Πρόβλεψη προτάσεων προϊόντων (έκδοση προεπισκόπησης)

[Αυτό το άρθρο αποτελεί τεκμηρίωση προέκδοσης και ενδέχεται να αλλάξει.]

Το μοντέλο σύστασης προϊόντος δημιουργεί σύνολα προγνωστικών προτάσεων προϊόντων. Οι προτάσεις βασίζονται σε προηγούμενη συμπεριφορά αγοράς και σε πελάτες με παρόμοια μοτίβα αγορών. Πρέπει να έχετε επιχειρηματικές γνώσεις για τους διαφορετικούς τύπους προϊόντων για την επιχείρησή σας και τον τρόπο αλληλεπίδρασης των πελατών σας με αυτούς. Υποστηρίζουμε τη σύσταση προϊόντων που οι πελάτες σας έχουν αγοράσει προηγουμένως ή προτάσεις για νέα προϊόντα.

Το μοντέλο σύστασης προϊόντων σας βοηθά:

• Προτείνετε άλλα προϊόντα για να συνοδεύσετε μια αγορά
• Επικοινωνήστε με τους πελάτες με προϊόντα που μπορεί να τους ενδιαφέρουν
• Βελτιώστε την ανακάλυψη με άλλα σχετικά προϊόντα και υπηρεσίες
• Δημιουργήστε εξατομικευμένες εμπειρίες πελατών

Οι συστάσεις προϊόντων ενδέχεται να υπόκεινται σε τοπικούς νόμους και κανονισμούς και προσδοκίες των πελατών, τις οποίες το μοντέλο δεν είναι σχεδιασμένο ειδικά να λαμβάνει υπόψη. Επομένως, πρέπει να εξετάσετε τις συστάσεις πριν τις διανείμετε στους πελάτες σας για να διασφαλίσετε ότι συμμορφώνεστε με τους ισχύοντες νόμους ή κανονισμούς και τις προσδοκίες των πελατών για ό,τι μπορεί να προτείνετε.

Το αποτέλεσμα αυτού του μοντέλου παρέχει συστάσεις βάσει του αναγνωριστικού προϊόντος. Ο μηχανισμός παροχής που έχετε πρέπει να αντιστοιχίσει τα προβλεπόμενα αναγνωριστικά προϊόντων με το κατάλληλο περιεχόμενο για τους πελάτες σας, ώστε να λαμβάνουν υπόψη τους την τοπική προσαρμογή, το περιεχόμενο εικόνας και άλλο περιεχόμενο ή συμπεριφορά ειδικά για την επιχείρηση.

Για παράδειγμα, η Contoso θέλει να αυξήσει τα έσοδα της, προσαρμόζοντας ιστοσελίδες ώστε να δείχνουν περισσότερα προϊόντα και υπηρεσίες που θα μπορούν να χρησιμοποιούν οι πελάτες. Μπορούν να δημιουργήσουν συστάσεις προϊόντων ειδικά για τον πελάτη από το μοντέλο προτάσεων προϊόντων και να τροφοδοτήσετε τα δεδομένα στην τοποθεσία τους. Η Contoso είναι σε θέση να αυξήσει τις πωλήσεις των πελατών της, προτρέποντάς τους να προβάλλουν προϊόντα και υπηρεσίες παρόμοιες με αυτές που έχουν αγοράσει προηγουμένως, αυξάνοντας τα έσοδα.

Φιλοδώρημα

Δοκιμάστε την πρόβλεψη σύστασης προϊόντος χρησιμοποιώντας δείγμα δεδομένων: Οδηγός δείγματος πρόβλεψης σύστασης προϊόντος.

Σημαντικό

• Αυτή είναι μια δυνατότητα προεπισκόπησης.
• Οι δυνατότητες προεπισκόπησης δεν προορίζονται για χρήση παραγωγής και ενδέχεται να έχουν περιορισμένη λειτουργικότητα. Αυτές οι δυνατότητες είναι διαθέσιμες πριν από μια επίσημη κυκλοφορία έτσι ώστε οι πελάτες να έχουν πρόσβαση από νωρίς και να κάνουν σχόλια.

