Tuotesuosituksen ennustaminen (esiversio)

Artikkeli
01/31/2024

[Tämä artikkeli sisältää julkaisua edeltävää materiaalia ja voi muuttua.]

Tuotesuositusmalli luo ennakoivia tuotesuositusjoukkoja. Suositukset perustuvat aiempaan ostokäyttäytymiseen ja asiakkaisiin, joilla on samanlaisia ostomalleja. Tarvitaan liiketoiminnan tietämystä liiketoiminnassa käytettävien tuotteiden eri tyypeistä ja tavasta, jolla asiakkaat käyttävät niitä. Tuemme sellaisten tuotteiden suosittelemista, joita asiakkaat ovat ostaneet aiemmin, tai uusien tuotteiden suosittelemista.

Tuotteen suositusmalli auttaa

suosittelemaan muita tuotteita ostoksen oheen,
ottamaan yhteyttä asiakkaisiin sellaisten tuotteiden tiimoilta, joista he voivat olla kiinnostuneita,
parantamaan muiden merkityksellisten tuotteiden ja palvelujen löytämistä ja
luomaan mukautettuja asiakaskokemuksia.

Tuotesuosituksiin saatetaan soveltaa paikallisia lakeja ja määräyksiä sekä asiakkaiden odotuksia. Mallia ei ole suunniteltu ottamaan huomioon näitä seikkoja. Tämän vuoksi suositukset on tarkistettava ennen toimitusta asiakkaille. Näin voidaan varmistaa, että soveltuvia lakeja tai säädöksiä noudetaan sekä asiakkaan odotuksiin vastataan mahdollisten suositusten osalta.

Tämän mallin tulos antaa suosituksia tuotetunnuksen perusteella. Toimitusmekanismin on yhdistettävä ennustetut tuotetunnukset asiakkaiden sopivaan sisältöön lokalisointia, kuvasisältöä ja muuta liiketoimintakohtaista sisältöä tai toiminnallisuutta varten.

Contoso haluaa esimerkiksi kasvattaa liikevaihtoaan mukauttamalla verkkosivuja niin, että niiden avulla voidaan näyttää enemmän tuotteita ja palveluita, joista asiakkaat voivat nauttia. He voivat luoda asiakaskohtaisia tuotesuosituksia tuotesuositusmallista ja syöttää tiedot sivustoonsa. Contoso voi kasvattaa asiakkaitaan lisäämällä myyntituottoa, ja se voi kannustaa heitä katselemaan samanlaisia tuotteita ja palveluita kuin aiemmin ostamansa tuotteet ja palvelut.

Vihje

Tuotesuositusten ennustamista voi kokeilla näytetietojen avulla: Tuotesuositusten ennusteen näyteopas.

Tärkeää

Tämä on esiversiotoiminto.
Esiversiotoimintoja ei ole tarkoitettu tuotantokäyttöön, ja niiden toiminnot voivat olla rajoitettuja. Nämä toiminnot ovat käytettävissä ennen virallista julkaisua, jotta asiakkaat voivat käyttää niiden ennakkojulkaisua ja antaa palautetta.

Edellytykset

Vähintään osallistujan käyttöoikeudet
Vähintään 1 000 asiakasprofiilia halutussa ennusteikkunassa
Asiakkaan tunnus on yksilöivä tunnus, joka yhdistää tapahtumat yksittäiseen asiakkaaseen
Vähintään yhden vuoden, mielellään 2–3 vuoden liiketapahtumatiedot, joihin sisältyy kausivaihteluita. Parhaan tuloksen saa, kun kullakin asiakastunnuksella on vähintään kolme tapahtumaa. Tapahtumahistorian on sisällettävä seuraavat tiedot:
- Tapahtuman tunnus: oston tai tapahtuman yksilöivä tunnus.
- Tapahtuman päivämäärä: oston tai tapahtuman päivämäärä.
- Tapahtuman arvo: oston tai tapahtuman numeroarvoinen summa.
- Yksilöivä tuotetunnus: ostetun tuotteen tai palvelun tunnus, jos tieto on rivitasolla.
- Osto tai palautus: totuusarvo, jonka arvo tosi osoittaa, että tapahtuma oli palautus. Jos osto- tai palautustietoja ei ole annettu mallissa ja Tapahtuman arvo on negatiivinen, palautus oletetaan.
Tuoteluettelon tietotaulukko, jota käytetään tuotesuodattimena.

