- Panoramica di Analysis Workspace
- Accesso e funzionalità di Data Science Workspace
- Procedura dettagliata di Data Science Workspace
- Notebook JupyterLab
- Sensei Machine Learning API
- Real-time Machine Learning (Alpha)
- Ricette pre-costruite
- Authoring dei modelli
- Esercitazioni su modelli e ricette
- Creare e pubblicare un modello di machineLearning
- Creare lo schema Vendite al dettaglio e il dataset
- Anteprima di schemi e set di dati
- Creare pacchetti di file sorgente in una ricetta
- Importare una ricetta in pacchetti (interfaccia utente)
- Importare una ricetta in pacchetti (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 cliente in tempo reale con informazioni approfondite sull’apprendimento automatico
- Pubblicare un modello come servizio (interfaccia utente)
- Pubblicare un modello come servizio (API)
- Pianificazione di sessioni di formazione e valutazione automatizzate su un servizio (interfaccia utente)
- Guida alla risoluzione dei problemi
- Riferimento API
- Note sulla versione della piattaforma
Ricetta raccomandazione prodotto
La ricetta Recommendations per i prodotti consente di fornire raccomandazioni sui prodotti personalizzate in base alle esigenze e agli interessi dei clienti. Con un modello di previsione accurato, la cronologia degli acquisti di un cliente può fornire informazioni su quali prodotti potrebbero essere interessati.
Per chi è costruita questa ricetta?
Al giorno d'oggi, un rivenditore può offrire una moltitudine di prodotti, offrendo ai propri clienti molte scelte che possono anche ostacolare la ricerca dei propri clienti. A causa di vincoli di tempo e fatica, i clienti potrebbero non trovare il prodotto che desiderano, dando luogo ad acquisti con un alto livello di dissonanza cognitiva o nessun acquisto.
Cosa fa questa ricetta?
La ricetta Recommendations per i prodotti utilizza l'apprendimento automatico per analizzare le interazioni tra un cliente e i prodotti del passato e generare un elenco personalizzato di raccomandazioni sui prodotti in modo rapido e semplice. Questo ottimizza il processo di scoperta del prodotto ed elimina le lunghe, improduttive ricerche irrilevanti per i clienti. Di conseguenza, la ricetta Recommendations prodotto può migliorare l'esperienza di acquisto complessiva di un cliente, aumentando il coinvolgimento e rafforzando la fedeltà al marchio.
Come si inizia?
Per iniziare, segui l'esercitazione Adobe Experience Platform Lab (vedi collegamento Lab qui sotto). Questa esercitazione illustra come creare la ricetta Recommendations prodotto in un blocco appunti Jupyter seguendo il flusso di lavoro notebook per la ricetta e implementando la ricetta in Experience Platform Data Science Workspace.
Schema dati
Questa ricetta utilizza schemi XDM personalizzati 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 |
|---|---|
| Recommendations | Stringa |
| userId | Intero |
Algoritmo
La ricetta Product Recommendations utilizza il filtraggio collaborativo per generare un elenco personalizzato di raccomandazioni sui prodotti per i clienti. I filtri collaborativi, a differenza di un approccio basato sui contenuti, non richiedono informazioni su un prodotto specifico ma utilizzano 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, definite un sottoinsieme di clienti simili. Quindi, all'interno di tale insieme, identificate funzioni simili tra i clienti al fine di restituire una raccomandazione per il cliente target.