Forudsige produktanbefalinger (forhåndsversion)

Artikel
01/31/2024

[Denne artikel er til dokumentationen til den foreløbige udgivelse. Der kan forekomme ændringer.]

Produktanbefalingsmodellen opretter produktanbefalinger for forudsigelse. Anbefalinger er baseret på tidligere købsmåder og kunder med lignende købsmønstre. Du skal have forretningsviden om de forskellige typer produkter i virksomheden, og hvordan kunderne kommunikerer med dem. Vi anbefaler produkter, der tidligere er købt af dine kunder, eller anbefalinger til nye produkter.

Produktanbefalelsesmodellen kan være en hjælp:

Anbefal andre produkter til et køb
Kontakte kunder med produkter, de kunne være interesserede i
Forbedre opdagelsen med andre relevante produkter og tjenester
Oprette tilpassede kundeoplevelser

Produktanbefalinger kan være underlagt lokale love og regler og kundernes forventninger, som modellen ikke er udviklet til specifikt at tage højde for. Som bruger af denne gode funktion skal du gennemgå anbefalingerne, inden de leveres til dine kunder, for at sikre, at du overholder alle gældende love eller regler samt kundernes forventninger til det, du kan anbefale.

Outputtet fra denne model giver dig anbefalinger baseret på produkt-id. Leveringsmekanismen skal knytte de forudsagte produkt-id'er til det relevante indhold, så dine kunder kan tage højde for lokalisering, billedindhold og andet forretningsspecifikt indhold eller funktionsmåde.

Contoso vil f.eks. øge sin omsætning ved at tilpasse websider, så der vises flere produkter og servicer, som kunderne kan glæde sig over. De kan oprette kundespecifikke produktanbefalinger ud fra produktanbefalingsmodellen og brødføde dataene til deres websted. Contoso kan skabe mersalg for kunderne at få vist produkter og servicer på samme måde som dem, de har købt før, hvilket øger indtjeningen.

Tip

Prøv forudsigelsen af produktanbefalinger ved hjælp af eksempeldata: Eksempelvejledning til forudsigelse af produktanbefalinger.

Vigtigt

Dette er en forhåndsversion af funktionen.
Forhåndsversionsfunktionerne er ikke beregnet til produktionsformål og kan have begrænset funktionalitet. Disse funktioner er tilgængelige før en officiel udgivelse, så kunderne kan få tidlig adgang og give feedback.

Forudsætninger

Mindst Bidragyder-tilladelser
Mindst 1.000 kundeprofiler i det ønskede forudsigelsesvindue
Kunde-id: et entydigt id, der skal svare til transaktioner med en enkelt kunde
Mindst et år med transaktionsdata, helst to til tre år for at medtage en vis grad af kontinuitet. Ideelt set mindst tre eller flere transaktioner pr. kunde-id. Transaktionshistorikken skal omfatte:
- Transaktions-id: Entydigt id for et køb eller en transaktion.
- Transaktionsdato: Købs- eller transaktionsdato.
- Værdi for transaktion: Numerisk værdi for købet eller transaktionen.
- Entydigt produkt-id: Id for det produkt eller den tjeneste, du har købt, hvis dataene befinder sig på linjeelementniveau.
- Køb eller returnering: En boolesk sand/falsk-værdi, hvor sand identificerer, at en transaktion var en returnering. Hvis dataene for Køb eller Retur ikke leveres som model, og værdien af transaktionen er negativ, bruger vi også disse oplysninger til at udlede en returnering.
En produktkatalogdatatabel til brug som et produktfilter.

Bemærk

Modellen kræver kundernes transaktionsoversigt, hvor transaktion er data, der beskriver en interaktion mellem bruger og produkt. Det kan f.eks. være at købe et produkt, tage en klasse eller deltage i et arrangement.
Der kan kun konfigureres én transaktionsoversigtstabel. Hvis der er flere købstabeller, kan du samle dem i Power Query, før dataindtagelse går i gang.
Hvis ordren og ordredetaljer er forskellige tabeller, kan du samle dem, før du bruger dem i modellen. Modellen fungerer ikke kun med et ordre-id eller et kvitterings-id i en tabel.

Oprette forudsigelse om produktanbefalinger

Du kan når som helst vælge Gem kladde for at gemme forudsigelsen som en kladde. Kladdeforudsigelsen vises under fanen Mine forudsigelser.

