Erfassen von Daten
Wenn Sie Product Recommendations installieren und konfigurieren, stellt das Modul die Verhaltensdatenerfassung in Ihrer Storefront bereit. Dieser Mechanismus erfasst anonymisierte Verhaltensdaten von Ihren Käufern und unterstützt Product Recommendations. Beispielsweise wird das view Ereignis verwendet, um den Viewed this, viewed that Empfehlungstyp zu berechnen, und das place-order Ereignis wird verwendet, um den Bought this, bought that Empfehlungstyp zu berechnen.
Weitere Informationen zu den Verhaltensdaten, die von den Product Recommendations-Ereignissen erfasst werden, finden Sie unter Entwicklerdokumentation.
Healthcare-Kunden
Wenn Sie Kundschaft im Gesundheitswesen sind und die Data Services HIPAA-Erweiterung installiert haben, die in der Data Connection-Erweiterung enthalten ist, erfasst Product Recommendations keine Storefront-Ereignisdaten mehr, da sie Client-seitig generiert werden.
Um mit dem Erfassen und Senden von Storefront-Ereignisdaten fortzufahren, aktivieren Sie die Ereigniserfassung für Product Recommendations erneut. Weitere Informationen finden Sie unter Allgemeine Konfiguration.
Datentypen und Ereignisse
Es gibt zwei Arten von Daten, die in Produktempfehlungen verwendet werden:
- Verhalten - Daten aus der Interaktion eines Käufers auf Ihrer Site, z. B. Produktansichten, Artikel, die zum Warenkorb hinzugefügt werden, und Käufe.
- Katalog - Produktmetadaten, z. B. Name, Preis, Verfügbarkeit usw.
Bei der Installation des magento/product-recommendations aggregiert Adobe AI die Verhaltens- und Katalogdaten und erstellt für jeden Empfehlungstyp Produktempfehlungen. Der Produktempfehlungs-Service stellt diese Empfehlungen dann in Form eines Widgets, das das empfohlene Produkt (die empfohlenen ) enthält, in Ihrer Storefront.
Einige Empfehlungstypen verwenden die Verhaltensdaten von Käufern, um Modelle für maschinelles Lernen zu trainieren und personalisierte Empfehlungen zu generieren. Andere verwenden nur Katalogdaten. Um schnell mit der Verwendung von Produktempfehlungen zu beginnen, wählen Sie aus den folgenden Empfehlungstypen auf Katalogbasis:
More like thisVisual similarity
Kaltstart
Ab wann können Empfehlungstypen verwendet werden, die Verhaltensdaten verwenden? Es kommt darauf an. Diese Situation wird als "-Problem bezeichnet.
Das Kaltstart-Problem ist die Zeit, die ein Modell für maschinelles Lernen benötigt, um zu trainieren, bevor es effektive Empfehlungen produzieren kann. Für Produktempfehlungen muss Adobe AI genügend Daten erfassen, um seine Modelle zu trainieren, bevor Sie Empfehlungseinheiten bereitstellen. Mehr Daten verbessern im Allgemeinen die Genauigkeit und Nützlichkeit von Empfehlungen. Da die Datenerfassung auf Ihrer Live-Site erfolgt, starten Sie diesen Prozess frühzeitig, indem Sie das magento/product-recommendations-Modul installieren und konfigurieren.
Die folgende Tabelle enthält einige allgemeine Hinweise dazu, wie lange es dauert, bis für jeden Empfehlungstyp genügend Daten erfasst sind:
Most viewed, Most purchased, Most added to cart)Viewed this, viewed thatViewed this, bought that, Bought this, bought thatTrendingAndere Variablen, die sich auf die für das Training benötigte Zeit auswirken können:
- Höheres Traffic-Volumen trägt zu schnellerem Lernen bei
- Einige Empfehlungstypen trainieren schneller als andere
- Adobe Commerce berechnet die Verhaltensdaten alle vier Stunden neu. Empfehlungen werden umso genauer, je länger sie auf Ihrer Site verwendet werden.
Auf der Seite „Empfehlung erstellen werden Bereitschaftsindikatoren angezeigt, damit Sie den Trainings-Fortschritt jeden Empfehlungstyp visualisieren können.
Während Ihre Live-Site Daten erfasst und die Modelle für maschinelles Lernen trainiert, führen Sie die verbleibenden Test- und Konfigurationsaufgaben aus. Sobald die Modelle über genügend Daten verfügen, um nützliche Empfehlungen zu generieren, stellen Sie die Empfehlungseinheiten in Ihrer Storefront bereit.
Wenn Ihre Site für die meisten Produkt-SKUs nicht ausreichend Traffic (Ansichten, Käufe oder Trends) erhält, wird der Lernprozess möglicherweise nicht abgeschlossen, sodass die Bereitschaftsindikatoren im Admin hängen bleiben. Bereitschaftsindikatoren helfen Händlern, den besten Empfehlungstyp für ihren Store auszuwählen, aber sie sind nur ein Leitfaden und erreichen möglicherweise nie 100 %. Weitere Informationen zu Bereitschaftsindikatoren. Weitere zu Bereitschaftsindikatoren.
Empfehlungen für Backups backuprecs
Wenn unzureichende Eingabedaten eine Empfehlungseinheit daran hindern, alle angeforderten Elemente zurückzugeben, füllt Adobe Commerce sie mit Sicherungsempfehlungen. Wenn Sie beispielsweise den Recommended for you Empfehlungstyp auf der Homepage bereitgestellt haben, hat ein Erstkäufer möglicherweise nicht genügend Verhaltensdaten für personalisierte Empfehlungen generiert. In diesem Fall zeigt Adobe Commerce Elemente basierend auf dem Most viewed Empfehlungstyp“ an.
Wenn die Erfassung der Eingabedaten nicht ausreicht, greifen die folgenden Empfehlungstypen auf Most viewed Empfehlungstyp zurück:
Recommended for youViewed this, viewed thatViewed this, bought thatBought this, bought thatTrendingConversion (view to purchase)Conversion (view to cart)
Einschränkungen
- Anzeigenblocker und Datenschutzeinstellungen können verhindern, dass Ereignisse erfasst werden, und können dazu führen, dass die Interaktion und der Umsatz Metriken nicht erfasst werden. Darüber hinaus werden einige Ereignisse nicht gesendet, da der Käufer die Seite oder das Netzwerk verlassen hat.
- Headless-Implementierungen müssen das Eventing implementieren, um das Produktempfehlungs-Dashboard zu unterstützen.
- Für konfigurierbare Produkte verwenden Produktempfehlungen das Bild des übergeordneten Produkts. Wenn das übergeordnete Produkt kein Bild hat, wird dieses Produkt nicht in der Empfehlungseinheit angezeigt.