共用方式為

設定「經常一起購買」模型 (預覽版)

  • 發行項

重要

這其中部分或所有的功能會做為預覽版本的一部分來提供。 內容和功能隨時可能變更。

成功部署「經常一起購買」後，您必須設定模型才能根據 Lakehouse 中提供的資料產生見解。

先決條件

您需要 Fabric 管理員 (工作區參與者) 權限，才能設定「經常一起購買」。

設定模型以產生見解

此筆記本由下列儲存格組成，這些儲存格講述如何處理資料以提供所需的輸出。

注意

下列儲存格是依照建議的特定順序來使用。 如果依照不同的順序來使用，筆記本就會失敗。

步驟 1： 匯入文件庫

此步驟匯入筆記本所需的文件庫。 不一定要在此步驟中進行任何變更。

步驟 2： 初始化 Spark 設定、記錄器和檢查指標

此步驟初始化執行筆記本所用的 Spark 設定、記錄器和檢查指標物件。

您可以透過兩種不同方式初始化記錄器：

  • 設定為將記錄寫入筆記本儲存格輸出。 這是預設行為。

  • 設定為將記錄寫入 Microsoft Azure Application Insights 工作區。 使用此方法時，需要 Application Insights 工作區的 connection_string。 系統會產生執行識別碼，然後將其顯示在儲存格的輸出中。 您可以使用執行識別碼來查詢 Application Insights 工作區中的記錄。

您可以使用檢查指標來同步 Spark 實作，並避免可能產生重複的索引鍵。 您必須提供要用來做為工作目錄的路徑。 變數的名稱為 checkpoint_dir。 此目錄必須是在 Lakehouse 的檔案區段中，也就是必須以 “Files/” 開頭。

步驟 3： 連接至 Lakehouse 並讀取輸入資料表

此步驟會連接至 Lakehouse，並讀取模型所需的輸入資料表。 您可以從以下三個之一的選項讀取輸入資料表：

  • 筆記本的已釘選 Lakehouse，其中包含範例資料。 這是預設選項。

  • 已連接至筆記本的 Lakehouse。 您可以從下拉式功能表選取 Lakehouse。

  • 其他未連接至筆記本的 Lakehouse。 您必須提供 Lakehouse 的完整路徑。

如需輸入資料表的詳細資訊，請參閱經常一起購買輸入資料。

步驟 4. 定義模型的分析週期

筆記本可讓您對多個時間週期執行模型，這有助於擷取客戶行為、產品組合和產品定位隨時間進展的季節性和變化。 您也可以使用現成可用的儀表板來比較不同時間週期的結果。

若要定義時間週期，請使用 add_analysis_period 函式。 請務必在輸入資料的期間內定義分析週期。 輸入資料的期間 (最大和最小交易時間戳記) 會記錄在儲存格的輸出中。 您最多可以定義五個時間期間。 週期的參考索引鍵儲存在 TimePeriods 資料表中。

步驟 5： 預先處理輸入資料

此步驟聯結輸入資料框以建立 POS 資料集，模型會使用此資料集來產生見解。 不一定要在此步驟中進行任何變更。

此步驟的輸出包含下列資料框：

  • 購買 - 購買 POS 資料框包含包含客戶的購買資訊，例如零售實體識別碼、產品識別碼、產品定價金額、數量和造訪時間戳記。 您可以聯結 Visit、ShopperSession、ShopperSessionTransaction 與 TransactionLineItem 資料表來建立此資料框。

  • time_periods - 此資料框包含您在上一個步驟中定義的分析週期。 您可以使用這些週期來分割資料並對每個週期執行模型。

  • retail_entities - 此資料框包含零售實體識別碼及其資訊。 零售實體可以是個別商店或零售商。 您可以使用這些實體在商店層級或零售商層級執行模型。

步驟 6。 定義模型參數並執行模型

您可以設定下列模型參數來微調模型結果：

  • 參數名稱：min_itemset_frequency

    • 描述：模型分析中要考量的品項集 (一起購買的兩種產品的集合) 的最小購買數量。

    • 值類型：整數

    • 預設值：3

    • 必要：是。

    • 允許值：>=1

  • 參數名稱：max_basket_size

    • 描述：一個購物籃中的最大品項數量。 如果購物籃中的品項數量超過預設值，則會修剪購物籃。 首先修剪資料集中銷售額最低的產品。

    • 值類型：整數

    • 預設值：20

    • 必要：是。

    • 允許值：>=1

  • 參數名稱：chi_2_alpha

    • 描述：統計顯著性參數。 用於判斷關聯在一起的成對產品是否有意義且具有統計顯著性。 如果一對產品的分數低於參數值，則在 RuleAttributes 資料表的 Chi2IsSignificant 欄位中標幟這些產品。

