Del via

Eksempelveiledning for prediksjon for produktanbefaling (forhåndsversjon)

  • Artikkel

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

Denne veiledningen går gjennom et helhetlig eksempel på prediksjon av produktanbefaling ved hjelp av eksempeldata. Vi anbefaler at du prøver denne prediksjonen i et nytt miljø.

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.

Scenario

Contoso er et selskap som produserer kaffe og kaffemaskiner av høy kvalitet. De selger produktene via nettstedet til Contoso Coffee. Målet er å forstå hvilke produkter de bør anbefale til sine regelmessige kunder. Hvis du vet hva det er mer sannsynlig at kundene kjøper, kan du hjelpe dem å lagre markedsføringen ved å fokusere på bestemte elementer.

Krav

Oppgave 1 – hente inn data

Se gjennom artiklene om datainntak og koble til en Power Query-datakilde. Følgende informasjon forutsetter at du er fortrolig med datainntak generelt.

Hente inn kundedata fra eCommerce-plattform

  1. Opprett en Power Query-datakilde kalt eCommerce, og velg Tekst/CSV-koblingen.

  2. Skriv inn URL-adressen for eCommerce-kontakter: https://aka.ms/ciadclasscontacts.

  3. Når du redigerer dataene, velger du Transformasjon og deretter Bruk første rad som overskrifter.

  4. Oppdater datatypen for kolonnene som vises nedenfor:

    • DateOfBirth: Dato
    • CreatedOn: Dato/klokkeslett/sone

    Transformer fødselsdato til dato.

  5. I Navn-feltet i den høyre ruten endrer du navnet på datakilden til eCommerceContacts.

  6. Lagre datakilden.

Hente inn online kjøpsdata

  1. Legge til et nyttdata sett i samme eCommerce-datakilde. Velg koblingen Tekst/CSV på nytt.

  2. Skriv inn nettadressen til dataene for online kjøp: https://aka.ms/ciadclassonline.

  3. Når du redigerer dataene, velger du Transformasjon og deretter Bruk første rad som overskrifter.

  4. Oppdater datatypen for kolonnene som vises nedenfor:

    • PurchasedOn: Dato/klokkeslett
    • TotalPrice: Valuta

  5. I Navn-feltet i sideruten endrer du navnet på datakilden til eCommercePurchases.

  6. Lagre datakilden.

Hente inn kundedata fra lojalitetsskjema

  1. Opprett en datakilde kalt LoyaltyScheme, og velg koblingen Tekst/CSV.

  2. Angi nettadressen til lojale kunder: https://aka.ms/ciadclasscustomerloyalty.

  3. Når du redigerer dataene, velger du Transformasjon og deretter Bruk første rad som overskrifter.

  4. Oppdater datatypen for kolonnene som vises nedenfor:

    • DateOfBirth: Dato
    • RewardsPoints: Heltall
    • CreatedOn: Dato/klokkeslett

  5. I Navn-feltet i den høyre ruten endrer du navnet på datakilden til loyCustomers.

  6. Lagre datakilden.

Oppgave 2 – Dataforening

Gå gjennom artikkelen om datasamling. Følgende informasjon forutsetter at du er fortrolig med datasamling generelt.

Når dataene er innhentes, starter du datasamlingsprosessen for å opprette en enhetlig kundeprofil. Hvis du vil ha mer informasjon, kan du se Dataforening.

Beskriv kundedataene som skal samles

  1. Etter at du har hentet inn dataene, tilordner du kontakter fra eCommerce og lojalitetsdata til vanlige datatyper. Gå til Data>Samle.

  2. Velg tabellene som representerer kundeprofilen – eCommerceContacts og loyCustomers.

    Samle ecommerce- og lojalitetsdatakildene.

  3. Velg ContactId som primærnøkkelen for eCommerceContacts og LoyaltyID som primærnøkkelen for loyCustomers.

  4. Velg Neste. Hopp over duplikatoppføringer, og velg Neste.

Definer samsvarsregler

  1. Velg eCommerceContacts : eCommerce som primærtabell, og inkluder alle oppføringer.

  2. Velg loyCustomers : LoyaltyScheme, og inkluder alle oppføringer.

  3. Legg til en regel:

    • Velg FullName for både eCommerceContacts og loyCustomers.
    • Velg Type (telefon, navn, adresse ...) for Normaliser.
    • Angi Presisjonsnivå: Grunnleggende og Verdi: Høy.