Gå til Indsigt>Forudsigelser.
Under fanen Opret skal du vælge Brug model i feltet Produktanbefalinger (forhåndsversion).
Vælg Introduktion.
Navngiv denne model og navnet på outputtabellen for at skelne mellem dem fra andre modeller eller tabeller.
Vælg Næste.

Definere indstillinger for produktanbefalinger

Angiv det antal produkter, der skal anbefales til en kunde. Værdien afhænger af, hvordan leveringsmetoden udfylder data.
Vælg, om du vil medtage produkter, som kunderne tidligere har købt, i feltet Gentag køb forventet.
Angiv Tilbagebliksvindue med den tidsramme, som modellen overvejer, før produktet anbefales til brugeren igen. Angiv f.eks., at en kunde køber en bærbar computer hvert andet år. I denne model kigges der på købsoversigten for de seneste to år, og hvis den finder et vare, filtreres varen efter anbefalingerne.
Vælg Næste

Tilføj købshistorik

Vælg Tilføj data for Kundetransaktionshistorik.
Vælg den semantiske aktivitetstype SalesOrderLine, der indeholder de nødvendige oplysninger om transaktions- eller købshistorikken. Hvis aktiviteten ikke er blevet konfigureret, skal du vælge her og oprette den.
Hvis aktivitetsattributterne blev semantically tilknyttet under Aktiviteter, da aktiviteten blev oprettet, skal du vælge de specifikke attributter eller den tabel, beregningen skal fokusere på. Hvis semantisk tilknytning ikke fandt sted, skal du vælge Rediger og tilknyt dataene.
Vælg Næste, og gennemse de attributter, der kræves til denne model.
Vælg Gem.
Vælg Næste.

Tilføje produktoplysninger og filtre

Undertiden er det kun visse produkter, der er gode eller passende for den type forudsigelse du bygger. Brug produktfiltre til at identificere en delmængde af produkter med bestemte egenskaber, som kan anbefales til dine kunder. I modellen bruges alle tilgængelige produkter til at lære mønstre, men kun bruge de produkter, der svarer til produktfilteret i outputtet.

Tilføj den produktkatalogtabel, der indeholder oplysninger om de enkelte produkter. Tilknyt de nødvendige oplysninger, og vælg Gem.
Vælg Næste.
Vælg Produktfiltre:
- Ingen filtre: Brug alle produkter i produktanbefalingens forudsigelse.
- Definer specifikke produktfiltre: Brug bestemte produkter i produktanbefalingernes forudsigelse. Vælg de attributter fra produktkatalogtabellen, som du vil inkludere i filteret, i ruden Produktkatalogattributter.
Vælg, om produktfilteret skal bruge og eller eller for at udføre en logisk kombination af dine valgte attributter fra produktkataloget.
Vælg Næste.

Indstil opdateringsplan

Vælg en hyppighed for gentræning af modellen. Denne indstilling er vigtig, hvis du vil opdatere nøjagtigheden af forudsigelserne, efterhånden som nye data indsættes. De fleste virksomheder kan omskole én gang om måneden og opnå en god præcision af deres forudsigelse.
Vælg Næste.

Gennemse og kør modelkonfigurationen

I trinnet Gennemse og kør vises en oversigt over konfigurationen, og her kan du foretage ændringer, før du opretter forudsigelsen.

Vælg Rediger på et af trinnene for at gennemse og foretage ændringer.
Hvis du er tilfreds med dine valg, skal du vælge Gem og kør for at starte kørsel af modellen. Vælg Udført. Fanen Mine forudsigelser vises, mens forudsigelse oprettes. Det kan tage flere timer, før processen er fuldført, afhængigt af mængden af data, der bruges i forudsigelsen.

Tip

Der findes status for opgaver og processer. De fleste processer afhænger af andre upstream-processer, f.eks. datakilder og opdatering af dataprofiler.

Vælg status for at åbne ruden Statusdetaljer og få vist status for opgaverne. Hvis du vil annullere jobbet, skal du vælge Annuller job nederst i ruden.

Under hver opgave kan du vælge Se detaljer for at få flere statusoplysninger, f.eks. behandlingstid, den sidste behandlingsdato og eventuelle relevante fejl og advarsler, der er knyttet til opgaven eller processen. Vælg Visning af systemstatus nederst i panelet for at se andre processer i systemet.

Få vist forudsigelsesresultater

Gå til Indsigt>Forudsigelser.
Under fanen Mine forudsigelser skal du vælge den forudsigelse, du vil have vist.

Der findes fem primære dataafsnit på resultatsiden.