Προαπαιτούμενα στοιχεία

• Τουλάχιστον Δικαιώματα συμβάλλοντος
• Τουλάχιστον 1.000 προφίλ πελατών εντός του επιθυμητού παραθύρου πρόβλεψης
• Αναγνωριστικό πελάτη, ένα μοναδικό αναγνωριστικό για αντιστοίχιση συναλλαγών με μεμονωμένους πελάτες
• Τουλάχιστον ένα έτος δεδομένων συναλλαγών, κατά προτίμηση δύο έως τρία έτη για την συμπερίληψη κάποιας εποχικότητας. Ιδανικά, τουλάχιστον τρεις ή περισσότερες συναλλαγές ανά αναγνωριστικό πελάτη. Το ιστορικό συναλλαγών πρέπει να περιλαμβάνει:
  • Αναγνωριστικό συναλλαγής: Μοναδικό αναγνωριστικό μιας αγοράς ή μιας συναλλαγής.
  • Ημερομηνία συναλλαγής: η ημερομηνία αγοράς ή συναλλαγής.
  • Τιμή της συναλλαγής: Η αριθμητική αξία της αγοράς ή της συναλλαγής.
  • Μοναδικό αναγνωριστικό προϊόντος: Αναγνωριστικό του προϊόντος ή της υπηρεσίας που αγοράσατε, εάν τα δεδομένα σας βρίσκονται σε επίπεδο στοιχείου γραμμής.
  • Αγορά ή επιστροφή: Μια δυαδική τιμή true/false όπου το true προσδιορίζει ότι η συναλλαγή ήταν επιστροφή. Σε περίπτωση που δεν παρέχονται δεδομένα αγοράς ή επιστροφής το μοντέλο και η τιμή της συναλλαγής είναι αρνητική, θα συναγάγουμε μια επιστροφή.
• Ένας πίνακας δεδομένων καταλόγου προϊόντων για χρήση ως φίλτρου προϊόντος.

Σημείωμα

• Το μοντέλο απαιτεί το ιστορικό των συναλλαγών των πελατών σας, όπου η συναλλαγή είναι δεδομένα που περιγράφουν μια αλληλεπίδραση χρήστη-προϊόντος. Για παράδειγμα, η αγορά ενός προϊόντος, η λήψη μιας κλάσης ή η συμμετοχή σε μια εκδήλωση.
• Μόνο ένας πίνακας ιστορικού συναλλαγών μπορεί να ρυθμιστεί. Εάν υπάρχουν πολλαπλοί πίνακες αγοράς, συνδυάστε τες στο Power Query πριν την πρόσληψη δεδομένων.
• Εάν οι παραγγελία και οι λεπτομέρειες παραγγελίας είναι διαφορετικοί πίνακες, συνδυάστε τες πριν τις χρησιμοποιήσετε στο μοντέλο. Το μοντέλο δεν λειτουργεί μόνο με ένα αναγνωριστικό παραγγελίας ή ένα αναγνωριστικό απόδειξης σε έναν πίνακα.

Δημιουργία πρόβλεψης προτάσεων προϊόντων

Επιλέξτε Αποθήκευση προσχεδίου οποιαδήποτε στιγμή για να αποθηκεύσετε την πρόβλεψη ως προσχέδιο. Το προσχέδιο πρόβλεψης εμφανίζεται στην καρτέλα Οι προβλέψεις μου.

1. Μεταβείτε στην Πληροφορίες>Προβλέψεις.

2. Στην καρτέλα Δημιουργία, επιλέξτε Χρήση μοντέλου στο πλακίδιο Συστάσεις προϊόντος (έκδοση προεπισκόπησης).

3. Επιλέξτε Έναρξη.

4. Ονομάστε αυτό το μοντέλο και το Όνομα του πίνακα εξόδου για να τα διακρίνετε από άλλα μοντέλα ή πίνακες.

5. Επιλέξτε Επόμενο.

