Produktanbefalingsprediksjon (forhåndsversjon)

Artikkel
01/31/2024

[Denne artikkelen inneholder dokumentasjon for forhåndsversjonen og kan bli endret.]

Produktanbefalingsmodellen oppretter sett med prediktive produktanbefalinger. Anbefalingene er basert på tidligere kjøpsatferd og kunder med lignende kjøpsmønstre. Du må ha forretningskunnskap om ulike typer produkter for virksomheten og hvordan kundene samhandler med dem. Vi støtter anbefalte produkter som tidligere er kjøpt av kundene dine, eller anbefalinger for nye produkter.

Produktanbefalingsmodellen hjelper deg:

Anbefal andre produkter til et kjøp
Kontakte kunder med produkter de kan være interessert i
Forbedre oppdagelsen med andre relevante produkter og tjenester
Opprette tilpassede kundeopplevelser

Produktanbefalinger kan være underlagt lokale lover og forskrifter og kundens forventninger, som modellen ikke er bygget for å spesifikt ta hensyn til. Derfor må du gå gjennom anbefalingene før du leverer dem til kundene dine for å sikre at du overholder gjeldende lover eller forskrifter, og kundenes forventninger til hva du kan anbefale.

Utdataene fra denne modellen gir anbefalinger basert på produkt-ID-en. Leveringsmekanismen må tilordne de forutsagte produkt-ID-ene til passende innhold for kundene dine for å gjøre rede for lokalisering, bildeinnhold og annet bedriftsspesifikk innhold eller funksjonalitet.

Contoso vil for eksempel øke omsetningen ved å tilpasse websider for å vise flere produkter og tjenester som kunder kan ha glede av. De kan opprette kundespesifikke produktanbefalinger fra produktanbefalingsmodellen og mate dataene til webområdet deres. Contoso kan drive mersalg til kundene sine ved å oppmuntre dem til å vise produkter og tjenester som er lik produktene de har kjøpt tidligere, og dermed øke omsetningen.

Tips

Prøv produktanbefalingsprediksjonen ved hjelp av eksempeldata: Eksempelveiledning for produktanbefalingsprediksjon.

Viktig

Dette er en forhåndsversjonsfunksjon.
Evalueringsfunksjonalitet er ikke ment for produksjonsbruk og kan ha begrensninger. Disse funksjonene er tilgjengelige før en offisiell utgivelse, slik at kunder kan få tidlig tilgang og gi tilbakemelding.

Krav

Minst Bidragsyter-tillatelser
Minst 1 000 kundeprofiler i det ønskede prognosevinduet
Kundeidentifikator, en unik identifikator for å samsvare transaksjoner med en individuell kunde
Minst ett år med transaksjonsdata, helst to til tre år for å inkludere noe sesongavhengighet. Ideelt sett minst tre eller flere transaksjoner per kunde-ID. Transaksjonsloggen må inneholde følgende:
- Transaksjons-ID: Unik identifikator for et innkjøp eller en transaksjon.
- Transaksjonsdato: Dato for innkjøpet eller transaksjonen.
- Verdien av transaksjonen: Numerisk verdi for kjøpet eller transaksjonen.
- Unik produkt-ID: ID-en til produktet eller tjenesten som er kjøpt, hvis dataene er på et linjevarenivå.
- Kjøp eller retur: En boolsk verdi (true/false) der verdien true identifiserer at en transaksjon var en retur. Hvis kjøps- eller returdataene ikke leveres i modellen, og verdien av transaksjonen er negativ, utleder vi en retur.
En datatabell for produktkatalog som brukes som et produktfilter.

Merk

Modellen krever transaksjonsloggen for kundene der transaksjonen er alle data som beskriver en interaksjon mellom bruker og produkt. For eksempel å kjøpe et produkt, ta et kurs eller delta på et arrangement.
Bare én transaksjonsloggtabell kan konfigureres. Hvis det finnes flere kjøpstabeller, kan du kombinere dem i Power Query før datainntak begynner.
Hvis ordre- og ordredetaljer er forskjellige tabeller, slår du dem sammen før du bruker dem i modellen. Modellen fungerer ikke med bare en ordre-ID eller kvitterings-ID i en tabell.

Opprett en produktanbefalingsprediksjon

Velg Lagre utkast når som helst for å lagre prediksjonen som utkast. Ukastprediksjonen vises i fanen Mine prediksjoner.

