Predecir recomendaciones del producto (versión preliminar)

Artículo
01/31/2024

[Este artículo es documentación preliminar y está sujeto a modificaciones].

El modelo de recomendación de productos crea conjuntos de recomendaciones de productos predictivas. Las recomendaciones se basan en el comportamiento de compra anterior y en clientes con patrones de compra similares. Debe tener conocimiento comercial sobre los diferentes tipos de productos para su negocio y cómo sus clientes interactúan con ellos. Apoyamos la recomendación de productos que sus clientes han comprado previamente o las recomendaciones para nuevos productos.

El modelo de recomendación de productos le ayuda a:

Recomendar otros productos para acompañar la compra
Ponerse en contacto con los clientes con productos que podrían interesarles
Mejorar la detección con otros productos y servicios relevantes
Crear experiencias de cliente personalizadas

Las recomendaciones de productos podrían estar sujetas a las leyes y normativas locales y a las expectativas del cliente, que el modelo no está diseñado para tener en cuenta específicamente. Por lo tanto, debe revisar las recomendaciones antes de entregarlas a sus clientes para asegurarse de que está cumpliendo con las leyes o regulaciones aplicables, y las expectativas del cliente sobre lo que puede recomendar.

Los resultados de este modelo proporcionan recomendaciones basadas en el identificador del producto. Su mecanismo de entrega debe asignar los identificadores de producto previstos al contenido apropiado para que sus clientes tengan en cuenta la localización, el contenido de imágenes y otros contenidos o comportamientos específicos de la empresa.

Por ejemplo, Contoso quiere aumentar sus ingresos personalizando las páginas web para mostrar más productos y servicios que los clientes puedan disfrutar. Pueden crear recomendaciones de productos específicas para el cliente a partir del modelo de recomendación de productos y enviar los datos a su sitio. Contoso puede aumentar las ventas a sus clientes animándolos a ver productos y servicios similares a los que compraron anteriormente, lo que aumenta los ingresos.

Propina

Pruebe la recomendación de producto predicción usando datos de muestra: Recomendación de producto predicción guía de muestra.

Importante

Esta es una característica en versión preliminar.
Las vistas previas de características no se han diseñado para un uso de producción y pueden tener una funcionalidad restringida. Estas características están disponibles antes del lanzamiento oficial para que los clientes puedan tener un acceso anticipado y proporcionar comentarios.

Requisitos previos

Al menos permisos de colaborador
Al menos 1000 perfiles de clientes dentro de la ventana de predicción deseada
Identificador de cliente, un identificador único para hacer coincidir las transacciones con un cliente individual
Al menos un año de datos transaccionales, preferiblemente de dos a tres años para incluir cierta estacionalidad. Idealmente, al menos tres o más transacciones por ID de cliente. El historial de transacciones debe incluir:
- Id. de transacción: identificador único de una compra o transacción.
- Fecha de transacción: fecha de la compra o transacción.
- Valor de la transacción: valor numérico de la compra o la transacción.
- Id. de producto único: identificador del producto o servicio adquirido si sus datos se encuentran en el nivel de artículo de línea.
- Compra o devolución: valor booleano verdadero/falso donde el valor true identifica que una transacción fue una devolución. Si no se proporcionan los datos de compra o devolución en el modelo y el Valor de la transacción es negativo, inferimos una devolución.
Una tabla de datos del catálogo de productos para utilizar como filtro de producto.

Nota

El modelo requiere el historial de transacciones de sus clientes, donde transacción es cualquier dato que describa una interacción usuario-producto. Por ejemplo, comprar un producto, tomar una clase o asistir a un evento.
Solo se puede configurar una tabla del historial de transacciones. Si hay varias tablas de compra, combínelas en Power Query antes de la ingesta de datos.
Si el pedido y los detalles del pedido son tablas diferentes, únalas antes de usarlas en el modelo. El modelo no funciona solo con un identificador de pedido o un identificador de recibo en una tabla.

Crear una predicción de recomendaciones de producto

Seleccione Guardar borrador en cualquier momento para guardar la predicción como borrador. La predicción de borrador se muestra en la pestaña Mis predicciones.

