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.

Consulte la documentación para desarrolladores para obtener más información sobre los datos de comportamiento que recopilan los eventos de Product Recommendations.

Clientes sanitarios

Si es cliente de atención médica e instaló la extensión HIPAA de Data Services, que forma parte de la extensión Data Connection, ya no se capturarán los datos de evento de tienda que usa Product Recommendations. Esto se debe a que los datos de evento de tienda se generan en el lado del cliente. Para seguir capturando y enviando datos de evento de tienda, vuelva a habilitar la recopilación de eventos para Product Recommendations. Consulte configuración general para obtener más información.

Tipos de datos y eventos

Existen dos tipos de datos utilizados en Product Recommendations:

Al instalar el módulo magento/product-recommendations, Adobe Sensei 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 datos de comportamiento de los compradores para entrenar modelos de aprendizaje automático y crear recomendaciones personalizadas. Otros tipos de recomendación solo utilizan datos de catálogo y no utilizan datos de comportamiento. Si desea empezar a utilizar Product Recommendations rápidamente en su sitio, puede utilizar los siguientes tipos de recomendaciones solo de catálogo:

Inicio en frío

¿Cuándo puede empezar a utilizar tipos de recomendación que utilicen datos de comportamiento? Depende de ti. Este problema se conoce como Inicio en frío.

El problema de arranque en frío se refiere al tiempo que tarda un modelo en entrenar y en ser efectivo. Para las recomendaciones de productos, esto significa esperar a que Adobe Sensei recopile datos suficientes para entrenar sus modelos de aprendizaje automático antes de implementar unidades de recomendaciones en el sitio. Cuantos más datos tengan los modelos, más precisas y útiles serán las recomendaciones. Dado que la recopilación de datos se produce en un sitio activo, es mejor iniciar este proceso antes de tiempo instalando y configurando el módulo magento/production-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:

Otras variables que pueden afectar al tiempo necesario para entrenar:

Para ayudarle a visualizar el progreso de formación de cada tipo de recomendación, la página crear recomendación muestra indicadores de preparación.

Mientras se recopilan los datos en el sitio activo y se imparten los modelos de aprendizaje automático, puede finalizar otras tareas de prueba y configuración necesarias para configurar las recomendaciones. Cuando haya terminado con este trabajo, los modelos tendrán datos suficientes para crear recomendaciones útiles, lo que le permitirá implementarlas en su tienda.

Si el sitio no recibe tráfico suficiente (vistas, compras, tendencias) para la mayoría de los SKU de producto, es posible que no haya suficientes datos para completar el proceso de aprendizaje. Esto puede hacer que el indicador de disponibilidad del administrador parezca atascado. Los indicadores de preparación están pensados para proporcionar a los comerciantes otro punto de datos a la hora de elegir qué tipo de recomendaciones es mejor para su tienda. Los números son una guía y es posible que nunca alcancen el 100%. Más información sobre los indicadores de preparación.

Recomendaciones de copia de seguridad backuprecs

Si los datos de entrada no son suficientes para proporcionar todos los elementos de recomendación solicitados en una unidad, Adobe Commerce proporciona recomendaciones de copia de seguridad para rellenar las unidades de recomendación. Por ejemplo, si implementa el tipo de recomendación Recommended for you en su página de inicio, un comprador que visita por primera vez su sitio no ha generado suficientes datos de comportamiento para recomendar con precisión productos personalizados. En este caso, Adobe Commerce muestra artículos basados en el tipo de recomendación Most viewed a este comprador.

En caso de que la recopilación de datos de entrada sea insuficiente, los siguientes tipos de recomendación vuelven a Most viewed:

Advertencias