Huomautus

Mallia varten tarvitaan asiakkaiden tapahtumahistoria, jossa tapahtumalla tarkoitetaan mitä tahansa käyttäjätuotteen käyttöä koskevaa tietoa. Esimerkiksi tuotteen ostaminen tai osallistuminen kurssille tai tapahtumaan.
Vain yksi tapahtumahistorian taulukko voidaan määrittää. Jos ostotaulukkoja on useita, ne yhdistetään Power Queryssä ennen tietojen käsittelyn alkamista.
Jos tilaus ja tilaustiedot ovat eri taulukoita, yhdistä ne ennen mallin käyttöä. Malli ei toimi, jos käytössä on vain taulukon tilaustunnus tai vastaanottotunnus.

Tuotesuosituksen ennusteen luominen

Ennuste voidaan tallentaa koska tahansa luonnoksena valitsemalla Tallenna luonnos. Ennusteluonnos näkyy Omat ennusteet -välilehdessä.

Siirry kohteeseen Merkitykselliset tiedot>Ennusteet.
Valitse Luo-välilehden Tuotesuositukset (esiversio) -ruudussa Käytä mallia.
Valitse Aloita.
Anna tälle mallille ja tulostaulukolle nimi, jotta ne voidaan erottaa muista malleista tai entiteeteistä.
Valitse Seuraava.

Tuotesuositusmääritysten määrittäminen

Määritä asiakkaille suositeltavien tuotteiden määrä. Arvo riippuu siitä, miten toimitusmenetelmä täyttää tiedot.
Valitse, sisällytetäänkö Toistuvia ostoja odotetaan -kenttään tuotteet, joita asiakkaat ovat aiemmin ostaneet.
Määritä Katso taaksepäin -ikkuna -kohtaan aikaväli, jonka malli odottaa, ennen kuin tuotetta suositellaan käyttäjälle uudelleen. Ilmoita esimerkiksi, että asiakas ostaa kannettavan tietokoneen kahden vuoden välein. Malli tarkastelee ostohistoriaa kahden viime vuoden ajalta. Jos nimike löytyy, se suodatetaan suosituksista.
Valitse Seuraava

Lisää ostohistoria

Valitse Lisää tiedot Asiakkaan tapahtumahistoria -kohdassa.
Valitse semanttinen aktiviteettityyppi SalesOrderLine, joka sisältää tarvittavat tapahtuma- tai ostohistoriatiedot. Jos aktiviteettia ei ole määritetty, valitse täällä ja luo se.
Jos aktiviteetin määritteet on yhdistetty semanttisesti aktiviteettia luotaessa, valitse Aktiviteetit- kohdassa määritteet tai taulukko, joihin laskelma keskittyy. Jos semanttista yhdistämismääritystä ei tehty, valitse Muokkaa ja yhdistä tiedot.
Valitse Seuraava ja tarkista mallissa tarvittavat määritteet.
Valitse Tallenna.
Valitse Seuraava.

Tuotetietojen ja suodattimien lisääminen

Joskus vain tietyt tuotteet ovat ennusteen tyypille sopivia tai hyödyllisiä. Tuotesuodattimien avulla asiakkaille voidaan määrittää suositeltujen tuotteiden alijoukko, jolla on tietyt ominaisuudet. Malli käyttää kaikkia käytettävissä olevia tuotteita kaavojen oppimiseen, mutta käyttää vain tuotteita, jotka vastaavat tuotesuodattimen tuloksia.

