Productaanbevelingen voorspellen (preview)

Artikel
01/31/2024

[Dit artikel maakt deel uit van de voorlopige documentatie en kan nog veranderen.]

Het productaanbevelingsmodel maakt sets met voorspellende productaanbevelingen. Aanbevelingen zijn gebaseerd op eerder aankoopgedrag en klanten met vergelijkbare aankooppatronen. U moet over zakelijke kennis beschikken om verschillende typen producten voor uw bedrijf te begrijpen en te begrijpen hoe uw klanten ermee omgaan. We ondersteunen het aanbevelen van producten die uw klanten eerder hebben gekocht of aanbevelingen voor nieuwe producten.

Het aanbevelingsmodel voor producten helpt u:

bij het aanbevelen van andere producten die bij een aankoop passen
contact op te nemen met klanten met producten waarin ze mogelijk geïnteresseerd zijn
detectie te verbeteren met andere relevante producten en diensten
gepersonaliseerde klantervaringen te maken

Productaanbevelingen kunnen onderhevig zijn aan lokale wet- en regelgeving en verwachtingen van de klant, waarmee het model niet specifiek rekening houdt. Daarom moet u de aanbevelingen beoordelen voordat u ze aan uw klanten doorgeeft om ervoor te zorgen dat u voldoet aan alle toepasselijke wet- of regelgeving en de verwachtingen van de klant voor wat u mogelijk aanbeveelt.

De uitvoer van dit model biedt aanbevelingen op basis van het product-id. Uw leveringsmechanisme moet de voorspelde product-id's toewijzen aan de juiste inhoud voor uw klanten om rekening te houden met lokalisatie, afbeeldingsinhoud en andere bedrijfsspecifieke inhoud of gedragingen.

Contoso wil bijvoorbeeld zijn omzet verhogen door webpagina's aan te passen om meer producten en services te tonen waaraan klanten plezier kunnen beleven. Ze kunnen klantspecifieke productaanbevelingen maken op basis van het productaanbevelingsmodel en de gegevens naar hun site sturen. Contoso kan zijn klanten een boost geven door hen aan te moedigen producten en services te bekijken die lijken op de producten en services die ze eerder hebben gekocht, waardoor de omzet toeneemt.

Tip

Probeer het voorspellen van productaanbevelingen uit aan de hand van voorbeeldgegevens: Voorbeeldhandleiding voor voorspellen van productaanbevelingen.

Belangrijk

Dit is een preview-functie.
Preview-functies zijn niet bedoeld voor productiegebruik en bieden mogelijk beperkte functionaliteit. Deze functies zijn beschikbaar vóór een officiële release zodat klanten vroeg toegang kunnen krijgen en feedback kunnen geven.

Vereisten

Minimaal Inzendermachtigingen
Minimaal 1000 klantprofielen binnen het gewenste voorspellingsvenster
Klant-id. Dit is een unieke id om transacties aan een individuele klant te koppelen
Minimaal één jaar aan transactiegegevens, bij voorkeur twee tot drie jaar om enige seizoensinvloeden op te nemen. Idealiter minimaal drie of meer transacties per klant-id. De transactiegeschiedenis moet het volgende bevatten:
- Transactie-id: unieke identificatie van een aankoop of transactie.
- Transactiedatum: datum van de aankoop of de transactie.
- Waarde van de transactie: numerieke waarde van de aankoop of de transactie.
- Unieke product-id: id van het gekochte product of de gekochte service als uw gegevens zich op regelitemniveau bevinden.
- Aankoop of retour: een Booleaans veld (waar/onwaar) waarin de waarde waar aangeeft dat een transactie een retour was. Als de gegevens voor Aankoop of Retour niet zijn opgegeven in het model en Waarde van de transactie negatief is, leiden we een retour af.
Een gegevenstabel voor een productcatalogus voor gebruik als een productfilter.

Notitie

Het model vereist de transactiegeschiedenis van uw klanten, waarbij de transactie alle gegevens zijn die een interactie tussen gebruiker en product beschrijven. Bijvoorbeeld het aanschaffen van een product, het volgen van een les of het bijwonen van een gebeurtenis.
Er kan slechts één transactiegeschiedenistabel worden geconfigureerd. Als er meerdere inkooptabellen zijn, combineert u deze in Power Query vóór de gegevensopname.
Als order- en ordergegevens verschillende tabellen zijn, voegt u deze samen voordat u ze in het model gebruikt. Het model werkt niet alleen met een bestellings-id of ontvangst-id in een tabel.

Een voorspelling voor een productaanbeveling maken

Selecteer Concept opslaan op elk gewenst moment om de voorspelling als concept op te slaan. De conceptvoorspelling wordt weergegeven op het tabblad Mijn voorspellingen.

Ga naar Inzichten>Voorspellingen.
Selecteer op het tabblad Maken de optie Model gebruiken op de tegel Productaanbevelingen (preview).
Selecteer Aan de slag.
Geef dit model een naam en geef de uitvoertabel een naam om ze te onderscheiden van andere modellen of tabellen.
Selecteer Volgende.

