tabela de saída para distingui-los de outros modelos ou tabelas.

5. Selecione Avançar.

Definir preferências de recomendação de produto

1. Defina o Número de produtos que deseja recomendar a um cliente. Esse valor depende de como seu método de entrega preenche os dados.

2. Escolha se você deseja incluir produtos que os clientes compraram no passado no campo Repetir compras esperadas.

3. Defina a Janela do passado com o período que o modelo considera antes de recomendar o produto ao usuário novamente. Por exemplo, indique que um cliente adquire um laptop a cada dois anos. O modelo analisa o histórico de compras dos últimos dois anos e, se encontrar um item, o item será filtrado das recomendações.

4. Selecione Avançar.

Adicionar histórico de compras

1. Selecione Adicionar dados para Histórico de transações do cliente.

2. Selecione o tipo de atividade semântica SalesOrderLine que contém a transação necessária ou as informações do histórico de compras. Se a atividade não tiver sido configurada, selecione aqui e a crie.

3. Em Atividades, se os atributos da atividade tiverem sido mapeados semanticamente quando a atividade foi criada, escolha os atributos específicos ou a tabela em que você deseja que o cálculo se concentre. Se o mapeamento semântico não tiver ocorrido, selecione Editar e mapeie os dados.

   

4. Selecione Avançar e revise os atributos necessários para este modelo.

5. Selecione Salvar.

6. Selecione Avançar

Adicionar informações e filtros de produto

Às vezes, apenas alguns produtos são benéficos ou apropriados para o tipo de previsão que você cria. Use os filtros de produto para identificar um subconjunto de produtos com características específicas para recomendar aos seus clientes. O modelo usa todos os produtos disponíveis para aprender padrões, mas só usa os produtos correspondentes ao filtro do produto na saída.

1. Adicione sua tabela de catálogo de produtos que contém informações para cada produto. Mapeie as informações necessárias e selecione Salvar.

2. Selecione Avançar

3. Selecione Filtros de produto:

   • Sem filtros: usar todos os produtos na previsão de recomendação de produtos.

   • Definir filtros de produto específicos: usar produtos específicos na previsão de recomendação de produtos. No painel Atributos do catálogo de produtos, selecione os atributos da sua tabela catálogo de produtos que deseja incluir no filtro.

     

4. Escolha se você deseja que o filtro de produto use e ou ou para combinar logicamente sua seleção de atributos do catálogo de produtos.

   

5. Selecione Avançar

Definir cronograma de atualização

1. Escolha uma frequência para treinar o modelo novamente. Essa configuração é importante para atualizar a precisão das previsões à medida que novos dados são ingeridos. A maioria das empresas pode realizar o treinamento novamente uma vez por mês e obter uma boa precisão para suas previsões.

2. Selecione Avançar

Revisar e executar a configuração do modelo

A etapa Revisar e executar mostra um resumo da configuração e oferece a chance de fazer alterações antes de criar a previsão.

1. Selecione Editar em qualquer uma das etapas para revisar e fazer alterações.

2. Se você estiver contente com as seleções, selecione Salvar e executar para começar a execução do modelo. Selecione Concluído. A guia Minhas previsões é exibida enquanto a previsão está sendo criada. O processo pode demorar muitas horas para ser concluído, dependendo do volume de dados usados na previsão.

Visualizar resultados de previsão

1. Vá para Insights>Previsões.

2. Na guia Minhas previsões, selecione a previsão que deseja visualizar.

Há cinco seções principais de dados na página de resultados.

• Desempenho do modelo: os níveis A, B ou C indicam o desempenho da previsão e podem ajudar você a tomar a decisão de usar os resultados armazenados na tabela de saída.