Vaya a Información>Predicciones.
En la pestaña Crear, seleccione Usar modelo en la ventana Recomendaciones de producto (versión preliminar).
Seleccione Comenzar.
Asigne un nombre a este modelo y a la tabla de salida para distinguirlos de otros modelos o tablas.
Seleccione Siguiente.

Definir las preferencias de recomendación de producto

Establezca el Número de productos para recomendar a un cliente. Este valor depende de cómo su método de entrega rellena los datos.
Elija si desea incluir productos que los clientes hayan comprado previamente en el campo Se esperan compras repetidas.
Establezca Ventana para mirar atrás con el plazo de tiempo que el modelo considera antes de recomendar el producto al usuario nuevamente. Por ejemplo, indique que un cliente compra un portátil cada dos años. El modelo consulta el historial de compras de los últimos dos años y, si encuentran un artículo, el artículo se filtra de las recomendaciones.
Seleccione Siguiente

Agregar historial de compras

Seleccione Agregar datos para Historial de transacciones de cliente.
Seleccione el tipo de actividad semántico SalesOrderLine que contiene la transacción requerida o la información del historial de compras. Si la actividad no se ha configurado, seleccione aquí y créela.
Bajo Actividades, si los atributos de la actividad se asignaron semánticamente cuando se creó la actividad, elija los atributos o la tabla específicos en los que desea que se centre el cálculo. Si no se produjo el mapeo semántico, seleccione Editar y mapee sus datos.
Seleccione Siguiente y revise los atributos necesarios para este modelo.
Seleccione Guardar.
Seleccione Siguiente.

Agregar información del producto y filtros

A veces, solo ciertos productos son ventajosos o apropiados para el tipo de predicción que crea. Usar filtros de productos para identificar un subconjunto de productos con características específicas para recomendar a sus clientes. El modelo usa todos los productos disponibles para aprender patrones, pero solo usará los productos que coincidan con el filtro del producto en su salida.

Agregue su tabla de catálogo de productos que contiene información para cada producto. Asigne la información requerida y seleccione Guardar.
Seleccione Siguiente.
Seleccione Filtros de producto:
- Sin filtros: utilice todos los productos de la predicción de la recomendación del producto.
- Definir filtros de productos específicos: utilice productos específicos en la predicción de la recomendación del producto. En el panel Atributos del catálogo de productos, seleccione los atributos de su tabla de catálogo de productos que desea incluir en el filtro.
Elija si desea el filtro de producto para utilizar los conectores y u o para combinar lógicamente su selección de atributos del catálogo de productos.
Seleccione Siguiente.

Definir la programación de actualizaciones

Elija una frecuencia para volver a entrenar su modelo. Esta configuración es importante para actualizar la precisión de las predicciones a medida que se ingieren nuevos datos. La mayoría de las empresas pueden volver a entrenarse una vez al mes y obtener una buena precisión para sus predicciones.
Seleccione Siguiente.

Revisar y ejecutar la configuración del modelo

El paso Revisar y ejecutar muestra un resumen de la configuración y brinda la oportunidad de realizar cambios antes de crear el predicción.

Seleccione Editar en cualquiera de los pasos para revisar y realizar cambios.
Si está satisfecho con sus selecciones, seleccione Guardar y ejecutar para comenzar a ejecutar el modelo. Seleccione Listo. La pestaña Mis predicciones se muestra mientras se crea predicción. El proceso podría tardar varias horas en completarse dependiendo de la cantidad de datos utilizados en la predicción.

Propina

Existen estados para tareas y procesos. La mayoría de los procesos dependen de otros procesos ascendentes, como las fuentes de datos y actualizaciones de perfiles de datos.

Seleccione el estado para abrir el panel Detalles de progreso y vea el progreso de las tareas. Para cancelar el trabajo, seleccione Cancelar trabajo en la parte inferior del panel.

En cada tarea, puede seleccionar Ver detalles para obtener más información sobre el progreso, como el tiempo de procesamiento, la fecha del último procesamiento y los errores y advertencias aplicables asociados con la tarea o el proceso. Seleccione Ver el estado del sistema en la parte inferior del panel para ver otros procesos en el sistema.

Ver los resultados de la predicción

Vaya a Información>Predicciones.
En la pestaña Mis predicciones, seleccione la predicción que desea ver.

Hay cinco secciones principales de datos dentro de la página de resultados.

