A fórmula do Recommendations do produto permite fornecer recomendações personalizadas de produtos, adaptadas às necessidades e interesses do cliente. Com um modelo de previsão preciso, o histórico de compras de um cliente pode fornecer informações sobre quais produtos eles podem estar interessados.
Na atualidade, um retalhista pode oferecer uma infinidade de produtos, dando aos seus clientes muitas opções que também podem dificultar a pesquisa dos seus clientes. Devido a restrições de tempo e esforço, os clientes podem não encontrar o produto desejado, resultando em compras com alto nível de dissonância cognitiva ou nenhuma compra.
A fórmula do Recommendations do produto usa o aprendizado de máquina para analisar as interações de um cliente com produtos no passado e gerar uma lista personalizada de recomendações de produtos de forma rápida e fácil. Isso otimiza o processo de descoberta de produtos e elimina pesquisas longas, improdutivas e irrelevantes para seus clientes. Como resultado, a receita do Recommendations do produto pode melhorar a experiência geral de compra de um cliente, resultando em maior engajamento e maior fidelidade à marca.
Você pode começar seguindo o tutorial do Adobe Experience Platform Lab (consulte o link Lab abaixo). Este tutorial mostrará como criar a receita do Recommendations do produto em um notebook Júpiter seguindo o notebook para receita e implementar a receita em Experience Platform Data Science Workspace.
Esta fórmula usa personalizado Esquemas XDM para modelar os dados de entrada e saída:
Nome do campo | Tipo |
---|---|
itemId | String |
interactionType | String |
carimbo de data e hora | String |
userId | String |
Nome do campo | Tipo |
---|---|
recomendações | String |
userId | Número inteiro |
A fórmula do Recommendations do produto utiliza uma filtragem colaborativa para gerar uma lista personalizada de recomendações de produto para seus clientes. A filtragem colaborativa, diferente de uma abordagem baseada em conteúdo, não requer informações sobre um produto específico, mas utiliza as preferências históricas de um cliente em um conjunto de produtos. Essa poderosa técnica de recomendação usa duas suposições simples:
Esse processo é dividido em duas etapas principais. Primeiro, defina um subconjunto de clientes semelhantes. Em seguida, dentro desse conjunto, identifique recursos semelhantes entre esses clientes para retornar uma recomendação para o cliente alvo.