Lisää kunkin tuotteen tiedot sisältävä tuoteluettelotaulukko. Yhdistä tarvittavat tiedot ja valitse Tallenna.
Valitse Seuraava.
Valitse Tuotesuodattimet:
- Ei suodattimia: käytä kaikkia tuotesuosituksen ennusteen tuotteita.
- Määritä tietyt tuotesuodattimet: käytä tiettyjä tuotteita tuotesuosituksen ennusteessa. Valitse Tuoteluettelon määritteet -ruudussa tuoteluettelotaulukon määritteet, jotka haluat sisällyttää suodattimeen.
Valitse, käytetäänkö tuotesuodattimessa ja- tai tai-yhdistimiä yhdistämään loogisesti määritteiden valinta tuoteluettelosta.
Valitse Seuraava.

Päivitysaikataulun määrittäminen

Valitse mallin uudelleenkouluttamistiheys. Tämä asetus on tärkeä ennusteiden tarkkuuden päivityksessä uusia tietoja käsiteltäessä. Useimmat yritykset voivat kouluttaa uudelleen kerran kuukaudessa ja saada hyvän tarkkuuden ennusteille.
Valitse Seuraava.

Mallimäärityksen tarkasteleminen ja suorittaminen

Tarkistus ja suoritus -vaiheessa näkyy määritysten yhteenveto. Siinä on myös mahdollista tehdä muutoksia ennen ennusteen luontia.

Tee tarkistukset ja tarvittavat muutokset valitsemalla Muokkaa.
Jos olet tyytyväinen valintoihin, aloita mallin suorittaminen valitsemalla Tallenna ja suorita. Valitse Valmis. Omat ennusteet -välilehti on näkyvissä, kun ennustetta luodaan. Prosessin valmistumiseen voi kulua useita tunteja ennusteessa käytettyjen tietojen määrästä riippuen.

Tippi

Tehtäville ja prosesseille on määritetty tilat. Useimmat prosessit riippuvat muista alkuvaiheen prosesseista, kuten tietolähteistä ja tietojen profiloinnin päivityksistä.

Valitse tila, jos haluat avata Edistymisen tiedot -ruudun ja tarkastella tehtävien edistymistä. Peruuta työ valitsemalla ruudun alareunassa Peruuta työ.

Valitse jokaisen tehtävän alta Näytä tiedot -linkki, jos haluat lisätietoja esimerkiksi käsittelyajasta, viimeisestä käsittelypäivästä sekä tehtävään tai prosessiin liittyvistä virheistä ja varoituksia. Valitsemalla paneelin alareunassa Näytä järjestelmän tili saat muut järjestelmän prosessit näkyviin.

Ennusteen tulosten näyttäminen

Siirry kohteeseen Merkitykselliset tiedot>Ennusteet.
Valitse Omat ennusteet -välilehdessä tarkasteltava ennuste.

Tulossivulla on viisi ensisijaista tieto-osaa.

Mallin suorituskyky: Luokka A, B tai C osoittaa ennusteen suorituskyvyn. Sen avulla voit päättää, käytetäänkö tulostaulukkoon tallennettuja tuloksia.

