- Présentation de Data Science Workspace
- Accès et fonctionnalités à l’espace de travail Data Science
- Présentation détaillée de Data Science Workspace
- Notebooks JupyterLab
- API Sensei Machine Learning
- Apprentissage automatique en temps réel (Alpha)
- Recettes préconfigurées
- Création de modèles
- Tutoriels sur les modèles et les recettes
- Création et publication d’un modèle d’apprentissage automatique
- Création de jeux de données et de schéma de ventes au détail
- Prévisualisation des schémas et des jeux de données
- Regroupement des fichiers source dans une recette
- Importation d’une recette empaquetée (interface utilisateur)
- Importation d’une recette empaquetée (API)
- Formation et évaluation d’un modèle (interface utilisateur)
- Formation et évaluation d’un modèle (API)
- Notation d’un modèle (interface utilisateur)
- Notation d’un modèle (API)
- Optimisation d’un modèle
- Enrichissement de Real-time Customer Profile avec des insights d’apprentissage automatique
- Publication d’un modèle en tant que service (interface utilisateur)
- Publication d’un modèle en tant que service (API)
- Planification de la formation et de la notation automatisée d’un service (interface utilisateur)
- Guide de dépannage
- Référence d’API
- Notes de mise à jour de la plateforme
Recette des recommandations de produits
La recette des recommandations de produits vous permet d’apporter à vos clients des recommandations de produits personnalisées et adaptées à leurs besoins et à leurs intérêts. Grâce à une modélisation prédictive précise, l’historique des achats d’un client peut vous fournir des informations sur les produits susceptibles de l’intéresser.
Pour qui cette recette a-t-elle été créée ?
De nos jours, un détaillant peut proposer à ses clients un large choix de produits, ce qui peut s’avérer être une gêne pour leurs recherches. En raison des contraintes de temps et d’effort, les clients peuvent ne pas trouver le produit qu’ils désirent, ce qui se traduit par des achats avec un niveau élevé de dissonance cognitive ou par aucun achat du tout.
Comment fonctionne cette recette ?
La recette des recommandations de produits utilise l’apprentissage automatique pour analyser les interactions d’un client avec des produits dans le passé et générer une liste personnalisée de recommandations de produits rapidement et sans effort. Cela optimise le processus de découverte de produits et évite à vos clients des recherches longues, improductives et hors sujet. En conséquence, la recette des recommandations de produits peut améliorer l’expérience d’achat globale d’un client, ce qui entraîne un engagement plus important et une plus grande fidélité à la marque.
Démarrage
Pour commencer, suivez le tutoriel de l’atelier d’Adobe Experience Platform (voir le lien vers l’atelier ci-dessous). Ce tutoriel vous explique comment créer la recette des recommandations de produits dans un notebook Jupyter en suivant le workflow notebook vers recette et en implémentant la recette dans Experience Platform Data Science Workspace.
Schéma des données
Cette recette utilise des schémas XDM personnalisés pour modéliser les données d’entrée et de sortie :
Schéma des données d’entrée
| Nom du champ | Type |
|---|---|
| itemId | Chaîne |
| interactionType | Chaîne |
| timestamp | Chaîne |
| userId | Chaîne |
Schéma des données de sortie
| Nom du champ | Type |
|---|---|
| recommendations | Chaîne |
| userId | Entier |
Algorithme
La recette des recommandations de produits utilise le filtrage collaboratif pour générer une liste personnalisée de recommandations de produits pour vos clients. Contrairement à une approche basée sur le contenu, le filtrage collaboratif ne nécessite pas d’informations sur un produit spécifique, mais utilise plutôt les préférences historiques d’un client sur un ensemble de produits. Cette puissante technique de recommandation repose sur deux hypothèses simples :
- Il existe des clients ayant des intérêts similaires et ils peuvent être regroupés en comparant leurs comportements d’achat et de navigation.
- Un client est plus susceptible d’être intéressé par une recommandation basée sur des clients similaires en termes de comportement d’achat et de navigation.
Ce processus est divisé en deux étapes principales. Tout d’abord, il faut définir un sous-ensemble de clients similaires. Puis, dans ce jeu, identifier des fonctionnalités similaires parmi ces clients afin de renvoyer une recommandation pour le client.
Ressources sur adobe.com
Sur cette page