Voorkeuren voor productaanbevelingen definiëren

Stel het aantal producten in voor aanbeveling aan een klant. Deze waarde is afhankelijk van de manier waarop uw leveringsmethode de gegevens vult.
Kies of u producten wilt opnemen die klanten voorheen hebben gekocht in het veld Verwachte herhaalde aankopen.
Stel het Terugkijkvenster in met de tijdsbestek dat het model in overweging neemt voordat het product opnieuw aan de gebruiker wordt aanbevolen. Geef bijvoorbeeld aan dat een klant om de twee jaar een laptop koopt. Het model bekijkt de aankoopgeschiedenis van de afgelopen twee jaar en filtert, als er een item wordt gevonden, het iitem uit de aanbevelingen.
Selecteer Volgende

Aankoopgeschiedenis toevoegen

Selecteer Gegevens toevoegen bij Transactiegeschiedenis van de klant.
Selecteer het semantische activiteitstype SalesOrderLine dat de vereiste transactie- of aankoopgeschiedenisgegevens bevat. Als de activiteit niet is ingesteld, selecteert u deze hier en maakt u deze.
Kies onder Activiteiten, als de activiteitskenmerken semantisch zijn toegewezen bij het maken van de activiteit, de specifieke kenmerken of tabel waarop u de berekening wilt richten. Als semantische toewijzing niet heeft plaatsgevonden, selecteert u Bewerken en wijst u uw gegevens toe.
Selecteer Volgende en bekijk de kenmerken die vereist zijn voor dit model.
Selecteer Save.
Selecteer Volgende.

Productgegevens en filters toevoegen

Soms zijn alleen bepaalde producten gunstig of geschikt voor het type voorspelling dat u opstelt. Gebruik productfilters om een subset van producten met specifieke kenmerken te identificeren die u aan uw klanten kunt aanbevelen. Het model gebruikt alle beschikbare producten om patronen te leren, maar gebruikt alleen de producten die overeenkomen met het productfilter in de uitvoer.

Voeg uw productcatalogustabel toe die gegevens voor elk product bevat. Wijs de vereiste gegevens toe en selecteer Opslaan.
Selecteer Volgende.
Selecteer Productfilters:
- Geen filters: gebruik alle producten in Productaanbevelingen voorspellen.
- Specifieke productfilters definiëren: gebruik specifieke producten in Productaanbevelingen voorspellen. Selecteer in het deelvenster Kenmerken van productcatalogus de kenmerken van uw productcatalogustabel die u in het filter wilt opnemen.
Kies of u het productfilter en of of wilt laten gebruiken om uw selectie van kenmerken uit de productcatalogus logisch te combineren.
Selecteer Volgende.

Updateplanning instellen

Kies een frequentie voor het opnieuw trainen van uw model. Deze instelling is belangrijk om de nauwkeurigheid van voorspellingen bij te werken wanneer nieuwe gegevens worden opgenomen. De meeste bedrijven kunnen eenmaal per maand opnieuw trainen en krijgen een goede nauwkeurigheid voor hun voorspelling.
Selecteer Volgende.

De modelconfiguratie controleren en uitvoeren

De stap Controleren en uitvoeren toont een samenvatting van de configuratie en biedt een kans om wijzigingen aan te brengen voordat u de voorspelling maakt.

Selecteer Bewerken in een van de stappen om te controleren en eventuele wijzigingen aan te brengen.
Als u tevreden bent met uw selecties, selecteert u Opslaan en uitvoeren om het model te gaan gebruiken. Selecteer Gereed. Het tabblad Mijn voorspellingen wordt weergegeven terwijl de voorspelling wordt gemaakt. Het proces kan enkele uren in beslag nemen, afhankelijk van de hoeveelheid gegevens die in de voorspelling is gebruikt.

Tip

Er zijn statussen voor taken en processen. De meeste processen zijn afhankelijk van andere upstreamprocessen, zoals de vernieuwing van gegevensbronnen en gegevensprofilering.

Selecteer de status om het deelvenster Details van voortgang te openen en de voortgang van de taken te bekijken. Als u de taak wilt annuleren, selecteert u Taak annuleren onder aan het deelvenster.

Onder elke taak kunt u Zie details selecteren voor meer voortgangsinformatie, zoals verwerkingstijd, de laatste verwerkingsdatum en eventuele toepasselijke fouten en waarschuwingen die verband houden met de taak of het proces. Selecteer Systeemstatus weergeven onder aan het deelvenster om andere processen in het systeem te zien.

Resultaten van voorspelling weergeven

Ga naar Inzichten>Voorspellingen.
Selecteer op het tabblad Mijn voorspellingen de voorspelling die u wilt weergeven.

Er zijn vijf primaire gegevenssecties op de resultatenpagina.

