Imaginons que vous possédez un site web de vente en ligne. Lorsque vos clients achètent sur votre site web de vente en ligne, vous souhaitez leur présenter des recommandations de produits personnalisées afin d’exposer une variété d’autres produits proposés par votre entreprise. Au cours de l’existence de votre site web, vous avez continuellement rassemblé des données clients et souhaitez utiliser ces données d’une manière ou d’une autre pour générer des recommandations de produits personnalisées.
Adobe Experience Platform Data Science Workspace fournit les moyens d'atteindre votre objectif à l'aide de la Recette du produit prédéfinie Recommendations. Suivez ce tutoriel pour découvrir comment accéder à vos données de vente au détail et les comprendre, créer et optimiser un modèle d’apprentissage automatique et générer des insights dans Data Science Workspace.
Ce didacticiel reflète le flux de travail de Data Science Workspace et décrit les étapes suivantes pour créer un modèle d’apprentissage automatique :
Avant de commencer ce tutoriel, vous devez disposer des éléments suivants :
Accès à Adobe Experience Platform. Si vous n'avez pas accès à une organisation IMS dans Experience Platform, contactez votre administrateur système avant de continuer.
Ressources d’activation. Contactez le représentant de votre compte pour que les éléments suivants soient mis en service.
Téléchargez les trois fichiers Jupyter Notebook requis à partir du référentiel Git public d'Adobe, qui seront utilisés pour démontrer le flux de travaux JupyterLab dans Data Science Workspace.
Une connaissance concrète des concepts clés suivants employés dans ce tutoriel :
Pour créer un modèle d’apprentissage automatique qui recommande des produits personnalisés à vos clients, vous devez analyser les achats précédents de clients sur votre site web. Cette section explique comment ces données sont ingérées dans Platform à Adobe Analytics et comment ces données sont transformées en un jeu de données de fonctionnalités à utiliser par votre modèle d'apprentissage automatique.
Les autres jeux de données ont été préremplis avec des lots à des fins d’aperçu. Vous pouvez afficher ces jeux de données en répétant les étapes ci-dessus.
Nom du jeu de données | Schéma | Description |
---|---|---|
Valeurs de publication du jeu de données favori | Schéma du jeu de données favori | AnalyticsDonnées source de votre site web |
Jeu de données d’entrée des recommandations | Schéma d’entrée des recommandations | Les données Analytics sont transformées en un jeu de données d’identification à l’aide d’un pipeline de fonctionnalités. Ces données sont utilisées pour former le modèle d’apprentissage automatique de recommandations de produits. itemid et userid correspondent à un produit acheté par ce client. |
Jeu de données de sortie des recommandations | Schéma de sortie des recommandations | Le jeu de données pour lequel les résultats de notation sont stockés contient la liste des produits recommandés pour chaque client. |
Le deuxième composant du cycle de vie Data Science Workspace implique la création de Recettes et de Modèles. La recette des recommandations de produits est conçue pour générer des recommandations de produits à grande échelle en utilisant les données d’achats antérieurs et l’apprentissage automatique.
Les recettes sont la base d’un modèle puisqu’elles contiennent des algorithmes d’apprentissage automatique et une logique conçue pour résoudre des problèmes spécifiques. Plus important encore, les recettes vous permettent de démocratiser l’apprentissage automatique au sein de votre organisation, en permettant à d’autres utilisateurs d’accéder à un modèle pour des cas d’utilisation variés sans devoir coder.
Vous avez maintenant examiné les schémas d’entrée et de sortie requis par la recette des recommandations de produits. Vous pouvez maintenant passer à la section suivante pour savoir comment créer, entraîner et évaluer un modèle de recommandations de produits.
Maintenant que vos données sont préparées et que la recette est prête à être utilisée, vous pouvez créer, entraîner et évaluer votre modèle d’apprentissage automatique.
Un modèle est une instance de recette qui permet l’entraînement et l’évaluation de données à grande échelle.
Vous pouvez choisir d’attendre la fin de la session d’entraînement ou continuer à créer une session d’entraînement dans la section suivante.
Sur la page de présentation du modèle, cliquez sur Entraîner près du coin supérieur droit pour créer une session d’entraînement. Sélectionnez le même jeu de données d’entrée que celui utilisé lors de la création du modèle, puis cliquez sur Suivant.
La page de configuration s’affiche. Vous pouvez ici configurer la valeur "num_recommendations" de la série de formations, également appelée Hyperparamètre. Un modèle entraîné et optimisé utilisera les hyperparamètres les plus performants en fonction des résultats de la session d’entraînement.
Les hyperparamètres ne peuvent pas être appris. Par conséquent, ils doivent être attribués avant les sessions d’entraînement. L’ajustement d’hyperparamètres peut modifier la précision du modèle entraîné. L’optimisation d’un modèle étant un processus itératif, il peut être nécessaire de procéder à plusieurs sessions d’entraînement avant d’effectuer une évaluation satisfaisante.
Définissez num_recommendations sur 10.
Un point de données supplémentaire apparaîtra sur le graphique d’évaluation du modèle une fois la nouvelle session d’entraînement terminée, ce qui peut prendre plusieurs minutes.
Chaque fois qu’une session d’entraînement se termine, vous pouvez afficher les mesures d’évaluation qui en résultent pour déterminer l’efficacité du modèle.
La dernière étape du workflow Data Science consiste à rendre opérationnel votre modèle afin de recueillir et d’exploiter les insights de votre banque de données.
Une fois l’opération de notation terminée, vous serez en mesure de prévisualiser les résultats et d’afficher les insights générés.
Bien joué, vous avez généré avec succès des recommandations de produits.
Ce didacticiel vous a présenté le flux de travail de Data Science Workspace, qui montre comment les données brutes non traitées peuvent être transformées en informations utiles par l'apprentissage automatique. Pour en savoir plus sur l'utilisation du Data Science Workspace, consultez le guide suivant sur la création du schéma de vente au détail et du jeu de données.