Καθορισμός προτιμήσεων σύστασης προϊόντος

1. Ορίστε τον Αριθμό προϊόντων που προτείνετε σε έναν πελάτη. Αυτή η τιμή εξαρτάται από το πώς συμπληρώνει δεδομένα η μέθοδος παροχής.

2. Επιλέξτε αν θέλετε να συμπεριλάβετε προϊόντα που έχουν αγοράσει προηγουμένως οι πελάτες στο πεδίο Αναμενόμενες επαναλαμβανόμενες αγορές.

3. Ορίστε το Παράθυρο κοιτάζω προς τα πίσω με το χρονικό πλαίσιο που εξετάζει το μοντέλο πριν προτείνει ξανά το προϊόν στον χρήστη. Για παράδειγμα, υποδείξτε ότι ο πελάτης αγοράζει φορητό υπολογιστή κάθε δύο χρόνια. Το μοντέλο κοιτάει το ιστορικό αγοράς των δύο τελευταίων ετών και εάν βρει κάποιο στοιχείο, το στοιχείο φιλτράρεται από τις προτάσεις.

4. Επιλέξτε Επόμενο

Προσθήκη ιστορικού αγορών

1. Επιλέξτε Προσθήκη δεδομένων για Ιστορικό συναλλαγών πελατών.

2. Επιλέξτε τον τύπο σημασιολογικής δραστηριότητας SalesOrderLine που περιέχει τις απαιτούμενες πληροφορίες ιστορικού συναλλαγών ή αγοράς. Αν δεν οριστεί η δραστηριότητα, επιλέξτε εδώ και δημιουργήστε την.

3. Στην περιοχή Δραστηριότητες, εάν τα χαρακτηριστικά δραστηριότητας αντιστοιχίζονται σημασιολογικά κατά τη δημιουργία της δραστηριότητας, επιλέξτε τα συγκεκριμένα χαρακτηριστικά ή τον πίνακα στον οποίο θα θέλατε να εστιάσει ο υπολογισμός. Εάν δεν είχε προκύψει αντιστοίχιση σημασιών, επιλέξτε Επεξεργασία και κάντε αντιστοίχιση των δεδομένων σας.

   

4. Επιλέξτε Επόμενο και εξετάστε τα χαρακτηριστικά που απαιτούνται για αυτό το μοντέλο.

5. ΕπιλέξτεΑποθήκευση.

6. Επιλέξτε Επόμενο.

Προσθέστε πληροφορίες προϊόντος και φίλτρα

Μερικές φορές, μόνο ορισμένα προϊόντα είναι ωφέλιμα ή κατάλληλα για τον τύπο πρόβλεψης που δημιουργείτε. Χρησιμοποιήστε φίλτρα προϊόντων για να προσδιορίσετε ένα υποσύνολο προϊόντων με συγκεκριμένα χαρακτηριστικά τα οποία θα προτείνετε στους πελάτες σας. Το μοντέλο χρησιμοποιεί όλα τα προϊόντα που είναι διαθέσιμα για εκμάθηση μοτίβων αλλά θα χρησιμοποιήσει μόνο τα προϊόντα που αντιστοιχούν στο φίλτρο προϊόντος στην έξοδο.

1. Προσθέστε τον πίνακα καταλόγου προϊόντων που περιέχει πληροφορίες για κάθε προϊόν. Αντιστοιχίστε τις πληροφορίες που απαιτούνται και επιλέξτε Αποθήκευση.

2. Επιλέξτε Επόμενο.

3. Επιλέξτε Φίλτρα προϊόντος:

   • Χωρίς φίλτρα: Χρησιμοποιήστε όλα τα προϊόντα στην πρόβλεψη συστάσεων προϊόντων.

   • Καθορισμός συγκεκριμένων φίλτρων προϊόντων: χρησιμοποιήστε συγκεκριμένα προϊόντα στην πρόβλεψη σύστασης προϊόντων. Στο τμήμα παραθύρου Χαρακτηριστικά καταλόγου προϊόντων, επιλέξτε τα χαρακτηριστικά από τον πίνακα καταλόγου προϊόντων που θέλετε να συμπεριλάβετε στο φίλτρο.