Rendimiento del modelo: los grados A, B o C indican el rendimiento de la predicción y puede ayudarlo a tomar la decisión de utilizar los resultados almacenados en la tabla de salida.

Las puntuaciones se determinan según las siguientes reglas:
- A cuando la métrica "Success @ K" es al menos un 10 % más que la línea de base.
- B cuando la métrica "Success @ K" es de 0 % a 10 % superior a la línea de base.
- C cuando la métrica "Success @ K" es inferior a la línea de base.
- Valor de referencia: los productos más recomendados por el recuento de compras en todos los clientes + las reglas aprendidas identificadas por el modelo = un conjunto de recomendaciones para los clientes. Luego, las predicciones se comparan con los productos destacados, calculados según el número de clientes que compraron el producto. Si un cliente tiene al menos un producto en sus productos recomendados que también se vio en los productos destacados, se considera parte del valor de referencia. Por ejemplo, si 10 de estos clientes tuvieran un producto recomendado comprado de un total de 100 clientes, el valor de referencia es 10 %.
- Success @ K: se crean recomendaciones para todos los clientes y se comparan con el conjunto de validación del período de tiempo de las transacciones. Por ejemplo, en un período de 12 meses, el mes 12 se reserva como un conjunto de datos de validación. Si el modelo predice al menos una cosa que compraría en el mes 12 basándose en lo que aprendió de los 11 meses anteriores, el cliente aumenta la métrica "Success @ K".
Productos más sugeridos (con recuento): los cinco productos principales que se predijeron para sus clientes.
Factores clave de recomendación el modelo utiliza el historial de transacciones de los clientes para hacer recomendaciones de productos. Aprende patrones basados en compras pasadas y encuentra similitudes entre clientes y productos. Estas similitudes se utilizan luego para generar recomendaciones de productos. Los siguientes factores podrían influir en una recomendación de producto generada por el modelo.
- Transacciones pasadas: Un producto recomendado se basó en patrones de compra anteriores. Por ejemplo, el modelo puede recomendar un Ratón Surface Arc si alguien compró recientemente un Surface Book 3 y un Lápiz de Surface. El modelo aprendió que, históricamente, muchos clientes compraron un Ratón Surface Arc después de comprar un Surface Book 3 y un Lápiz de Surface.
- Similitud del cliente: históricamente, un producto recomendado lo compran otros clientes que muestran patrones de compra similares. Por ejemplo, se recomendó a John unos Auriculares Surface 2 porque Jennifer y Brad compraron recientemente Auriculares Surface 2. El modelo cree que John es similar a Jennifer y Brad porque históricamente tienen patrones de compra similares.
- Similitud de producto: un producto recomendado es similar a otros productos que el cliente había comprado anteriormente. El modelo considera que dos productos son similares si fueron comprados juntos o por clientes similares. Por ejemplo, alguien recibe una recomendación para una Unidad de almacenamiento USB porque previamente compró un Adaptador USB-C a USB. El modelo cree que una Unidad de almacenamiento USB es parecida a un Adaptador USB-C a USB basado en patrones de compra históricos.
Uno o varios de estos factores influyen en cada recomendación de producto. El porcentaje de recomendaciones en las que cada factor influyente jugó un papel se representa en un gráfico. En el siguiente ejemplo, el 100 % de las recomendaciones han tenido la influencia de transacciones pasadas, el 60 % por la similitud de clientes y el 22 % por similitud de productos. Desplácese sobre las barras del gráfico para ver el porcentaje exacto en el que contribuyeron los factores influyentes.
Estadísticas de datos: una descripción general del número de transacciones, clientes y productos que tuvo en cuenta el modelo. Se basa en los datos de entrada que se utilizaron para aprender patrones y generar recomendaciones de productos.

El modelo usa todos los datos disponibles para aprender patrones. Por lo tanto, si utiliza el filtrado de productos en la configuración del modelo, esta sección muestra la cantidad total de productos que el modelo analizó para aprender patrones, que pueden diferir de la cantidad de productos que coinciden con los criterios de filtrado definidos. El filtrado se aplica a la salida generada por el modelo.
Recomendaciones de productos de ejemplo: una muestra de recomendaciones que el modelo cree que es probable que el cliente compre. Si se agrega un catálogo de productos, los identificadores de productos se reemplazan por nombres de productos.