Luokat määritetään seuraavien sääntöjen perusteella:
- A, kun Onnistui @ K -mittari ylittää vähintään 10 % perustason.
- B, kun Onnistui @ K -mittari ylittää vähintään 0–10 % perustason.
- C, kun Onnistui @ K -mittari on alle perustason.
- Perustaso: Kaikkien asiakkaiden ostomäärien mukaiset suositelluimmat tuotteet + mallin määrittämät opitut säännöt = joukko suosituksia asiakkaille. Ennusteita vertaillaan sen jälkeen myydyimpiin tuotteisiin tuotteen ostaneiden asiakkaiden määrän mukaan laskettuna. Jos asiakkaan suositelluissa tuotteissa on vähintään yksi tuote, joka on myös myydyimpien tuotteiden joukossa, heitä pidetään perustason asiakkaina. Jos esimerkiksi 10 asiakasta yhteensä 100 asiakkaasta on suositellut ostettua tuotetta, perustaso on 10 %.
- Onnistui @ K: Suositukset luodaan kaikille asiakkaille käyttämällä, ja niitä verrataan tapahtumien ajanjakson tarkistusjoukkoon. Esimerkiksi 12 kuukauden jakson aikana kuukausi 12 voidaan jättää tietojen tarkistusjoukoksi. Jos malli ennustaa vähintään yhden oston kuukauden 12 aikana edellisten 11 kuukauden tietojen perusteella, asiakas kasvattaa Menestys @ K -mittarin arvoa.
Useimmin ehdotetut tuotteet (laskurin kanssa): viisi yleisintä asiakkaille ennustettua tuotetta.
Tärkeimmät suositustekijät: malli antaa tuotesuosituksia asiakkaiden tapahtumahistorian perusteella. Se oppii aiemmin tehtyihin ostoihin perustuvia malleja ja löytää samankaltaisuuksia asiakkaiden ja tuotteiden välillä. Näiden samankaltaisuuksien avulla luodaan tuotesuosituksia. Seuraavat tekijät voivat vaikuttaa mallin tuottamaan tuotesuositukseen.
- Aiemmat tapahtumat: Suositeltu tuote perustui aiempiin ostomalleihin. Malli voi esimerkiksi suositella Surfacen Arc Mouse -hiirtä, jos joku on äskettäin ostanut Surface Book 3:n ja Surface-kynän. Malli on oppinut, että monet asiakkaat olivat hankkineet Surface Arc Mousen, kun ovat ostaneet Surface Book 3:n ja Surface-kynän.
- Asiakkaiden samankaltaisuus: Muut asiakkaat, joilla on samanlaiset ostomallit, hankkivat suositellun tuotteen historiatietojen perusteella. Esimerkiksi Johnille suositellaan Surface Headphones 2 -kuulokkeita, koska Jennifer ja Brad ostivat hiljattain Surface Headphones 2 -kuulokkeet. Malli olettaa, että John muistuttaa Jenniferiä ja Bradiä, koska heillä on historiatietojen perusteella samanlaisia ostomalleja.
- Tuotteen samankaltaisuus: Suositeltava tuote muistuttaa muita tuotteita, jotka asiakas on aiemmin ostanut. Malli katsoo, että kaksi tuotetta on samanlaisia, jos ne on ostettu yhdessä tai samankaltaisten asiakkaiden toimesta. Joku esimerkiksi voi saada USB-tallennusasemaa koskevan suosituksen, koska hän on aiemmin ostanut USB-C-USB-sovittimen. Malli uskoo historiallisten ostomallien perusteella, että USB-tallennusasema on samankaltainen kuin USB-C-USB-sovitin.
Vähintään yksi näistä tekijöistä vaikuttaa jokaiseen tuotesuositukseen. Niiden suositusten prosenttiosuus, joissa jokaisella tekijällä on ollut rooli, visualisoidaan kaaviossa. Seuraavassa esimerkissä aiemmat tapahtumat vaikuttavat 100 prosenttiin suosituksista, asiakkaan samankaltaisuus 60 prosenttiin suosituksista ja tuotteiden samankaltaisuus 22 prosenttiin suosituksista. Vie osoitin kaavion palkkien päälle nähdäksesi, minkä tarkan prosenttiosuuden vaikuttavat tekijät ovat vaikuttaneet.
Tietotilastot: Yleiskuvan käytettävän mallin tapahtumien, asiakkaiden ja tuotteiden lukumäärästä. Se perustuu syötetietoihin, joita käytettiin kaavojen oppimiseen ja tuotesuositusten luomiseen.

Malli käyttää kaikkia käytettävissä olevia tietoja kaavojen oppimiseen. Jos tuotesuodatusta siis käytetään mallimäärityksessä, tässä osassa näkyy mallin kaavojen oppimista varten analysoimien tuotteiden kokonaismäärä, mikä voi poiketa määritettyjä suodatusehtoja vastaavien tuotteiden lukumäärästä. Suodatus koskee mallin luomaa tulosta.
Näytetuotesuositukset: Näyte tuotesuosituksista, joita malli olettaa asiakkaan ostavan. Jos tuoteluettelo on lisätty, tuotetunnukset korvataan tuotenimillä.