     

4. Επιλέξτε εάν θέλετε το φίλτρο προϊόντος να χρησιμοποιήσει τις συνδέσεις και ή ή για τον λογικό συνδυασμό της επιλογής χαρακτηριστικών από τον κατάλογο προϊόντων.

   

5. Επιλέξτε Επόμενο.

Ορισμός ενημερωμένου χρονοδιαγράμματος

1. Επιλέξτε συχνότητα για την επανεκπαίδευση του μοντέλου σας. Αυτή η ρύθμιση είναι σημαντική για την ενημέρωση της ακρίβειας των προβλέψεων με τη λήψη νέων δεδομένων. Οι περισσότερες επιχειρήσεις μπορούν να κάνουν επανεκπαίδευση κάθε μήνα και να έχουν μια καλή ακρίβεια για την πρόβλεψή τους.

2. Επιλέξτε Επόμενο.

Εξέταση και εκτέλεση της ρύθμισης παραμέτρων του μοντέλου

Το βήμα Εξέταση και εκτέλεση εμφανίζει μια σύνοψη της ρύθμισης παραμέτρων και σας δίνει την ευκαιρία να κάνετε αλλαγές προτού δημιουργήσετε την πρόβλεψη.

1. Επιλέξτε Επεξεργασία σε οποιοδήποτε από τα βήματα για να ελέγξετε και να κάνετε τυχόν αλλαγές.

2. Εάν είστε ικανοποιημένοι με τις επιλογές σας, επιλέξτε Αποθήκευση και εκτέλεση για να ξεκινήσετε την εκτέλεση του μοντέλου. Επιλέξτε Τέλος. Η καρτέλα Οι προβλέψεις μου εμφανίζεται ενώ δημιουργείται πρόβλεψη. Η ολοκλήρωση της διεργασίας μπορεί να διαρκέσει αρκετές ώρες ανάλογα με την ποσότητα των δεδομένων που χρησιμοποιούνται στην πρόβλεψη.

Φιλοδώρημα

Υπάρχουν καταστάσεις για εργασίες και διεργασίες. Οι περισσότερες διεργασίες εξαρτώνται από άλλες διεργασίες ανοδικά, όπως οι προελεύσεις δεδομένων και η ανανεώσεις του προφίλ δεδομένων.

Επιλέξτε την κατάσταση για να ανοίξετε το παράθυρο λεπτομερειών προόδου και προβάλετε την πρόοδο της εργασίας. Για να ακυρώσετε την εργασία, επιλέξτε Ακύρωση εργασίας στο κάτω μέρος του τμήματος παραθύρου.

Κάτω από κάθε εργασία, μπορείτε να επιλέξτε το Δείτε τις λεπτομέρειες για περισσότερες πληροφορίες σχετικά με την πρόοδο, όπως το χρόνο επεξεργασίας, την τελευταία ημερομηνία επεξεργασίας και τυχόν σφάλματα και προειδοποιήσεις που σχετίζονται με την εργασία ή τη διεργασία. Επιλέξτε την Προβολή κατάστασης συστήματος στο κάτω μέρος του πίνακα για να δείτε άλλες διεργασίες στο σύστημα.

Προβολή αποτελεσμάτων πρόβλεψης

1. Μεταβείτε στην Πληροφορίες>Προβλέψεις.

2. Στην καρτέλα Οι προβλέψεις μου, επιλέξτε την πρόβλεψη που θέλετε να προβάλλετε.

Υπάρχουν πέντε κύριες ενότητες δεδομένων στη σελίδα αποτελεσμάτων.

• Μοντέλο εκπαίδευσης: Οι βαθμοί Α, Β ή Γ υποδεικνύουν τις επιδόσεις του προϊόντος πρόβλεψη μπορεί να σας βοηθήσει να επιλέξετε να χρησιμοποιήσετε τα αποτελέσματα που είναι αποθηκευμένα στον πίνακα εξόδου.

