Daten erfassen
Wenn Sie SaaS-basierte Adobe Commerce-Funktionen wie Produkt Recommendations oder Live Search installieren und konfigurieren, stellen die Module die verhaltensbasierte Datenerfassung auf Ihrem Storefront bereit. Dieser Mechanismus erfasst anonymisierte Verhaltensdaten von Ihren Kunden und ermöglicht Produktempfehlungen sowie die Live-Suche -Ergebnisse. Beispielsweise wird der Empfehlungstyp Viewed this, viewed that mit dem Ereignis view und der Empfehlungstyp place-order berechnet, mit dem der Empfehlungstyp Bought this, bought that berechnet wird.
Datentypen und Ereignisse
In Product Recommendations werden zwei Datentypen verwendet:
- Verhalten - Daten aus der Interaktion eines Käufers auf Ihrer Site, z. B. Produktansichten, zu einem Warenkorb hinzugefügte Artikel und Käufe.
- Katalog - Produktmetadaten wie Name, Preis, Verfügbarkeit usw.
Wenn Sie das magento/product-recommendations -Modul installieren, aggregiert Adobe Sensei die Verhaltens- und Katalogdaten und erstellt so für jeden Empfehlungstyp Produkt-Recommendations. Der Product Recommendations-Dienst stellt diese Empfehlungen dann in Form eines Widgets, das das empfohlene Produkt items enthält, auf Ihrer Storefront bereit.
Einige Empfehlungstypen verwenden Verhaltensdaten Ihrer Kunden, um Modelle für maschinelles Lernen zu trainieren und so personalisierte Empfehlungen zu erstellen. Andere Empfehlungstypen verwenden nur Katalogdaten und verwenden keine Verhaltensdaten. Wenn Sie Produkt Recommendations schnell auf Ihrer Site verwenden möchten, können Sie die folgenden, rein katalogbezogenen Empfehlungstypen verwenden:
More like thisVisual similarity
Kaltstart
Wann können Sie mit der Verwendung von Empfehlungstypen beginnen, die Verhaltensdaten verwenden? Es kommt darauf an. Dies wird als das Problem Cold Start bezeichnet.
Das Problem Cold Start bezieht sich auf die Zeit, die es dauert, bis ein Modell trainiert und wirksam wird. Bei Produktempfehlungen bedeutet dies, darauf zu warten, dass Adobe Sensei genügend Daten erfasst, um seine maschinellen Lernmodelle zu trainieren, bevor Empfehlungseinheiten auf Ihrer Site bereitgestellt werden. Je mehr Daten die Modelle haben, desto genauer und nützlicher sind die Empfehlungen. Da die Datenerfassung auf einer Live-Site erfolgt, ist es am besten, diesen Prozess frühzeitig zu starten, indem das magento/production-recommendations -Modul installiert und eingerichtet wird.
Die folgende Tabelle enthält einige allgemeine Anleitungen für die Zeit, die benötigt wird, um genügend Daten für jeden Empfehlungstyp zu sammeln:
Most viewed, Most purchased, Most added to cart)Viewed this, viewed thatViewed this, bought that, Bought this, bought thatTrendingAndere Variablen, die sich auf die zum Trainieren benötigte Zeit auswirken können:
- Höheres Traffic-Volumen trägt zu schnellerem Lernen bei
- Einige Empfehlungstypen trainieren schneller als andere
- Adobe Commerce berechnet Verhaltensdaten alle vier Stunden neu. Je länger sie auf Ihrer Site verwendet werden, desto genauer wird Recommendations.
Um Ihnen bei der Visualisierung des Trainings-Fortschritts der einzelnen Empfehlungstypen zu helfen, zeigt die Seite Empfehlung erstellen Bereitschaftsindikatoren an.
Während Daten auf Ihrer Live-Site erfasst werden und die Modelle für maschinelles Lernen trainiert werden, können Sie andere Test- und Konfigurationsaufgaben abschließen, die zum Einrichten von Empfehlungen erforderlich sind. Wenn Sie mit dieser Arbeit fertig sind, verfügen die Modelle über genügend Daten, um nützliche Empfehlungen zu erstellen, sodass Sie sie in Ihrer Storefront bereitstellen können.
Wenn Ihre Site für die meisten Produkt-SKUs nicht genügend Traffic (Ansichten, Käufe, Trends) erhält, sind möglicherweise nicht genügend Daten vorhanden, um den Lernprozess abzuschließen. Dies kann dazu führen, dass der Bereitschaftsindikator im Admin feststeckt. Die Bereitschaftsindikatoren sollen Händlern einen weiteren Datenpunkt bei der Auswahl des Empfehlungstyps bieten, der für ihren Store besser ist. Die Zahlen sind ein Leitfaden und werden möglicherweise nie 100 % erreichen. Erfahren Sie mehr über Bereitschaftsindikatoren.
