다음을 통해 공유

제품 추천 예측(미리 보기) 샘플 가이드

  • 아티클

[이 문서는 시험판 문서이며 변경될 수 있습니다.]

이 가이드는 샘플 데이터를 사용한 제품 추천 예측의 엔드투엔드 예를 안내합니다. 새로운 환경에서 이 예측을 시도하는 것이 좋습니다.

중요

  • 이는 프리뷰 기능입니다.
  • 프리뷰 기능은 생산용으로 만들어진 것이 아니므로 기능이 제한될 수 있습니다. 이런 기능은 공식 릴리스 전에 사용할 수 있으므로 고객이 조기에 액세스하고 피드백을 제공할 수 있습니다.

시나리오

Contoso는 고품질 커피 및 커피 머신을 생산하는 회사입니다. Contoso Coffee 웹 사이트를 통해 제품을 판매합니다. 회사의 목표는 정기 고객에게 어떤 제품을 추천해야 하는지 이해하는 것입니다. 어떤 고객이 구매 가능성이 더 높은지 알면 특정 항목에 집중함으로써 마케팅 노력을 절감할 수 있습니다.

필수 조건

  • Dynamics 365 Customer Insights - Data에서 최소한 기여자 권한이 필요합니다.

작업 1 - 데이터 수집

데이터 수집 정보 및 Power Query 데이터 원본에 연결 문서를 검토하세요. 다음 정보는 사용자가 일반적인 데이터 수집에 익숙하다고 가정합니다.

전자상거래 플랫폼에서 고객 데이터 수집

  1. 전자상거래라는 Power query 데이터 원본을 만들고 Text/CSV 커넥터를 선택합니다.

  2. 전자상거래 연락처 URL인 https://aka.ms/ciadclasscontacts를 입력합니다.

  3. 데이터를 편집하는 동안 변환을 선택한 다음 첫 번째 행을 헤더로 사용을 선택합니다.

  4. 아래 나열된 열의 데이터 유형을 업데이트하세요.

    • DateOfBirth: 날짜
    • CreatedOn: 날짜/시간/영역

    생년월일을 현재로 변환합니다.

  5. 오른쪽 창의 이름 필드에서 데이터 원본의 이름을 eCommerceContacts로 바꿉니다.

  6. 데이터 원본을 저장합니다.

온라인 구매 데이터 수집

  1. 동일한 전자상거래 데이터 원본에 다른 데이터 원본을 추가합니다. 텍스트/CSV 커넥터를 다시 선택합니다.

  2. 온라인 구매 데이터 URL https://aka.ms/ciadclassonline을 입력합니다.

  3. 데이터를 편집하는 동안 변환을 선택한 다음 첫 번째 행을 헤더로 사용을 선택합니다.

  4. 아래 나열된 열의 데이터 유형을 업데이트하세요.

    • PurchasedOn: 날짜/시간
    • TotalPrice: 통화

  5. 측면 창의 이름 필드에서 데이터 원본의 이름을 eCommercePurchases로 바꿉니다.

  6. 데이터 원본을 저장합니다.

충성도 스키마에서 고객 데이터 수집

  1. LoyaltyScheme이라는 데이터 원본을 만들고 Text/CSV 커넥터를 선택합니다.

  2. 충성도가 높은 고객의 URL https://aka.ms/ciadclasscustomerloyalty를 입력합니다.

  3. 데이터를 편집하는 동안 변환을 선택한 다음 첫 번째 행을 헤더로 사용을 선택합니다.

  4. 아래 나열된 열의 데이터 유형을 업데이트하세요.

    • DateOfBirth: 날짜
    • RewardsPoints: 정수
    • CreatedOn: 날짜/시간

  5. 오른쪽 창의 이름 필드에서 데이터 원본의 이름을 loyCustomers로 바꿉니다.

  6. 데이터 원본을 저장합니다.

작업 2 - 데이터 통합

데이터 통합 정보 문서를 검토하세요. 다음 정보는 일반적으로 데이터 통합에 익숙하다고 가정합니다.

데이터를 수집한 후 데이터 통합 프로세스를 시작하여 통합된 고객 프로필을 만듭니다. 자세한 내용은 데이터 통합을 참조하십시오.

통합할 고객 데이터 설명

  1. 데이터를 수집한 후 전자상거래 및 충성도 데이터의 연락처를 공통 데이터 유형에 매핑합니다. 데이터>통합으로 이동합니다.

  2. 고객 프로필을 나타내는 테이블(eCommerceContacts 및 loyCustomers)을 선택합니다.

    전자상거래와 충성도 데이터 원본을 통합합니다.

  3. eCommerceContacts의 기본 키로 ContactId를 선택하고 loyCustomers의 기본 키로 LoyaltyID를 선택합니다.

  4. 다음을 선택합니다. 중복 레코드를 건너뛰고 다음을 ​​선택합니다.

일치 규칙 정의

  1. eCommerceContacts : eCommerce를 기본 테이블로 선택하고 모든 레코드를 포함합니다.

  2. loyCustomers : LoyaltyScheme을 선택하고 모든 레코드를 포함합니다.

