La ricetta Recommendations per i prodotti ti consente di fornire consigli di prodotti personalizzati che siano personalizzati in base alle esigenze e agli interessi del cliente. Con un modello di previsione accurato, la cronologia degli acquisti di un cliente può fornire informazioni su quali prodotti potrebbe essere interessato.
Al giorno d'oggi, un rivenditore può offrire una moltitudine di prodotti, dando ai suoi clienti un sacco di scelte che possono anche ostacolare la ricerca dei loro clienti. A causa di vincoli di tempo e fatica, i clienti potrebbero non trovare il prodotto desiderato, con conseguente acquisto con un alto livello di dissonanza cognitiva o nessun acquisto affatto.
La ricetta Product Recommendations utilizza l’apprendimento automatico per analizzare le interazioni di un cliente con i prodotti in passato e generare un elenco personalizzato di consigli sui prodotti in modo rapido e semplice. Questo ottimizza il processo di individuazione dei prodotti ed elimina le ricerche lunghe, improduttive e irrilevanti per i clienti. Di conseguenza, la ricetta Recommendations per i prodotti può migliorare l'esperienza complessiva di acquisto di un cliente, portando a un maggiore coinvolgimento e a una maggiore fedeltà al marchio.
Per iniziare, segui l'esercitazione Adobe Experience Platform Lab (vedi il link Lab qui sotto). Questa esercitazione ti mostrerà come creare la ricetta Recommendations del prodotto in un blocco appunti Jupyter seguendo la taccuino a ricetta e implementazione della ricetta in Experience Platform Data Science Workspace.
Questa ricetta utilizza Schemi XDM per modellare i dati di input e output:
Nome campo | Tipo |
---|---|
itemId | Stringa |
actionType | Stringa |
timestamp | Stringa |
userId | Stringa |
Nome campo | Tipo |
---|---|
consigli | Stringa |
userId | Intero |
La ricetta di Recommendations per i prodotti utilizza il filtro collaborativo per generare un elenco personalizzato di consigli di prodotti per i clienti. Il filtro collaborativo, a differenza di un approccio basato sui contenuti, non richiede informazioni su un prodotto specifico ma utilizza le preferenze storiche di un cliente su un set di prodotti. Questa potente tecnica di raccomandazione utilizza due semplici presupposti:
Questo processo è suddiviso in due fasi principali. Innanzitutto, definisci un sottoinsieme di clienti simili. Quindi, all’interno di tale set, identifica funzioni simili tra i clienti al fine di restituire un consiglio per il cliente target.