Collecter des données
Lorsque vous installez et configurez des fonctions Adobe Commerce SaaS telles que Product Recommendations ou Live Search, les modules déploient la collecte de données comportementales sur votre storefront. Ce mécanisme collecte des données comportementales anonymisées de vos clients et alimente Product Recommendations. Par exemple, l’événement view
est utilisé pour calculer le type de recommandation Viewed this, viewed that
et l’événement place-order
est utilisé pour calculer le type de recommandation Bought this, bought that
.
Clients du secteur de la santé
Si vous êtes un client du secteur de la santé et que vous avez installé l’extension Data Services HIPAA, qui fait partie de l’extension Data Connection, les données d’événement de storefront utilisées par Product Recommendations ne sont plus capturées. En effet, les données d’événement de storefront sont générées côté client. Pour continuer à capturer et à envoyer des données d’événement de storefront, réactivez la collecte d’événements pour Product Recommendations. Voir configuration générale pour en savoir plus.
Types de données et événements
Deux types de données sont utilisés dans Product Recommendations :
- Comportemental - Données provenant de l’engagement d’un acheteur sur votre site, telles que les consultations de produits, les articles ajoutés au panier et les achats.
- Catalogue - Métadonnées du produit, telles que le nom, le prix, la disponibilité, etc.
Lorsque vous installez le module magento/product-recommendations
, Adobe Sensei agrège les données comportementales et de catalogue, créant ainsi une Recommendations de produit pour chaque type de recommandation. Le service Product Recommendations déploie ensuite ces recommandations sur votre storefront sous la forme d’un widget qui contient les éléments recommandés pour le produit.
Certains types de recommandations utilisent les données comportementales de vos clients pour entraîner des modèles de machine learning afin de créer des recommandations personnalisées. D’autres types de recommandations utilisent uniquement les données de catalogue et n’utilisent aucune donnée comportementale. Si vous souhaitez commencer rapidement à utiliser Product Recommendations sur votre site, vous pouvez utiliser les types de recommandations de catalogue uniquement suivants :
More like this
Visual similarity
Démarrage à froid
Quand pouvez-vous commencer à utiliser des types de recommandations qui utilisent des données comportementales ? Ça dépend. C’est ce qu’on appelle le problème Cold Start.
Le problème du démarrage à froid fait référence au temps nécessaire pour qu’un modèle s’entraîne et devienne efficace. Pour les recommandations de produits, cela signifie attendre qu’Adobe Sensei collecte suffisamment de données pour entraîner ses modèles de machine learning avant de déployer des unités de recommandation sur votre site. Plus les modèles contiennent de données, plus les recommandations sont précises et utiles. Comme la collecte de données se produit sur un site en ligne, il est préférable de démarrer ce processus rapidement en installant et en configurant le module magento/production-recommendations
.
Le tableau suivant fournit des instructions générales sur le temps nécessaire à la collecte de suffisamment de données pour chaque type de recommandation :
Most viewed
, Most purchased
, Most added to cart
)Viewed this, viewed that
Viewed this, bought that
, Bought this, bought that
Trending
Autres variables pouvant avoir une incidence sur le temps nécessaire à l’entraînement :
- Un trafic plus important contribue à un apprentissage plus rapide
- Certains types de recommandations s’entraînent plus rapidement que d’autres
- Adobe Commerce recalcule les données comportementales toutes les quatre heures. Les Recommendations deviennent plus précises au fur et à mesure qu’elles sont utilisées sur votre site.
Pour visualiser plus facilement la progression de l’entraînement pour chaque type de recommandation, la page Créer une recommandation affiche des indicateurs de préparation.
Pendant que les données sont collectées sur votre site en ligne et que les modèles de machine learning sont en cours d’entraînement, vous pouvez terminer d’autres tâches de test et de configuration nécessaires à la configuration des recommandations. Lorsque vous aurez terminé ce travail, les modèles disposeront de suffisamment de données pour créer des recommandations utiles, ce qui vous permettra de les déployer sur votre storefront.
Si votre site n’obtient pas suffisamment de trafic (vues, achats, tendances) pour la plupart des SKU de produit, il se peut qu’il n’y ait pas suffisamment de données pour terminer le processus d’apprentissage. L’indicateur de préparation dans l’administrateur peut alors sembler bloqué. Les indicateurs de préparation sont destinés à fournir aux commerçants un autre point de données pour choisir le type de recommandations le mieux adapté à leur magasin. Les chiffres sont indicatifs et peuvent ne jamais atteindre 100 %. En savoir plus sur les indicateurs de préparation.