Gå til Innsikt>Prediksjoner.
Velg Bruk modell på flisen Produktanbefalinger (forhåndsversjon) i Opprett-fanen.
Velg Kom i gang.
Gi navn til denne modellen og Navn på utdatatabellen for å skille dem fra andre modeller eller tabeller.
Velg Neste.

Definer preferanser for produktanbefaling

Angi Antall produkter du vil anbefale for en kunde. Denne verdien avhenger av hvordan leveringsmåten fyller ut data.
Velg om du vil ta med produkter som kunder tidligere har kjøpt, i feltet Forventet å gjenta innkjøp.
Angi Se tilbake-vindu med tidsrammen modellen vurderer før du anbefaler produktet på nytt til brukeren. Angi for eksempel at en kunde kjøper en bærbar datamaskin annethvert år. Modellen ser på kjøpshistorikken for de siste to årene, og hvis den finner en vare, filtreres varen fra anbefalingene.
Velg Neste

Legg til kjøpshistorikk

Velg Legg til data for Historikk for kundetransaksjon.
Velg den semantiske aktivitetstypen SalesOrderLine som inneholder den nødvendige informasjonen i transaksjonsloggen eller kjøpshistorikken. Hvis aktiviteten ikke er konfigurert, velger du her og oppretter den.
Hvis aktivitetsattributtene ble tilordnet semantisk da aktiviteten ble opprettet, velger du de bestemte attributtene eller tabellen du vil at beregningen skal fokusere på, under Aktiviteter. Hvis semantisk tilordning ikke fant sted, velger du Rediger og tilordner dataene.
Velg Neste, og se gjennom attributtene som kreves for denne modellen.
Velg Lagre.
Velg Neste.

Legg til produktinformasjon og -filtre

Noen ganger er bare visse produkter gunstige eller passende for den typen prediksjon du bygger. Bruk produktfiltre til å identifisere et delsett av produkter med bestemte kjennetegn som anbefales til kundene dine. Modellen bruker alle produktene som er tilgjengelige for å lære mønstre, men bare bruke produktene som samsvarer med produktfilteret i utdataene.

Legg til produktkatalogtabellen som inneholder informasjon for hvert produkt. Tilordne informasjonen som kreves, og velg Lagre.
Velg Neste.
Velg Produktfiltre:
- Ingen filtre: Bruk alle produkte i produktanbefalingsprediksjonen.
- Definer spesifikke produktfiltre: Bruk bestemte produkter i produktanbefalingsprediksjonen. I ruten Produktkatalogattributter velger du attributtene fra produktkatalogtabellen du vil ta med i filteret.
Velg om du vil at produktfilteret skal bruke and eller or til logisk å kombinere ditt utvalg av attributter fra produktkatalogen.
Velg Neste.

Angi oppdateringstidsplan

Velg en hyppighet for å lære opp modellen på nytt. Denne innstillingen er viktig for å oppdatere nøyaktigheten til prognoser når nye data hentes inn. De fleste virksomheter kan gjenopplære én gang i måneden og få god nøyaktighet for prognosen.
Velg Neste.

Se gjennom og kjøre modellkonfigurasjonen

Trinnet Se gjennom og kjør viser et sammendrag av konfigurasjonen og lar deg gjøre endringer før du oppretter prediksjonen.

Velg Rediger i et av trinnene for å se gjennom og gjøre endringer.
Hvis du er fornøyd med valgene dine, velger du Lagre og kjør for å starte å kjøre modellen. Velg Ferdig. Fanen Mine prediksjoner vises mens prediksjon opprettes. Det kan ta flere timer før prosessen er fullført, avhengig av mengden data som brukes i forutsigelsen.

Tips

Det finnes statuser for oppgaver og prosesser. De fleste prosesser avhenger av andre oppstrømsprosesser, for eksempel datakilder og oppdatering av dataprofilering.

Velg statusen for å åpne Fremdriftsdetaljer-ruten og vise fremgangen for oppgaver. Hvis du vil avbryte jobben, velger du Avbryt jobb nederst i ruten.

Under hver oppgave kan du velge Se detaljer for mer fremdriftsinformasjon, for eksempel behandlingstid, siste behandlingsdato og eventuelle relevante feil og advarsler som er tilknyttet oppgaven eller prosessen. Velg Vis systemstatus nederst i panelet for å vise andre prosesser i systemet.

Vis prediksjonsresultater

Gå til Innsikt>Prediksjoner.
I fanen Mine prediksjoner velger du prediksjonen du vil vise.

