제품 추천 레서피

제품 Recommendations 레서피를 사용하면 고객의 요구 사항과 관심사에 맞는 맞춤형 제품 추천을 제공할 수 있습니다. 정확한 예측 모델을 통해 고객의 구매 내역을 통해 고객의 관심 있는 제품에 대한 통찰력을 얻을 수 있습니다.

이 레시피는 누구를 위해 만들어졌는가?

오늘날 소매업체는 다양한 제품을 제공하여 고객에게 다양한 선택권을 제공하여 고객의 검색을 방해할 수 있습니다. 시간과 노력 제약으로 인해 고객은 원하는 제품을 찾을 수 없어 인지 장애 상태가 높거나 구매가 전혀 필요하지 않습니다.

이 조리법은 어떤 역할을 합니까?

제품 Recommendations 레서피는 머신 러닝을 사용하여 과거 제품과 고객의 인터랙션을 분석하고 제품 추천에 대한 개인화된 목록을 신속하고 쉽게 생성합니다. 제품 검색 프로세스를 최적화하여 고객을 장기적으로 비생산적이고 불필요한 검색을 제거합니다. 그 결과, 제품 Recommendations 레서피는 고객의 전체 구매 경험을 향상시킬 수 있으므로 고객 참여도가 높아지고 브랜드 충성도가 강화됩니다.

시작하려면 어떻게 해야 합니까?

Adobe Experience Platform Lab 자습서를 따라 시작할 수 있습니다(아래 Lab 링크 참조). 이 자습서에서는 notebook to recipe 작업 과정에 따라 그리고 Experience Platform Data Science Workspace에서 레서피 구현을 통해 주퍼 노트북에서 제품 Recommendations 레서피를 만드는 방법을 보여 줍니다.

데이터 스키마

이 레시피는 사용자 지정 XDM 스키마를 사용하여 입력 및 출력 데이터를 모델링합니다.

입력 데이터 스키마

필드 이름 유형
itemId 문자열
interactionType 문자열
timestamp 문자열
userId 문자열

출력 데이터 스키마

필드 이름 유형
recommendations 문자열
userId 정수

알고리즘

제품 Recommendations 레서피는 공동 필터링을 활용하여 고객을 위한 제품 권장 사항의 개인화된 목록을 생성합니다. 컨텐츠 기반 접근 방식과 달리 협업 필터링은 특정 제품에 대한 정보를 필요로 하지 않고 일련의 제품에 대한 고객의 이전 기본 설정을 활용합니다. 이 강력한 추천 기법은 다음과 같은 두 가지 간단한 가정을 사용합니다.

  • 비슷한 관심사를 가진 고객이 있으며 구매 및 탐색 행동을 비교하여 그룹화할 수 있습니다.
  • 고객은 구매 및 탐색 행동에 관하여 유사한 고객을 기반으로 한 권장 사항에 더 많은 관심을 가질 것입니다.

이 과정은 두 가지 주요 단계로 나누어져 있습니다. 먼저 유사한 고객의 하위 집합을 정의합니다. 그런 다음 해당 세트 내에서 대상 고객에 대한 권장 사항을 반환하기 위해 이러한 고객 간의 유사한 기능을 식별합니다.

이 페이지에서는