    • 值類型：浮點數

    • 必要：否

    • 預設值：0.05 百分位數

    • 允許值範圍：0-1

執行時，資料會寫入輸出資料表。 您有三個用於定義要寫入之 Lakehouse 的選項。

步驟 7：建立 Power BI 儀表板資料表

在此步驟中，您會建立 Power BI 儀表板資料表。 與＜連接至 Lakehouse 並讀取輸入資料表＞一節相仿，有三種將輸出寫入 Fabric 的方法。

完成 Power BI 儀表板資料表的建立後，系統會將資料寫入 Lakehouse。 如需詳細資訊，請參閱輸入資料表

步驟 8：建立僅含「高超關聯」的檢視表

「高超關聯」是一種分類，根據 SQL 程式碼中設定的準則指示產品之間存在明確且具統計意義的關聯性。 「高超關聯」衍生自根據 SQL 程式碼中條件陳述式填入的 StrengthOfAssociation 資料行。 此邏輯根據 FBT 資料表中 RuleQualityCategoryId 和 IsSignificant 資料行的值，對產品之間的關聯強度進行分類。

「高超關聯」指的是 RuleQualityCategoryId 為 2 (可能表示高品質關聯規則) 且 IsSignificant 為 1 (可能表示關聯在統計上且顯著性) 的情況。

如果 IsSignificant 為 0，則表示儘管可能會將規則類別視為有高超關聯，但由於資料不足，其顯著性可能有限。

在此步驟中，您會建立僅含「高超關聯」的檢視表。 此步驟使產品對稱。 基本上，如果 Product1=A 和 Product2=B，就必須建立一個對稱的記錄，即 Product1=B 和 Product2=A。 您應該分別查詢 A 和 B。

步驟 9：Power BI 儀表板資料表參數

您可以使用 num_top_associated_products 參數來設定要在每項產品的 Power BI 儀表板中顯示的關聯性排名靠前產品數量。

  • 描述 - 每個產品要顯示在 Power BI 儀表板中的關聯產品最大數量。 傳回組合排名欄位排序的熱門產品。

  • 值類型 - 整數

  • 必要 - 否

  • 預設值 - 5

  • 允許值範圍 - 1-10

步驟 10：建立檢視表

您可以根據先前的資訊建立檢視表，在其中計算購買金額和數量的每週平均值。

此步驟會複製每個要單獨查看的產品準則/群組的資料。 您可以對每個商店/零售商、時間週期和貨幣進行排名來完成此步驟。

  • 所有品項 (如果「經常一起購買」是與其他品項一起購買)

  • 10 筆最高「經常一起購買」營收 (主要 +「經常一起購買」)

  • 10 筆最低「經常一起購買」營收 (主要 +「經常一起購買」)

  • 主要品項營收中的最暢銷產品

  • 主要品項營收中的最不暢銷產品

此檢視表顯示每個商店/零售商的主要品項 (Product1)、時間週期、貨幣和產品準則，以及其每週營收、數量和所有「經常一起購買」產品的營收總和。

步驟 11：建立 Power BI 儀表板使用的資料表

在這最後一個步驟中建立的資料表可直接使用，無需建立其他 Power BI 量值或計算結果欄。

根據 TableColProductGroupType，有三種類型的記錄：

  • Type=1: TableColProductGroup="Group N" - 此記錄表示屬於「經常一起購買」儀表板資料表一部分的主要品項。

  • Type=2: TableColProductGroup="Main product" - 此記錄也會將屬於「經常一起購買」儀表板資料表一部分的主要品項表示為另一個記錄。

  • Type=3: TableColProductGroup="FBT product" - 此記錄表示與主要產品的關聯品項。

現在，您已完成資料清理，並已使用筆記本建立包含適當篩選條件的 Power BI 報表。 您可以使用此報表來取得可操作的見解。