  

  Οι βαθμοί καθορίζονται με βάση τους ακόλουθους κανόνες:

  • A όταν το μετρικό "Επιτυχία @ K" είναι τουλάχιστον 10% μεγαλύτερο από τη γραμμή βάσης.
  • Β όταν το μετρικό "Επιτυχία @ K" είναι τουλάχιστον 0% έως 10% μεγαλύτερο από τη γραμμή βάσης.
  • Γ όταν το μετρικό "Επιτυχία @ K" είναι μικρότερο από τη γραμμή βάσης.
  • Βασική τιμή: Τα δημοφιλέστερα προϊόντα από τη μέτρηση αγοράς σε όλους τους πελάτες + κανόνες που έχει αναγνωρίσει το μοντέλο = ένα σύνολο συστάσεων για τους πελάτες. Στη συνέχεια, οι προβλέψεις συγκρίνονται με τα κορυφαία προϊόντα, όπως υπολογίζονται από τον αριθμό πελατών που είχαν αγοράσει το προϊόν. Εάν ένας πελάτης έχει τουλάχιστον ένα προϊόν στα συνιστώμενα προϊόντα του, το οποίο ήταν επίσης γνωστό στα προϊόντα που έχουν αγοραστεί με την κορυφή, θεωρείται μέρος της αρχικής τιμής. Για παράδειγμα. εάν 10 από αυτούς τους πελάτες είχαν ένα συνιστώμενο προϊόν από τους 100 συνολικούς πελάτες, η αρχική τιμή είναι 10%.
  • Επιτυχία @ K: Δημιουργούνται προτάσεις για όλους τους πελάτες και συγκρίνονται με το σύνολο επικύρωσης της χρονικής περιόδου συναλλαγών. Για παράδειγμα, σε μια περίοδο 12 μηνών, ο μήνας 12 χρησιμοποιείται ως σύνολο δεδομένων επικύρωσης. Εάν το μοντέλο διαθέτει τουλάχιστον ένα πράγμα που θα αγοράσετε στο μήνα 12 με βάση τα στοιχεία που είχε μάθει από τους προηγούμενους 11 μήνες, ο πελάτης αυξάνει το μέγεθος "Success @ K".

• Τα περισσότερα προτεινόμενα προϊόντα (με tally): Τα πέντε δημοφιλέστερα προϊόντα που έχουν προβλεφθεί για τους πελάτες σας.

  

• Βασικοί παράγοντες προτάσεων: Το μοντέλο χρησιμοποιεί το ιστορικό συναλλαγών των πελατών για να κάνει προτάσεις προϊόντων. Μαθαίνει μοτίβα που βασίζονται σε προηγούμενες αγορές και εντοπίζει ομοιότητες μεταξύ πελατών και προϊόντων. Στη συνέχεια, αυτές οι ομοιότητες χρησιμοποιούνται για τη δημιουργία συστάσεων προϊόντων. Οι ακόλουθοι παράγοντες θα μπορούσαν να επηρεάσουν μια σύσταση προϊόντος που δημιουργείται από το μοντέλο.