Modellens ydeevne: Klassificeringerne A, B eller C angiver resultatet af forudsigelsen og kan hjælpe dig med at træffe beslutning om at bruge de resultater, der er gemt i outputtabellen.

Vurderingerne bestemmes ud fra følgende regler:
- A, når metrikværdien "Success @ K" er mindst 10 % mere end den oprindelige værdi.
- B, når metrikværdien "Success @ K" er 0 % til 10 % mere end den oprindelige værdi.
- C, når metrikværdien "Success @ K" er mindre end den oprindelige værdi.
- Basislinje: Antallet af de mest anbefalede produkter efter køb på tværs af alle kunder + lærte regler, der identificeres af modellen = et sæt anbefalinger til kunderne. Forudsigelserne sammenlignes derefter med de øverste produkter som beregnet ud fra antallet af kunder, der har købt produktet. Hvis en kunde har mindst ét produkt i sine anbefalede produkter, der også blev set i de mest købte produkter, betragtes de som en del af udgangspunktet. Hvis f.eks. 10 af disse kunder havde købt et anbefalet produkt ud af 100 kunder i alt, ville udgangsværdien være 10 %.
- Success @ K: Anbefalinger oprettes for alle kunder og sammenlignes med valideringssættet for tidsperioden for transaktioner. I en periode på 12 måneder kan der f.eks. afsættes 12 måneder som et valideringssæt af data. Hvis modellen bygger på mindst én ting, du ville købe i måned 12 på baggrund af det, den har lært af de foregående 11 måneder, vil kunden øge målingen "Succes @ K".
De fleste forslag til produkter (med sammentælling): De fem vigtigste produkter, der blev foretrukket for dine kunder.
Vigtige anbefalingsfaktorer: Modellen bruger kundernes transaktionsoversigt til at komme med produktanbefalinger. Den lærer mønstre på baggrund af tidligere køb, og der findes ligheder mellem kunder og produkter. Disse ligheder bruges derefter til at oprette produktanbefalinger. Følgende faktorer kan påvirke en produktanbefaling, der genereres af modellen.
- Tidligere transaktioner: Et anbefalet produkt var baseret på tidligere købsmønstre. Modellen kan f.eks. anbefale en Surface Arc Mouse, hvis en person for nylig har købt en Surface Book 3 og en Surface Pen. Modellen har lært, at mange kunder historisk har købt en Surface Arc Mouse, efter at de har købt en Surface Book 3 og en Surface Pen.
- Kundelighed: Et anbefalet produkt er historisk købt af andre kunder, der har et lignende købsmønstre. John blev f.eks. anbefalet Surface Headphones 2 fordi Jennifer og Brad for nylig har købt Surface Headphones 2. Modellen mener, at John ligner Jennifer og Brad, fordi de historisk har haft lignende købsmønstre.
- Produktlighed: Et anbefalet produkt svarer til andre produkter, som kunden tidligere har købt. Modellen anser to produkter for at være ens, hvis de ligner hinanden eller af lignende kunder. For eksempel får nogen en anbefaling til en USB-lagerdrev, fordi de tidligere har købt en USB-C til USB-adapter. Det mener modellen USB-lagerdrev ligner USB-C til USB-adapter baseret på historiske købsmønstre.
En eller flere af disse faktorer påvirker alle produktanbefalinger. Procentdelen af anbefalinger, hvor hver enkelt faktor spillede en rolle, vises i et diagram. I følgende eksempel var 100 % af anbefalingerne baseret på tidligere transaktioner, 60 % efter kundelighed og 22 % efter produktlighed. Hold musen hen over søjlerne i diagrammet for at se den nøjagtige procentdel, hvor de faktorer, der virkede som faktorer, har indflydelse.
Datastatistik: En oversigt over antallet af transaktioner, kunder og produkter, som modellen tager med i betragtning. Den er baseret på de inputdata, der blev brugt til at lære mønstre og generere produktanbefalinger.

Modellen bruger alle tilgængelige data til at lære mønstre. Hvis du bruger produktfiltrering i modelkonfigurationen, vises det samlede antal produkter, som modellen analyserer for at lære mønstre, hvilket muligvis ikke er det samme som antallet af produkter, der opfylder de definerede filtreringskriterier. Filtrering anvendes på det output, som modellen genererer.
Eksempel på produktanbefalinger: Et eksempel på anbefalinger, som efter modellens mening sandsynligvis vil blive købt af kunden. Hvis der tilføjes et produktkatalog, erstattes produkt-id'erne med produktnavne.