Recopilar datos
Al instalar y configurar Product Recommendations, el módulo implementa la recopilación de datos de comportamiento en la tienda. Este mecanismo recopila datos de comportamiento anónimos de los compradores y alimenta a Product Recommendations. Por ejemplo, el evento view se usa para calcular el tipo de recomendación Viewed this, viewed that, y el evento place-order se usa para calcular el tipo de recomendación Bought this, bought that.
Para obtener más información acerca de los datos de comportamiento que recopilan los eventos de Product Recommendations, consulte la documentación para desarrolladores.
Clientes sanitarios
Si es cliente de atención médica y ha instalado la extensión Data Services HIPAA, que se incluye con la extensión Data Connection, Product Recommendations deja de recopilar datos de evento de tienda porque se generan en el lado del cliente.
Para reanudar la recopilación y el envío de datos de evento de tienda, vuelva a habilitar la recopilación de eventos para Product Recommendations. Para obtener más información, consulte Configuración general.
Tipos de datos y eventos
Existen dos tipos de datos utilizados en Product Recommendations:
- Comportamiento: datos de la participación de un comprador en el sitio, como vistas de productos, elementos agregados al carro de compras y compras.
- Catálogo: metadatos de producto, como nombre, precio, disponibilidad, etc.
Al instalar el módulo magento/product-recommendations, Adobe AI agrega los datos de comportamiento y catálogo, creando Product Recommendations para cada tipo de recomendación. A continuación, el servicio Recomendaciones de productos implementa esas recomendaciones en la tienda en forma de widget que contiene el producto recomendado items.
Algunos tipos de recomendación utilizan los datos de comportamiento de los compradores para entrenar modelos de aprendizaje automático y generar recomendaciones personalizadas. Otros solo dependen de los datos del catálogo. Para empezar a usar Recommendations de productos rápidamente, elija entre los siguientes tipos de recomendación solo de catálogo:
More like thisVisual similarity
Inicio en frío
¿Cuándo puede empezar a utilizar tipos de recomendación que utilicen datos de comportamiento? Depende de ti. Esta situación se conoce como el problema de inicio en frío.
El problema de inicio en frío es el tiempo necesario para que un modelo de aprendizaje automático se entrene antes de que pueda producir recomendaciones efectivas. Para las recomendaciones de productos, Adobe AI debe recopilar datos suficientes para entrenar a sus modelos antes de implementar unidades de recomendación. Por lo general, más datos mejoran la precisión y utilidad de las recomendaciones. Como la recopilación de datos se produce en el sitio activo, inicie este proceso antes de tiempo instalando y configurando el módulo magento/product-recommendations.
La siguiente tabla proporciona algunas directrices generales sobre la cantidad de tiempo que se tarda en recopilar suficientes datos para cada tipo de recomendación:
Most viewed, Most purchased, Most added to cart)Viewed this, viewed thatViewed this, bought that, Bought this, bought thatTrendingOtras variables que pueden afectar al tiempo necesario para entrenar:
- Un mayor volumen de tráfico contribuye a un aprendizaje más rápido
- Algunos tipos de recomendación se entrenan más rápido que otros
- Adobe Commerce vuelve a calcular los datos de comportamiento cada cuatro horas. Las recomendaciones se vuelven más precisas cuanto más tiempo se utilizan en el sitio.
Para ayudarle a visualizar el progreso de formación de cada tipo de recomendación, la página crear recomendación muestra indicadores de preparación.
Mientras el sitio activo recopila datos y los modelos de aprendizaje automático se entrenan, complete las tareas de prueba y configuración restantes. Una vez que los modelos tengan datos suficientes para generar recomendaciones útiles, implemente las unidades de recomendación en su tienda.
Si su sitio no recibe tráfico suficiente (vistas, compras o tendencias) para la mayoría de las SKU de productos, es posible que el proceso de aprendizaje no se complete, lo que provoca que los indicadores de preparación en el administrador aparezcan atascados. Los indicadores de preparación ayudan a los comerciantes a elegir el mejor tipo de recomendación para su tienda, pero son solo una guía y es posible que nunca lleguen al 100%. Más información sobre los indicadores de disponibilidad. Más información sobre los indicadores de preparación.
Recomendaciones de copia de seguridad backuprecs
Cuando los datos de entrada insuficientes impiden que una unidad de recomendación devuelva todos los artículos solicitados, Adobe Commerce los rellena con recomendaciones de copia de seguridad. Por ejemplo, después de implementar el tipo de recomendación Recommended for you en la página de inicio, es posible que un comprador primerizo no haya generado suficientes datos de comportamiento para recomendaciones personalizadas. En este caso, Adobe Commerce muestra los artículos según el tipo de recomendación Most viewed .
Si la recopilación de datos de entrada no es suficiente, los siguientes tipos de recomendación vuelven a Most viewed:
Recommended for youViewed this, viewed thatViewed this, bought thatBought this, bought thatTrendingConversion (view to purchase)Conversion (view to cart)
Advertencias
- Los bloqueadores de anuncios y la configuración de privacidad pueden impedir que se recopilen eventos y provocar que las métricas de participación e ingresos no se comuniquen correctamente. Además, algunos eventos no se envían debido a que los compradores abandonan la página o a problemas de red.
- Implementaciones sin encabezado deben implementar eventos para activar el panel Recomendaciones de productos.
- Para los productos configurables, las recomendaciones de productos utilizan la imagen del producto principal. Si el producto principal no tiene imagen, ese producto no aparece en la unidad de recomendación.