Rezept für Produktkaufprognosen

Mit dem Produktkaufprognostizierungsrezept können Sie die Wahrscheinlichkeit eines bestimmten Ereignisses des Kundenkaufs vorhersagen, z. B. eines Produktkaufs.

Das folgende Dokument beantwortet Fragen wie:

  • Für wen ist dieses Rezept gedacht?
  • Was macht dieses Rezept?

Für wen ist dieses Rezept gedacht?

Ihre Marke möchte den vierteljährlichen Umsatz für Ihre Produktlinie durch effektive und zielgerichtete Promotions für Ihre Kunden steigern. Aber nicht alle Kunden sind gleich und Sie wollen Ihr Geld wert. Wen Zielgruppe du? Welche Ihrer Kunden reagieren am ehesten, ohne dass Sie Ihre Promotion in den Griff bekommen? Wie passen Sie Ihre Promotions für jeden Kunden an? Auf welche Kanal sollten Sie sich verlassen und wann sollten Sie Promotions versenden?

Was macht dieses Rezept?

Das Rezept zur Prognose des Produktkaufs verwendet maschinelles Lernen, um das Kaufverhalten von Kunden vorherzusagen. Dies geschieht durch Anwendung eines benutzerdefinierten Random Forest-Classifications und eines zweistufigen Experience Data Model (XDM), um die Wahrscheinlichkeit eines Kaufs-Ereignisses vorherzusagen. Das Profil nutzt Eingabedaten mit Informationen zum Kundenverhalten und dem bisherigen Kaufverlauf sowie die Standardwerte vordefinierter Konfigurationsparameter, die von unseren Data Scientists festgelegt werden, um die Prädiktionsgenauigkeit zu verbessern.

Datenschema

Dieses Rezept verwendet XDM-Schema, um die Daten zu modellieren. Das für dieses Rezept verwendete Schema ist unten dargestellt:

Feldname Typ
userId Zeichenfolge
genderRatio Nummer
ageY Nummer
ageM Nummer
optinEmail Boolesch
optinMobile Boolesch
optinAddress Boolesch
Erstellt Ganzzahl
totalOrders Nummer
totalItems Nummer
orderDate1 Nummer
shippingDate1 Nummer
totalPrice1 Nummer
tax1 Nummer
orderDate2 Nummer
shippingDate2 Nummer
totalPrice2 Nummer

Algorithmus

Zunächst wird der Schulungsdatensatz im Schema ProductPrediction geladen. Von hier aus wird das Modell mit einem random forest classifier trainiert. Random forest classifier ist eine Art zusammengesetzter Algorithmus, der sich auf einen Algorithmus bezieht, der mehrere Algorithmen kombiniert, um eine bessere Vorhersageleistung zu erzielen. Die Idee hinter dem Algorithmus ist, dass der Random Forest Classifier mehrere Entscheidungsbäume baut und diese zusammenführt, um eine genauere und stabilere Prognose zu erstellen.

Dieser Vorgang Beginn beim Erstellen einer Reihe von Entscheidungsbäumen, die nach dem Zufallsprinzip Untergruppen von Schulungsdaten auswählen. Danach werden die Ergebnisse der einzelnen Entscheidungsbaume gemittelt.

Auf dieser Seite