- Información general sobre el área de trabajo de ciencias de datos
- Acceso y características de Área de trabajo de Data Science
- Recorrido de Área de trabajo de ciencias de datos
- Equipos portátiles JupyterLab
- API de aprendizaje automático de Sensei
- Aprendizaje automático en tiempo real (Alpha)
- Fórmulas prediseñadas
- Creación de modelos
- Tutoriales de modelo y fórmula
- Creación y publicación de un tutorial del modelo de aprendizaje automático
- Crear el esquema y conjunto de datos de ventas minoristas
- Esquemas y conjuntos de datos de previsualización
- Empaquetar archivos de origen en una fórmula
- Importación de una fórmula empaquetada (IU)
- Importación de una fórmula empaquetada (API)
- Formación y evaluación de un modelo (IU)
- Formación y evaluación de un modelo (API)
- Puntuación de un modelo (IU)
- Puntuación de un modelo (API)
- Optimizar un modelo
- Enriquecer el Perfil del cliente en tiempo real con perspectivas de aprendizaje automático
- Publicación de un modelo como servicio (UI)
- Publicación de un modelo como servicio (API)
- Programar la formación automatizada y la puntuación en un servicio (IU)
- Guía de resolución de problemas
- Referencia de API
- Notas de la versión de la plataforma
Fórmula de recomendación de producto
La fórmula Product Recommendations le permite ofrecer recomendaciones de productos personalizadas que se adaptan a las necesidades e intereses de sus clientes. Con un modelo de predicción preciso, el historial de compras de un cliente puede proporcionarle una visión detallada de los productos que pueden interesarle.
¿Para quién se construye esta receta?
En la actualidad, un minorista puede oferta una multitud de productos, dando a sus clientes muchas opciones que también pueden dificultar la búsqueda de sus clientes. Debido a las limitaciones de tiempo y esfuerzo, es posible que los clientes no encuentren el producto que desean, lo que resulta en compras con un alto nivel de disonancia cognitiva o en compras.
¿Qué hace esta fórmula?
La fórmula Product Recommendations utiliza el aprendizaje automático para analizar las interacciones de un cliente con los productos en el pasado y generar una lista personalizada de las recomendaciones de productos de forma rápida y sencilla. Esto optimiza el proceso de descubrimiento de productos y elimina las búsquedas largas, improductivas e irrelevantes de sus clientes. Como resultado, la fórmula Product Recommendations puede mejorar la experiencia de compra general de un cliente, lo que conlleva una mayor participación y una mayor lealtad de la marca.
¿Cómo empiezo?
Puede comenzar siguiendo el tutorial de Adobe Experience Platform Lab (consulte el enlace de Lab más abajo). Este tutorial le mostrará cómo crear la fórmula de Recommendations de producto en un bloc de notas de Jupyter siguiendo el flujo de trabajo de portátil para las fórmulas e implementando la fórmula en Experience PlatformData Science Workspace.
Esquema de datos
Esta fórmula utiliza esquemas XDM personalizados para modelar los datos de entrada y salida:
Esquema de datos de entrada
| Nombre del campo | Tipo |
|---|---|
| itemId | Cadena |
| interactiveType | Cadena |
| timestamp | Cadena |
| userId | Cadena |
Esquema de datos de salida
| Nombre del campo | Tipo |
|---|---|
| recomendaciones | Cadena |
| userId | Número entero |
Algoritmo
La fórmula Product Recommendations utiliza filtros colaborativos para generar una lista personalizada de las recomendaciones de productos para sus clientes. El filtrado colaborativo, a diferencia de un enfoque basado en contenido, no requiere información sobre un producto específico sino que más bien utiliza las preferencias históricas de un cliente en un conjunto de productos. Esta poderosa técnica de recomendación utiliza dos simples supuestos:
- Hay clientes con intereses similares y se pueden agrupar comparando sus comportamientos de compra y exploración.
- Es más probable que un cliente esté interesado en una recomendación basada en clientes similares en términos de su comportamiento de compra y exploración.
Este proceso se divide en dos pasos principales. En primer lugar, defina un subconjunto de clientes similares. Luego, dentro de ese conjunto, identifique características similares entre esos clientes para devolver una recomendación para el cliente de destinatario.