  4. Legg til en ny betingelse for e-postadresse:

    • Velg Email for både eCommerceContacts og loyCustomers.
    • La Normaliser være tomt.
    • Angi Presisjonsnivå: Grunnleggende og Verdi: Høy.
    • Skriv inn FullName, Email for navnet.

    Regel for å samle treff for navn og e-post.

  5. Velg Ferdig.

  6. Velg Neste.

Vis enhetlige data

  1. Endre navnet på ContactId for loyCustomers-tabellen til ContactIdLOYALTY for å skille den fra de andre ID-ene som er inntatt.

  2. Velg Neste for å se gjennom, og velg deretter Opprett kundeprofiler.

Oppgave 3 – opprett aktivitet for transaksjonslogg

Se gjennom artikkelen om kundeaktiviteter. Følgende informasjon forutsetter at du er fortrolig med opprettelse av aktiviteter generelt.

  1. Opprette en aktivitet med tabellen eDiagrammer:eDiagram.

  2. Velg SalesOrderLine for Aktivitetstype, og PurchaseId for Primærnøkkel.

  3. Skriv inn følgende informasjon for aktiviteten:

    • Aktivitetsnavn: eCommercePurchases
    • TimeStamp: PurchasedOn
    • EventActivity: TotalPrice
    • Ordrelinje-ID: PurchaseId
    • Ordredato: PurchasedOn
    • Beløp: TotalPrice

  4. Opprett en relasjon mellom eCommercePurchases:eCommerce og eCommerceContacts:eCommerce med ContactID som sekundærnøkkelen for å koble sammen de to tabellene.

  5. Se gjennom endringene, og velg deretter Opprett aktiviteter.

Oppgave 4 – Konfigurer prediksjon av produktanbefaling

Når de enhetlige kundeprofilene er på plass og aktivitet opprettet, kjører du produktanbefalingsprediksjon.

  1. Gå til Innsikt>Prediksjoner.

  2. Velg Bruk modell på flisen Produktanbefalinger (forhåndsversjon) i Opprett-fanen.

  3. Velg Komme i gang.

  4. Gi modellen navnet Prediksjon av OOB-produktanbefalingsmodell og utdatatabellen OOBProductRecommendationModelPrediction.

  5. Velg Neste.

  6. Definer modellinnstillinger:

    • Antall produkter: 5 for å definere hvor mange produkter du vil anbefale til kundene.
    • Forventet å gjenta innkjøp: Ja for å ta med produkter som tidligere er kjøpt, i anbefalingen.
    • Vindu for tilbakeblikk:365 dager for å definere hvor langt modellen skal se tilbake før du anbefaler et produkt på nytt.

    Modellinnstillinger for produktanbefalingsmodellen.

  7. Velg Neste.

  8. Velg Legg til data i trinnet Legg til kjøpshistorikk.

  9. Velg SalesOrderLine og tabellen eCommercePurchases, og velg Neste. De obligatoriske dataene blir automatisk fylt ut fra aktiviteten. Velg Lagre og deretter Neste.

  10. Hopp over trinnene Legg til produktinformasjon og Produktfiltre siden vi ikke har produktinformasjonsdata.

  11. Velg Månedlig for modelltidsplanen i Dataoppdateringer.

  12. Velg Neste.

  13. Når du har sett gjennom alle detaljene, velger du Lagre og kjør.

Oppgave 5 – gå gjennom modellresultater og forklaringer

La modellen fullføre opplæringen og beregne poengsum for dataene. Se gjennom forklaringer av modellen for produktanbefaling.

Oppgave 6 – Opprett et segment av mye kjøpte produkter

Når du kjører modellen, opprettes en ny tabell som vises i Data>Tabeller. Du kan opprette et nytt segment basert på tabellen som er opprettet av modellen.

  1. Velg Opprett segment på resultatsiden.

  2. Opprett en regel ved å bruke tabellen OOBProductRecommendationModelPrediction, og definer segmentet:

    • Felt: ProductID
    • Verdi: Velg de tre mest populære produkt-ID-ene

  3. Velg Lagre, og Kjør segmentet.

Du har nå et segment som oppdateres dynamisk, og denne identifiserer kundene som kan være interessert i å kjøpe de fem mest anbefalte produktene. Hvis du vil ha mer informasjon, kan du se Opprette og behandle segmenter.

Tips

Du kan også opprette et segment for en prediksjonsmodell på siden Innsikt>Segmenter ved å velge Ny og velge Opprett fra>Innsikt. Hvis du vil ha mer informasjon, kan du se Opprett et nytt segment med hurtigsegmenter.

Neste trinn