  3. 규칙 추가:

    • eCommerceContacts 및 loyCustomers 모두에 대해 성과 이름을 선택합니다.
    • 정규화에 대해 유형(전화, 이름, 주소, ...)를 선택합니다.
    • 정밀도 수준: 기본 및 값: 높음을 설정합니다.

  4. 이메일 주소에 대한 두 번째 조건 추가:

    • eCommerceContacts 및 loyCustomers 모두에 대해 이메일을 선택합니다.
    • 정규화를 비워 둡니다.
    • 정밀도 수준: 기본 및 값: 높음을 설정합니다.
    • 이름으로 성과 이름, 이메일을 입력합니다.

    이름 및 이메일에 대한 일치 규칙을 통합합니다.

  5. 완료를 선택합니다.

  6. 다음을 선택합니다.

통합 데이터 보기

  1. loyCustomers 테이블의 ContactId 이름을 ContactIdLOYALTY로 변경하여 수집된 다른 ID와 구분합니다.

  2. 검토하려면 다음을 선택하고 고객 프로필 만들기를 선택합니다.

작업 3 - 트랜잭션 기록 활동 만들기

고객 활동 정보 문서를 검토하세요. 다음 정보는 일반적으로 활동 만들기에 익숙하다고 가정합니다.

  1. eCommercePurchases:eCommerce 테이블을 사용하여 활동을 만듭니다.

  2. 활동 유형에 대해 SalesOrderLine을 선택하고 기본 키에 대해 PurchaseId를 선택합니다.

  3. 활동에 대해 다음 정보를 입력합니다.

    • 활동 이름: eCommercePurchases
    • TimeStamp: PurchasedOn
    • EventActivity: TotalPrice
    • 주문 라인 ID: PurchaseId
    • 주문 날짜: PurchasedOn
    • 금액: TotalPrice

  4. eCommercePurchases:eCommerce과 eCommerceContacts:eCommerce 간의 관계를 생성하고 ContactID을 외래 키로 사용하여 두 테이블을 연결합니다.

  5. 변경 사항을 검토한 후 활동 만들기를 선택하세요.

작업 4 - 제품 추천 예측 구성

통합 고객 프로필과 활동이 생성된 상태에서 제품 추천 예측을 실행합니다.

  1. 인사이트>예측으로 이동합니다.

  2. 만들기 탭의 제품 추천(프리뷰) 타일에서 모델 사용을 선택합니다.

  3. 시작을 선택합니다.

  4. 모델 이름을 OOB 제품 추천 모델 예측으로 지정하고 출력 테이블을 OOBProductRecommendationModelPrediction으로 지정합니다.

  5. 다음을 선택합니다.

  6. 모델 기본 설정 정의:

    • 제품 수: 5로 고객에게 추천할 제품 수를 정의합니다.
    • 반복 구매 예상: 예로 추천에 이전에 구매한 제품을 포함합니다.
    • 되돌아보기 기간: 365일로 제품을 다시 추천하기 전에 모델이 되돌아볼 기간을 정의합니다.

    제품 추천 모델에 대한 모델 선호 설정입니다.

  7. 다음을 선택합니다.

  8. 구매 기록 추가 단계에서 데이터 추가를 선택합니다.

  9. SalesOrderLine 및 eCommercePurchases 테이블을 선택하고 다음을 선택합니다. 필수 데이터는 활동에서 자동으로 채워집니다. 저장을 선택하고 다음을 선택합니다.

  10. 제품 정보 데이터가 없기 때문에 제품 정보 추가 및 제품 필터 단계를 건너뜁니다.

  11. 데이터 업데이트 단계에서 모델 일정으로 매월을 선택합니다.

  12. 다음을 선택합니다.

  13. 모든 세부 정보를 검토한 후 저장 및 실행을 선택합니다.

작업 5 - 모델 결과 및 설명 검토

모델이 데이터의 학습 및 채점을 완료하도록 합니다. 제품 추천 모델 설명을 검토합니다.

작업 6 - 자주 구매한 제품 세그먼트 만들기

모델을 실행하면 데이터>테이블에 나열된 새 테이블이 생성됩니다. 모델에서 생성한 테이블을 기반으로 새 세그먼트를 생성할 수 있습니다.

  1. 결과 페이지에서 세그먼트 생성을 선택합니다.

  2. OOBProductRecommendationModelPrediction 테이블을 사용하여 규칙을 만들고 세그먼트를 정의합니다.

    • 필드: ProductID
    • 값: 상위 3개 제품 ID 선택

  3. 저장을 선택하고 세그먼트를 실행합니다.

이제 5개의 가장 추천되는 제품을 구매하는 데 관심이 있을 수 있는 고객을 식별하는 동적으로 업데이트되는 세그먼트가 있습니다. 자세한 내용은 세그먼트 만들기 및 관리를 참조하세요.

팁

새로 만들기를 선택하고 다음에서 생성>인사이트를 선택하여 인사이트>세그먼트 페이지에서 예측 모델에 대한 세그먼트를 생성할 수도 있습니다. 자세한 내용은 빠른 세그먼트로 새 세그먼트 만들기을 참조하세요.

다음 단계