Modelprestaties: Beoordelingscijfers A, B of C geven de prestaties van de voorspelling aan en kan u helpen bij het nemen van de beslissing om de resultaten te gebruiken die zijn opgeslagen in de uitvoertabel.

Cijfers worden bepaald op basis van de volgende regels:
- A wanneer het metrische gegeven "Succes bij K" ten minste 10% hoger is dan de basislijn.
- B wanneer het metrische gegeven "Succes bij K" 0% tot 10% hoger is dan de basislijn.
- C wanneer het metrische gegeven "Succes bij K" lager is dan de basislijn.
- Basislijn: de beste aanbevolen producten op basis van het aantal aankopen voor alle klanten + geleerde regels die door het model zijn geïdentificeerd = een reeks aanbevelingen voor de klanten. De voorspellingen worden vervolgens vergeleken met de beste producten, zoals berekend door het aantal klanten dat het product heeft gekocht. Als een klant ten minste één product in zijn aanbevolen producten heeft dat ook te zien was in de best gekochte producten, worden ze beschouwd als een onderdeel van de basislijn. Als er bijvoorbeeld 10 van deze klanten zijn die een aanbevolen product hebben gekocht op een totaal van 100 klanten, bedraagt de basislijn 10%.
- Succes bij K: er worden aanbevelingen gemaakt voor alle klanten en vergeleken met de validatieset voor de tijdsperiode van transacties. In een periode van 12 maanden kan bijvoorbeeld maand 12 worden gereserveerd als een validatieset van gegevens. Als het model ten minste één ding voorspelt dat u in maand 12 zou kopen op basis van wat het van de afgelopen 11 maanden heeft geleerd, zou de klant de meetwaarde "Success @ K" verhogen.
Meest voorgestelde producten (met aantal): de top vijf producten die zijn voorspeld voor uw klanten.
Belangrijkste aanbevelingsfactoren: het model gebruikt de transactiegeschiedenis van de klant om productaanbevelingen te doen. Het leert patronen op basis van eerdere aankopen en vindt overeenkomsten tussen klanten en producten. Deze overeenkomsten worden vervolgens gebruikt om productaanbevelingen te genereren. De volgende factoren kunnen van invloed zijn op een productaanbeveling die door het model wordt gegenereerd.
- Eerdere transacties: een aanbevolen product was gebaseerd op eerdere aankooppatronen. Het model kan bijvoorbeeld een Surface Arc Mouse adviseren als iemand onlangs een Surface Book 3 en een Surface-pen heeft aangeschaft. Het model heeft geleerd dat historisch gezien veel klanten een Surface Arc Mouse kochten na aankoop van een Surface Book 3 en een Surface-pen.
- Klantovereenkomst: een aanbevolen product is in het verleden gekocht door andere klanten die vergelijkbare aankooppatronen vertonen. John kreeg bijvoorbeeld Surface Headphones 2 als aanbeveling omdat Jennifer en Brad onlangs Surface Headphones 2 hebben gekocht. Het model gelooft dat John vergelijkbaar is met Jennifer en Brad omdat ze in het verleden vergelijkbare aankooppatronen hebben gehad.
- Productovereenkomst: een aanbevolen product is vergelijkbaar met andere producten die de klant eerder had gekocht. Het model beschouwt twee producten als vergelijkbaar als ze samen of door vergelijkbare klanten zijn gekocht. Iemand krijgt bijvoorbeeld een aanbeveling voor een USB-opslagstation omdat ze eerder een USB-C naar USB-adapter hebben gekocht. Het model gelooft dat USB-opslagstation vergelijkbaar is met een USB-C naar USB-adapter op basis van historische aankooppatronen.
Een of meer van deze factoren zijn van invloed op elke productaanbeveling. Het percentage aanbevelingen waarbij elke beïnvloedende factor een rol speelde, wordt weergegeven in een grafiek. In het volgende voorbeeld worden 100% van de aanbevelingen beïnvloed door eerdere transacties, 60% door klantovereenkomst en 22% door productovereenkomst. Beweeg over de balken in de grafiek om het exacte percentage te zien waaraan de beïnvloedende factoren hebben bijgedragen.
Gegevensstatistieken: een overzicht van het aantal transacties, klanten en producten dat het model in overweging heeft genomen. Het is gebaseerd op de invoergegevens die zijn gebruikt om patronen te leren en productaanbevelingen te genereren.

Het model gebruikt alle beschikbare gegevens om patronen te leren. Als u productfiltering gebruikt in de modelconfiguratie, wordt in deze sectie daarom het totale aantal producten weergegeven dat het model heeft geanalyseerd om patronen te leren. Dit kan verschillen van het aantal producten dat voldoet aan de gedefinieerde filtercriteria. Er wordt gefilterd op de uitvoer die door het model wordt gegenereerd.
Voorbeelden van productaanbevelingen: een voorbeeld van aanbevelingen waarvan het model denkt dat ze waarschijnlijk door de klant zullen worden gekocht. Als een productcatalogus wordt toegevoegd, worden de product-id's vervangen door productnamen.