- Visão geral do Data Science Workspace
- Acesso e recursos da Data Science Workspace
- Apresentação do Data Science Workspace
- Blocos de anotações do JupyterLab
- API de aprendizado de máquina do Sensei
- Aprendizagem de máquina em tempo real (Alpha)
- Receitas pré-criadas
- Criação de modelo
- Tutoriais de modelo e receita
- Criar e publicar um modelo de aprendizado de máquina
- Criar o esquema de vendas de varejo e o conjunto de dados
- Visualizar esquemas e conjuntos de dados
- Compactar arquivos de origem em uma receita
- Importar uma receita empacotada (IU)
- Importar uma receita empacotada (API)
- Treine e avalie um modelo (IU)
- Treinar e avaliar um modelo (API)
- Pontuação de um modelo (interface do usuário)
- Pontuação de um modelo (API)
- Otimizar um modelo
- Enriqueça o Perfil do cliente em tempo real com insights de aprendizado de máquina
- Publicar um modelo como um serviço (UI)
- Publicar um modelo como um serviço (API)
- Agendar treinamento automatizado e pontuação em um serviço (IU)
- Guia de solução de problemas
- Referência da API
- Notas de versão da plataforma
Fórmula de previsão de compra de produto
A fórmula Predição de compra de produto permite prever a probabilidade de um determinado tipo de evento de compra do cliente - uma compra de produto, por exemplo.
O documento a seguir responderá perguntas como:
- Para quem esta receita foi construída?
- O que esta receita faz?
Para quem esta receita foi construída?
Sua marca busca impulsionar as vendas trimestrais para sua linha de produtos através de promoções eficazes e direcionadas aos seus clientes. No entanto, nem todos os clientes são iguais e você quer o seu dinheiro. Quem você público alvo? Quais de seus clientes têm maior probabilidade de responder sem achar sua promoção intrusiva? Como você personaliza suas promoções para cada cliente? Em que canais você deve confiar e quando deve enviar promoções?
O que esta receita faz?
A fórmula Predição de compra de produto utiliza o aprendizado da máquina para prever o comportamento de compra do cliente. Isso é feito aplicando um classificador de floresta aleatório personalizado e um XDM (Modelo de Dados de Experiência em Duas camadas) para prever a probabilidade de um evento de compra. O modelo utiliza dados de entrada que incorporam informações de perfil do cliente e histórico de compras passadas, além de padrões para parâmetros de configuração predeterminados determinados determinados pelos nossos Cientistas de Dados para aprimorar a precisão preditiva.
Schema de dados
Esta fórmula usa schemas XDM para modelar os dados. O schema usado para esta fórmula é mostrado abaixo:
| Nome do campo | Tipo |
|---|---|
| userId | String |
| genderRatio | Número |
| ageY | Número |
| ageM | Número |
| optinEmail | Booleano |
| optinMobile | Booleano |
| optinAddress | Booleano |
| criado | Número inteiro |
| totalOrder | Número |
| totalItems | Número |
| orderDate1 | Número |
| ShippingDate1 | Número |
| totalPrice1 | Número |
| tax1 | Número |
| orderDate2 | Número |
| ShippingDate2 | Número |
| totalPrice2 | Número |
Algoritmo
Primeiro, o conjunto de dados de treinamento no schema ProductPredição é carregado. Aqui, o modelo é treinado usando um classificador aleatório de floresta. Classificador de floresta aleatória é um tipo de algoritmo agrupado que se refere a um algoritmo que combina vários algoritmos para obter melhor desempenho preditivo. A ideia por trás do algoritmo é que o classificador aleatório de floresta constrói várias árvores de decisão e as mescla para criar uma previsão mais precisa e estável.
Esse processo se start com a criação de um conjunto de árvores de decisão que seleciona aleatoriamente subconjuntos de dados de treinamento. Depois é feita a média dos resultados de cada árvore decisória.
Nesta página
