Données comportementales

Certains types de recommandations utilisent les données comportementales de vos acheteurs pour former des modèles d’apprentissage automatique afin de créer des recommandations personnalisées. D’autres types de recommandations utilisent uniquement les données du catalogue et n’utilisent aucune donnée comportementale. Si vous souhaitez démarrer rapidement, vous pouvez utiliser les types de recommandations suivants, catalogue uniquement :

Dans ces conditions, quand commencer à utiliser des types de recommandations qui utilisent des données comportementales ? Ça dépend. On parle alors de problème Cold Start.

Le problème Cold Start mesure le temps nécessaire à l’entraînement d’un modèle avant qu’il puisse être considéré comme de haute qualité. Dans les recommandations de produits, cela se traduit par l’attente d’Adobe Sensei pour entraîner ses modèles d’apprentissage automatique avant de déployer des unités de recommandation sur votre site. Plus ces modèles contiennent de données, plus les recommandations sont précises et utiles. La collecte de ces données prend du temps et varie en fonction du volume de trafic. Ces données ne pouvant être collectées que sur un site de production, il est dans votre intérêt de déployer la collecte de données dès que possible sur ce site. Pour ce faire, installez et configurez le module magento/production-recommendations.

Le tableau suivant fournit des instructions générales sur le temps nécessaire à la collecte de données suffisantes pour chaque type de recommandation :

Autres variables pouvant avoir un impact sur le temps nécessaire à l’entraînement :

Pour vous aider à visualiser la progression de la formation de chaque type de recommandation, la page créer une recommandation affiche des indicateurs de préparation.

Bien que les données soient collectées sur les modèles de production et d’apprentissage automatique, vous pouvez implémenter les tâches restantes nécessaires pour déployer des recommandations sur votre vitrine. Lorsque vous avez terminé les tests et la configuration des recommandations, les modèles d’apprentissage automatique ont collecté et calculé suffisamment de données pour créer des recommandations pertinentes, ce qui vous permet de déployer les recommandations sur votre vitrine.

S’il y a un trafic insuffisant (vues, produits achetés, tendance) pour la majorité des SKU, il se peut qu’il n’y ait pas assez de données pour terminer le processus d’apprentissage. Cela peut donner l’impression que l’indicateur de préparation dans l’administrateur était bloqué.
Les indicateurs de préparation sont destinés à fournir aux commerçants un autre point de données pour choisir le type de recommandations qui convient le mieux à leur magasin. Les chiffres sont un guide et peuvent ne jamais atteindre 100 %.

Recommandations de sauvegarde backuprecs

S’il n’existe pas de données d’entrée suffisantes pour fournir tous les éléments de recommandation demandés dans une unité, Adobe Commerce fournit des recommandations de sauvegarde pour remplir les unités de recommandation. Par exemple, si vous déployez le type de recommandation Recommended for you sur votre page d’accueil, un nouvel acheteur de votre site n’a pas généré suffisamment de données comportementales pour recommander avec précision des produits personnalisés. Dans ce cas, Adobe Commerce affiche des éléments en fonction du type de recommandation Most viewed pour cet acheteur.

Les types de recommandations suivants reviennent au type de recommandation Most viewed s’il n’y a pas suffisamment de données d’entrée collectées :