Det finnes fem hoveddeler med data på resultatsiden.

Modellytelse: Graderingene A, B eller C angir ytelsen til prediksjonen og kan hjelpe deg å ta beslutningen om å bruke resultatene som er lagret i utdatatabellen.

Vurderinger fastsettes basert på følgende regler:
- A når måleverdien Suksess ved K er minst 10 % mer enn basisen.
- B når måleverdien Suksess ved K er 0 % til 10 % mer enn basisen.
- C når måleverdien Suksess ved K er mindre enn basisen.
- Basis: De mest anbefalte produktene etter kjøpsantall for alle kunder + lærte regler som identifiseres av modellen = et sett med anbefalinger for kundene. Prediksjonene sammenlignes deretter med de mest populære produktene basert på antall kunder som hadde kjøpt produktet. Hvis en kunde har minst ett produkt i de anbefalte produktene som også ble sett blant de mest kjøpte produktene, regnes disse som en del av basisen. Hvis ti av disse kundene for eksempel hadde et anbefalt produkt kjøpt av 100 kunder totalt, er basisen 10 %.
- Suksess ved K: Anbefalinger opprettes for alle kunder og sammenlignes med valideringssettet i tidsperioden med transaksjoner. I en periode på 12 måneder kan for eksempel måned 12 settes til side som et valideringssett med data. Hvis modellen forutsier minst én ting du ville kjøpt i måned 12, basert på hva den har lært av de forrige 11 månedene, vil kunden øke måleverdien Suksess ved K.
De fleste foreslåtte produkter (med opptelling): De fem beste produktene som ble forutsatt for kundene dine.
Viktige anbefalingsfaktorer: Modellen bruker kundenes transaksjonshistorikk til å gi produktanbefalinger. Den lærer mønstre basert på tidligere kjøp og finner likheter mellom kunder og produkter. Disse likhetene brukes deretter til å generere produktanbefalinger. Følgende faktorer kan påvirke en produktanbefaling som genereres av modellen.
- Tidligere transaksjoner: Et anbefalt produkt var basert på tidligere kjøpsmønstre. Modellen kan for eksempel anbefale en Surface Arc-mus hvis noen nylig har kjøpt en Surface Book 3 og en Surface-penn. Modellen lærte at mange kunder historisk sett hadde kjøpt en Surface Arc-mus etter å ha kjøpt en Surface Book 3 og en Surface-penn.
- Kundelikhet: Et anbefalt produkt ble historisk kjøpt av andre kunder som viser lignende kjøpsmønstre. John ble for eksempel anbefalt Surface Headphones 2 fordi Jennifer og Brad nylig kjøpte Surface Headphones 2. Modellen mener John ligner på Jennifer og Brad fordi de historisk har hatt lignende kjøpsmønstre.
- Produktlikhet: Et anbefalt produkt ligner på andre produkter som kunden tidligere hadde kjøpt. Modellen anser to produkter for å være like hvis de ble kjøpt sammen eller av lignende kunder. For eksempel får noen en anbefaling for en USB-lagringsstasjon fordi de tidligere kjøpte en USB-C til USB-adapter. Modellen mener at USB-lagringsstasjon er lik USB-C til USB-adapter basert på historiske kjøpsmønstre.
En eller flere av disse faktorene påvirker alle produktanbefalinger. Prosentandelen av anbefalinger der hver påvirkningsfaktor spilte en rolle, visualiseres i et diagram. I eksemplet nedenfor er 100 % av anbefalingene påvirket av tidligere transaksjoner, 60 % av kundelikhet og 22 % av produktlikhet. Hold pekeren over stolpene i diagrammet for å se den nøyaktige prosentandelen der påvirkningsfaktorene bidro.
Datastatistikk: En oversikt over antall transaksjoner, kunder og produkter modellen vurderte. Den er basert på inndata som ble brukt til å lære mønstre og generere produktanbefalinger.

Modellen bruker alle tilgjengelige data til å lære mønstre. Hvis du bruker produktfiltrering i modellkonfigurasjonen, viser denne delen totalt antall produkter som modellen analyserte for å lære mønstre, noe som kan avvike fra antall produkter som samsvarer med de definerte filtreringskriteriene. Filtrering brukes på utdataene som genereres av modellen.
Eksempel på produktanbefalinger: Et eksempel på anbefalinger som modellen tror det er sannsynlig at kunden vil kjøpe. Hvis en produktkatalog legges til, erstattes produkt-ID-ene med produktnavn.