A fórmula do Recommendations Product 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 a você informações sobre quais produtos eles podem estar interessados.
Na atualidade, um retalhista pode oferta de uma grande quantidade de produtos, dando aos seus clientes uma série de opções que podem também dificultar a procura dos seus clientes. Devido a limitações de tempo e esforço, os clientes podem não encontrar o produto que desejam, resultando em compras com um alto nível de dissonância cognitiva ou nenhuma compra.
A fórmula do Recommendations Product 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 da Recommendations do produto pode melhorar a experiência geral de compra de um cliente, resultando em maior envolvimento e maior fidelidade à marca.
Para começar, siga o tutorial do Adobe Experience Platform Lab (consulte o link Lab abaixo). Este tutorial mostrará como criar a receita do Produto Recommendations em um notebook de Júpiter seguindo o fluxo de trabalho notebook para a fórmula e implementando a fórmula em Experience Platform Data Science Workspace.
Esta fórmula usa schemas XDM personalizados para modelar os dados de entrada e saída:
Nome do campo | Tipo |
---|---|
itemId | String |
interventionType | String |
carimbo de data e hora | String |
userId | String |
Nome do campo | Tipo |
---|---|
recomendações | String |
userId | Número inteiro |
A fórmula do Recommendations Product utiliza filtragem colaborativa para gerar uma lista personalizada de recomendações de produtos para seus clientes. A filtragem colaborativa, ao contrário de uma abordagem baseada em conteúdo, não exige informações sobre um produto específico, mas utiliza as preferências históricas do cliente em um conjunto de produtos. Esta técnica de recomendação avançada usa dois pressupostos 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 do público alvo.