- Panoramica di Data Science Workspace
- Accesso e funzioni di Data Science Workspace
- Procedura dettagliata su Data Science Workspace
- Notebook JupyterLab
- API di apprendimento automatico di Sensei
- Apprendimento automatico in tempo reale (Alpha)
- Ricette precostruite
- Authoring di modelli
- Esercitazioni su modello e ricetta
- Creare e pubblicare un modello di apprendimento automatico
- Creare schemi e set di dati Luma demo
- Creare lo schema e il set di dati Vendite al dettaglio
- Anteprima di schemi e set di dati
- Creare pacchetti di file sorgente in una ricetta
- Importare una ricetta imballata (interfaccia utente)
- Importare una ricetta imballata (API)
- Formazione e valutazione di un modello (interfaccia utente)
- Formazione e valutazione di un modello (API)
- Punteggio di un modello (interfaccia utente)
- Punteggio di un modello (API)
- Ottimizzare un modello
- Arricchisci il profilo del cliente in tempo reale con informazioni sull’apprendimento automatico
- Pubblicare un modello come servizio (interfaccia utente)
- Pubblicare un modello come servizio (API)
- Pianificazione della formazione automatizzata e del punteggio su un servizio (interfaccia utente)
- Guida alla risoluzione dei problemi
- Riferimento API
- Note sulla versione di Platform
Ricetta di consigli sul prodotto
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.
Per chi è costruita questa ricetta?
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.
Cosa fa questa ricetta?
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.
Come inizio?
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.
Schema dati
Questa ricetta utilizza Schemi XDM per modellare i dati di input e output:
Schema dati di input
| Nome campo | Tipo |
|---|---|
| itemId | Stringa |
| actionType | Stringa |
| timestamp | Stringa |
| userId | Stringa |
Schema dati di output
| Nome campo | Tipo |
|---|---|
| consigli | Stringa |
| userId | Intero |
Algoritmo
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:
- Ci sono clienti con interessi simili, e possono essere raggruppati confrontando i loro comportamenti di acquisto e navigazione.
- È più probabile che un cliente sia interessato a una raccomandazione basata su clienti simili in termini di comportamento di acquisto e navigazione.
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.
Risorse
Account Adobe