  • Προηγούμενες συναλλαγές: Ένα συνιστώμενο προϊόν βασίστηκε σε μοτίβα προηγούμενης αγοράς. Για παράδειγμα, το μοντέλο μπορεί να προτείνει ένα Ποντίκι Surface Arc εάν κάποιος αγοράσει πρόσφατα ένα Βιβλίο Surface 3 και ένα Στυλό Surface. Το μοντέλο έμαθε ότι ιστορικά, πολλοί πελάτες αγόρασαν ένα Ποντίκι Surface Arc αφού είχαν αγοράσει ένα Βιβλίο Surface 3 και ένα Στυλό Surface.
  • Ομοιότητα πελατών: Ένα συνιστώμενο προϊόν αγοραστεί ιστορικά από άλλους πελάτες που εμφανίζουν παρόμοια μοτίβα αγοράς. Για παράδειγμα, ο Γιάννης έλαβα την πρόταση Ακουστικά Surface 2 επειδή η Λυδία και ο Μπραντ αγόρασαν πρόσφατα Ακουστικά Surface 2. Το μοντέλο θεωρεί ότι ο John είναι παρόμοιος με τη Jennifer και τον Brad επειδή ιστορικά είχαν παρόμοια μοτίβα αγοράς.
  • Ομοιότητα προϊόντων: ένα συνιστώμενο προϊόν είναι παρόμοιο με άλλα προϊόντα, τα οποία αγόρασε προηγουμένως ο πελάτης. Το μοντέλο θεωρεί ότι δύο προϊόντα είναι παρόμοια, εάν τα προϊόντα αυτά αγοράστηκαν μαζί ή από παρόμοιους πελάτες. Για παράδειγμα, κάποιος λαμβάνει μια σύσταση για μια Μονάδα αποθήκευσης USB επειδή προηγουμένως αγόρασαν ένα Προσαρμογέα USB-C σε USB. Το μοντέλο πιστεύει ότι ο Δίσκος αποθήκευσης USB είναι παρόμοιος με τον Προσαρμογές USB-C σε USB με βάση τα ιστορικά μοτίβα αγοράς.

  Ένας ή περισσότεροι από αυτούς τους παράγοντες επηρεάζουν κάθε σύσταση προϊόντος. Το ποσοστό συστάσεων, όπου κάθε παράγοντας επιρροής έπαιξε έναν ρόλο, απεικονίζεται σε ένα γράφημα. Στο παρακάτω παράδειγμα, το 100% των συστάσεων επηρεάζονται από προηγούμενες συναλλαγές, το 60% από την ομοιότητα των πελατών και το 22% από την ομοιότητα των προϊόντων. Τοποθετήστε τον δείκτη του ποντικιού στις ράβδους του γραφήματος για να δείτε το ακριβές ποσοστό συμβολής των παραγόντων επιρροής.

  

• Στατιστικά δεδομένα: Μια επισκόπηση του αριθμού των συναλλαγών, των πελατών και των προϊόντων που λαμβάνονται υπόψη από το μοντέλο. Βασίζεται στα δεδομένα εισόδου που χρησιμοποιήθηκαν για εκμάθηση μοτίβων και δημιουργία προτάσεων προϊόντων.

  

  Το μοντέλο χρησιμοποιεί όλα τα διαθέσιμα δεδομένα για να μάθει μοτίβα. Επομένως, εάν χρησιμοποιείτε το φιλτράρισμα προϊόντων στη ρύθμιση παραμέτρων του μοντέλου, σε αυτήν την ενότητα εμφανίζεται ο συνολικός αριθμός των προϊόντων που ανέλυσε το μοντέλο για να μάθει μοτίβα, τα οποία ενδέχεται να διαφέρουν από τον αριθμό των προϊόντων που συμφωνούν με τα καθορισμένα κριτήρια φιλτραρίσματος. Το φιλτράρισμα εφαρμόζεται στην έξοδο που δημιουργείται από το μοντέλο.

• Προτάσεις προϊόντων δείγμα: Ένα δείγμα προτάσεων τις οποίες το μοντέλο θεωρεί ότι είναι πιθανό να αγοραστούν από τον πελάτη. Εάν προστεθεί ένας κατάλογος προϊόντων, τα αναγνωριστικά προϊόντων αντικαθίστανται με ονόματα προϊόντων.

  

Σημείωμα

Στον πίνακα εξόδου για αυτό το μοντέλο, η βαθμολογία δείχνει την ποσοτική μέτρηση της σύστασης. Το μοντέλο προτείνει προϊόντα με υψηλότερη βαθμολογία σε σχέση με τα προϊόντα με μικρότερη βαθμολογία. Για να προβάλετε τη βαθμολογία, μεταβείτε στα Δεδομένα>Πίνακες και προβάλετε την καρτέλα δεδομένων για τον πίνακα εξόδου που ορίσατε για αυτό το μοντέλο.