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.
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.
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.
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.
Questa ricetta utilizza schemi XDM personalizzati per modellare i dati di input e output:
Nome campo | Tipo |
---|---|
itemId | Stringa |
actionType | Stringa |
timestamp | Stringa |
userId | Stringa |
Nome campo | Tipo |
---|---|
Recommendations | Stringa |
userId | Intero |
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:
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.