Reserveempfehlungen backuprecs
Wenn die Eingabedaten nicht ausreichen, um alle angeforderten Empfehlungselemente in einer Einheit bereitzustellen, bietet Adobe Commerce Ersatzempfehlungen zum Ausfüllen von Empfehlungseinheiten. Wenn Sie beispielsweise den Empfehlungstyp "Recommended for you"auf Ihrer Homepage bereitstellen, hat ein Erstkäufer Ihrer Site nicht genügend Verhaltensdaten generiert, um genau empfohlene personalisierte Produkte zu erzielen. In diesem Fall überdeckt Adobe Commerce Artikel basierend auf dem Empfehlungstyp Most viewed für diesen Käufer.
Bei unzureichender Eingabe-Datenerfassung greifen die folgenden Empfehlungstypen auf den Empfehlungstyp Most viewed zurück:
Recommended for youViewed this, viewed thatViewed this, bought thatBought this, bought thatTrendingConversion (view to purchase)Conversion (view to cart)
Veranstaltungen
Der Adobe Commerce Storefront Event Collector listet alle Ereignisse auf, die in Ihrer Storefront bereitgestellt wurden. In dieser Liste finden Sie jedoch eine Untergruppe von Ereignissen, die spezifisch für Product Recommendations sind. Diese Ereignisse erfassen Daten, wenn Kunden mit Empfehlungseinheiten im Storefront interagieren, und nutzen die Metriken, die Ihnen bei der Analyse der Performance Ihrer Empfehlungen helfen.
impression-renderimpression-render -Ereignisse gesendet. Dieses Ereignis wird verwendet, um die Metrik für Impressionen zu verfolgen.rec-add-to-cart-clickrec-clickviewview -Ereignis gesendet, wenn eine Zeile plus ein Pixel der zweiten Zeile für den Käufer sichtbar wird. Wenn der Käufer die Seite mehrmals nach oben und unten scrollt, wird das view -Ereignis so oft gesendet, wie der Käufer die gesamte Empfehlungseinheit erneut auf der Seite sieht.Erforderliche Dashboard-Ereignisse
Die folgenden Ereignisse sind erforderlich, um das Product Recommendations Dashboard zu füllen
page-view, recs-request-sent, recs-response-received, recs-unit-renderunitIdpage-view, recs-request-sent, recs-response-received, recs-unit-render, recs-unit-viewunitIdpage-view, recs-request-sent, recs-response-received, recs-item-click, recs-add-to-cart-clickunitIdpage-view, recs-request-sent, recs-response-received, recs-item-click, recs-add-to-cart-click, place-orderunitId, sku, parentSkupage-view, recs-request-sent, recs-response-received, recs-item-click, recs-add-to-cart-click, place-orderunitId, sku, parentSkupage-view, recs-request-sent, recs-response-received, recs-unit-render, recs-item-click, recs-add-to-cart-clickunitId, sku, parentSkupage-view, recs-request-sent, recs-response-received, recs-unit-render, recs-unit-view, recs-item-click, recs-add-to-cart-clickunitId, sku, parentSkuDie folgenden Ereignisse beziehen sich nicht auf Product Recommendations, sind jedoch erforderlich, damit Adobe Sensei die Kundendaten korrekt interpretieren kann:
viewadd-to-cartplace-order
Empfehlungstyp
In dieser Tabelle werden die von den einzelnen Empfehlungstypen verwendeten Ereignisse beschrieben.
page-viewproduct-viewpage-viewcomplete-checkoutpage-viewadd-to-cartSeite mit Produktliste
Warenkorb
Wunschliste
page-viewproduct-viewpage-viewproduct-viewpage-viewproduct-viewpage-viewproduct-viewpage-viewproduct-viewpage-viewcomplete-checkoutpage-viewproduct-viewpage-viewadd-to-cartEinschränkungen
- Anzeigensperren und Datenschutzeinstellungen können verhindern, dass Ereignisse erfasst werden, und können dazu führen, dass die Interaktion und die Umsatzmetriken Metriken nicht ausreichend gemeldet werden. Außerdem werden einige Ereignisse möglicherweise nicht gesendet, weil Käufer die Seite verlassen oder Netzwerkprobleme haben.
- Headless-Implementierungen müssen Eventing implementieren, um das Produkt-Recommendations-Dashboard zu erweitern.
- Für konfigurierbare Produkte verwendet Product Recommendations das Bild des übergeordneten Produkts in der Empfehlungseinheit. Wenn für das konfigurierbare Produkt kein Bild angegeben ist, ist die Empfehlungseinheit für dieses bestimmte Produkt leer.