A fórmula Recommendations de produto permite que você forneça recomendações de produto personalizadas, personalizadas para as necessidades e os interesses do seu cliente. Com um modelo de previsão preciso, o histórico de compras de um cliente pode fornecer informações sobre em quais produtos ele pode estar interessado.
Nos dias de hoje, um varejista pode oferecer uma variedade de produtos, dando aos seus clientes muitas opções que também podem atrapalhar a pesquisa de seus clientes. Devido a restrições 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 Recommendations de produto usa aprendizagem 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 detecção de produtos e elimina pesquisas longas, improdutivas e irrelevantes para seus clientes. Como resultado, a fórmula do Recommendations de produto pode melhorar a experiência geral de compra do 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 fórmula do Recommendations do produto em um Jupyter Notebook seguindo as bloco de anotações para receita fluxo de trabalho e implementação da fórmula no Experience Platform Data Science Workspace.
Esta fórmula usa o modelo 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 |
---|---|
recommendations | String |
userId | Número inteiro |
A fórmula Recommendations de produto utiliza filtragem colaborativa para gerar uma lista personalizada de recomendações de produto para seus clientes. A filtragem colaborativa, ao contrário 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 eficiente 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.