Verhaltensdaten
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 schnell anfangen möchten, können Sie die folgenden, rein katalogbezogenen Empfehlungstypen verwenden:
More like this
Visual similarity
Wann können Sie also mit der Verwendung von Empfehlungstypen beginnen, die Verhaltensdaten verwenden? Es kommt darauf an. Dies wird als Kaltstart Problem.
Die Kaltstart -Problem ist ein Maß dafür, wie viel Zeit ein Modell trainieren muss, bevor es als qualitativ hochwertig betrachtet werden kann. In Produktempfehlungen bedeutet dies, dass darauf gewartet wird, dass Adobe Sensei seine maschinellen Lernmodelle trainiert, bevor Empfehlungseinheiten auf Ihrer Site bereitgestellt werden. Je mehr Daten diese Modelle haben, desto genauer und nützlicher sind die Empfehlungen. Die Erfassung dieser Daten nimmt Zeit in Anspruch und variiert je nach Traffic-Volumen. Da diese Daten nur auf einer Produktionssite erfasst werden können, ist es in Ihrem Interesse, die Datenerfassung dort so früh wie möglich bereitzustellen. Sie können dies durch Installation und Konfiguration die magento/production-recommendations
-Modul.
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 that
Viewed this, bought that
, Bought this, bought that
Trending
Andere 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 den Trainings-Fortschritt der einzelnen Empfehlungstypen zu visualisieren, muss die Empfehlung erstellen Seite zeigt die Indikatoren zur Bereitschaft an.
Während Daten auf Produktions- und maschinellen Lernmodellen erfasst werden, können Sie die verbleibende Aufgaben erforderlich, um Empfehlungen für Ihre Storefront bereitzustellen. Wenn Sie die Tests und Konfiguration von Empfehlungen abgeschlossen haben, haben die Modelle für maschinelles Lernen genügend Daten gesammelt und berechnet, um relevante Empfehlungen zu erstellen, sodass Sie die Empfehlungen in Ihrer Storefront bereitstellen können.
Wenn der Traffic für die meisten SKUs unzureichend ist (Ansichten, gekaufte Produkte, Trends), liegen möglicherweise nicht genügend Daten vor, um den Lernprozess abzuschließen. Dies kann dazu führen, dass der Bereitschaftsindikator im Admin so aussieht, als wäre er blockiert.
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.
Reserveempfehlungen backuprecs
Wenn nicht genügend Eingabedaten vorhanden sind, um alle angeforderten Empfehlungselemente in einer Einheit bereitzustellen, bietet Adobe Commerce Ersatzempfehlungen zum Ausfüllen von Empfehlungseinheiten. Wenn Sie beispielsweise die Recommended for you
Empfehlungstyp auf Ihrer Homepage verwenden, hat ein Erstkäufer Ihrer Site nicht genügend Verhaltensdaten generiert, um genau empfohlene personalisierte Produkte zu erzielen. In diesem Fall überdeckt Adobe Commerce Elemente basierend auf dem Most viewed
Empfehlungstyp an diesen Kunden.
Die folgenden Empfehlungstypen fallen auf Most viewed
Empfehlungstyp, wenn nicht genügend Eingabedaten erfasst wurden:
Recommended for you
Viewed this, viewed that
Viewed this, bought that
Bought this, bought that
Trending
Conversion (view to purchase)
Conversion (view to cart)