Recommandations de sauvegarde backuprecs
Si les données d’entrée sont insuffisantes pour fournir tous les éléments de recommandation demandés dans une unité, Adobe Commerce fournit des recommandations de sauvegarde pour renseigner les unités de recommandation. Par exemple, si vous déployez le type de recommandation Recommended for you
sur votre page d’accueil, un nouvel acheteur sur votre site n’a pas généré suffisamment de données comportementales pour recommander des produits personnalisés avec précision. Dans ce cas, Adobe Commerce propose à cet acheteur des articles basés sur le type de recommandation Most viewed
.
Si la collecte des données d’entrée est insuffisante, les types de recommandation suivants reviennent à Most viewed
type de recommandation :
Recommended for you
Viewed this, viewed that
Viewed this, bought that
Bought this, bought that
Trending
Conversion (view to purchase)
Conversion (view to cart)
Événements
Le collecteur d’événements du storefront Adobe Commerce répertorie tous les événements déployés sur votre storefront. Cette liste contient un sous-ensemble d’événements spécifiques à Product Recommendations. Ces événements collectent des données lorsque les acheteurs interagissent avec les unités de recommandation sur le storefront et alimentent les mesures afin d’analyser la performance de vos recommandations.
impression-render
impression-render
sont envoyés. Cet événement est utilisé pour effectuer le suivi de la mesure pour les impressions.rec-add-to-cart-click
rec-click
view
view
est envoyé lorsqu’une ligne plus un pixel de la deuxième ligne devient visible pour l’acheteur. Si l’acheteur fait défiler la page de haut en bas plusieurs fois, l’événement view
est envoyé autant de fois qu’il voit à nouveau l’ensemble de l’unité de recommandation sur la page.Événements de tableau de bord requis
Les événements suivants sont requis pour renseigner le tableau de bord Product Recommendations
page-view
, recs-request-sent
, recs-response-received
, recs-unit-render
unitId
page-view
, recs-request-sent
, recs-response-received
, recs-unit-render
, recs-unit-view
unitId
page-view
, recs-request-sent
, recs-response-received
, recs-item-click
, recs-add-to-cart-click
unitId
page-view
, recs-request-sent
, recs-response-received
, recs-item-click
, recs-add-to-cart-click
, place-order
unitId
, sku
, parentSku
page-view
, recs-request-sent
, recs-response-received
, recs-item-click
, recs-add-to-cart-click
, place-order
unitId
, sku
, parentSku
page-view
, recs-request-sent
, recs-response-received
, recs-unit-render
, recs-item-click
, recs-add-to-cart-click
unitId
, sku
, parentSku
page-view
, recs-request-sent
, recs-response-received
, recs-unit-render
, recs-unit-view
, recs-item-click
, recs-add-to-cart-click
unitId
, sku
, parentSku
Les événements suivants ne sont pas spécifiques à Product Recommendations, mais sont nécessaires pour qu’Adobe Sensei interprète correctement les données d’acheteur :
view
add-to-cart
place-order
Type de recommandation
Ce tableau décrit les événements utilisés par chaque type de recommandation.
page-view
product-view
page-view
complete-checkout
page-view
add-to-cart
page de liste des produits
panier
liste de souhaits
page-view
product-view
page-view
product-view
page-view
product-view
page-view
product-view
page-view
product-view
page-view
complete-checkout
page-view
product-view
page-view
add-to-cart
Avertissements
- Les bloqueurs de publicités et les paramètres de confidentialité peuvent empêcher la capture d’événements et peuvent entraîner la sous-déclaration des mesures d’engagement et de chiffre d’affaires mesures. En outre, certains événements peuvent ne pas être envoyés en raison de problèmes de page ou de réseau liés aux clients qui quittent la page.
- Les implémentations découplées doivent implémenter des événements pour alimenter le tableau de bord du Recommendations de produit.
- Pour les produits configurables, Product Recommendations utilise l’image du produit parent dans l’unité de recommandation. Si aucune image n’est spécifiée pour le produit configurable, l’unité de recommandation est vide pour ce produit spécifique.