  

  As classificações são determinadas com base nas seguintes regras:

  • A quando a métrica "Success @ K" for pelo menos 10% maior que a linha de base.
  • B quando a métrica "Success @ K" for de 0% a 10% maior que a linha de base.
  • C quando a métrica "Sucess @ K" for inferior à linha de base.
  • Linha de base: os principais produtos mais recomendados por contagem de compra em todos os clientes + regras aprendidas identificadas pelo modelo = um conjunto de recomendações para os clientes. As previsões acabam sendo comparadas com os principais produtos, calculadas pelo número de clientes que compraram o produto. Se um cliente tem pelo menos um produto em seus produtos recomendados que também foi visto nos produtos mais comprados, eles são considerados parte da linha de base. Por exemplo, se 10 desses clientes tivessem um produto recomendado comprado de um total de 100 clientes, a linha de base seria 10%.
  • Success @ K: as recomendações são criadas para todos os clientes e comparadas com o conjunto de validação de transações. Por exemplo, em um período de 12 meses, o mês 12 é reservado como um conjunto de dados de validação. Se o modelo fizesse a previsão de pelo menos um item que você compraria no mês 12 com base no que aprendeu nos 11 meses anteriores, o cliente aumentaria a métrica "Success @ K".

• Produtos mais sugeridos (com contagem): os cinco principais produtos previstos para seus clientes.

  

• Principais fatores de recomendação: o modelo usa o histórico de transações dos clientes para fazer recomendações de produtos. Ele aprende padrões com base em compras anteriores e encontra semelhanças entre clientes e produtos. Essas semelhanças são então utilizadas para gerar recomendações de produtos. Os seguintes fatores podem influenciar uma recomendação de produto gerada pelo modelo.

  • Transações anteriores: um produto recomendado foi baseado em padrões de compra anteriores. Por exemplo, o modelo pode recomendar um Mouse Surface Arc se alguém comprou recentemente um Surface Book 3 e uma Caneta Surface. O modelo aprendeu que, historicamente, muitos clientes compraram um Mouse Surface Arc depois de comprar um Surface Book 3 e uma Caneta Surface.
  • Similaridade do cliente: um produto recomendado foi historicamente comprado por outros clientes que apresentam padrões de compra semelhantes. Por exemplo, John recebeu como recomendação o Surface Headphones 2 porque Jennifer e Brad recentemente compraram o Surface Headphones 2. O modelo acredita que John seja semelhante a Jennifer e Brad porque eles têm padrões de compra historicamente semelhantes.
  • Similaridade do produto: um produto recomendado é semelhante a outros produtos que o cliente comprou anteriormente. O modelo considera dois produtos semelhantes se tiverem sido comprados juntos ou por clientes semelhantes. Por exemplo, alguém recebe uma recomendação para um Unidade de armazenamento USB porque eles compraram anteriormente um Adaptador USB-C para USB. O modelo acredita que Unidade de armazenamento USB seja semelhante a Adaptador USB-C para USB com base em padrões históricos de compra.

  Um ou mais desses fatores influenciam todas as recomendações de produto. A porcentagem de recomendações em que cada fator influenciador desempenhou um papel é visualizada em um gráfico. No exemplo a seguir, 100% das recomendações são influenciados por transações anteriores, 60% pela similaridade do cliente e 22% pela similaridade do produto. Passe o mouse sobre as barras do gráfico para ver a porcentagem exata em que os fatores influenciadores contribuíram.

  

• Estatísticas de dados: uma visão geral do número de transações, clientes e produtos que o modelo considerou. Elas são baseadas nos dados de entrada que foram usados para aprender padrões e gerar recomendações de produtos.

  

  O modelo usa todos os dados disponíveis para aprender padrões. Portanto, se você usar a filtragem de produto na configuração do modelo, esta seção mostra o número total de produtos que o modelo analisou para aprender padrões, que pode diferir do número de produtos que correspondem aos critérios de filtragem definidos. A filtragem aplica-se à saída gerada pelo modelo.

• Recomendações de produtos de amostra: uma amostra de recomendações que o modelo acha que provavelmente serão adquiridas pelo cliente. Se um catálogo de produtos for adicionado, as IDs dos produtos serão substituídas pelos nomes dos produtos.