Workflow de mise en oeuvre
Product Recommendations utilise les données comportementales et catalogues :
-
Comportement : données provenant de l’engagement d’un acheteur sur votre site, telles que les consultations de produits, les articles ajoutés à un panier et les achats. Adobe Commerce et Adobe Sensei ne collectent pas d’informations d’identification personnelle.
-
Catalogue : métadonnées de produit, telles que le nom, le prix et la disponibilité.
Lors de l’installation de magento/product-recommendations module, Adobe Sensei agrège les données comportementales et de catalogue et crée Product Recommendations pour chaque type de recommandation. Le service Product Recommendations déploie ensuite ces recommandations sur votre vitrine. Pour vous aider à mettre en oeuvre des recommandations de produits sur votre vitrine, utilisez le workflow suivant :
Workflow
-
Déployer la collecte de données en production
Le déploiement de Product Recommendations nécessite deux sources de données principales : catalogue et comportement. La production étant le seul environnement dans lequel les actions de vos acheteurs sont capturées et analysées, commencez la collecte de données en production le plus tôt possible. Découvrez comment Adobe Sensei entraîne des modèles d’apprentissage automatique qui génèrent des recommandations de meilleure qualité.En outre, lorsque vous commencez à collecter des données comportementales en production, vous pouvez récupérer les recommandations en fonction de ces données de production lors de l’exploitation dans des environnements hors production. Vous pouvez ensuite tester et tester différentes recommandations calculées à partir de données réelles d’acheteurs collectées en production.
Pour déployer la collecte de données en production, vous devez installer et configurer le module Product Recommendations en fournissant une clé API.
note tip TIP Le déploiement de la collecte de données ne modifie pas l’aspect de votre vitrine ni l’expérience de vos acheteurs. Seule la création et le déploiement d’unités de recommandation modifient l’expérience client sur votre storefront. Assurez-vous de tester votre environnement hors production avant de procéder au déploiement en production. De plus, ne créez pas d’unités de recommandations tant que vous n’avez pas personnalisé votre modèle. Voir l’étape suivante. -
Personnaliser le modèle pour qu'il corresponde à votre style
Votre vitrine représente votre marque. Veillez donc à modifier le modèle de recommandations de produits pour qu’il corresponde au thème de votre site.
note tip TIP En personnalisant le modèle, vous pouvez spécifier votre feuille de style, remplacer l’emplacement d’affichage d’une unité de recommandation sur une page, etc. Voir Personnaliser dans la documentation destinée aux développeurs pour savoir comment effectuer cette étape.
-
Tester les recommandations sur votre environnement hors production
Il est toujours recommandé de tester une nouvelle technologie dans votre environnement hors production avant de la déployer en production. Les recommandations de test sur votre environnement hors production vous permettent de lire avec différents types d’unités de recommandation, de positionnement et de pages. Vous pouvez extraire des recommandations basées sur des données comportementales déjà collectées en production lors du test dans votre environnement hors production, de sorte que les résultats des recommandations soient basés sur le comportement d’achat des clients réels.
note tip TIP Assurez-vous que votre catalogue d’environnement hors production est largement identique à celui que vous avez en production. L’utilisation de catalogues similaires permet de s’assurer que les produits renvoyés dans les unités de recommandation ressemblent étroitement aux produits en production. Voir Récupérer des données comportementales de votre environnement de production pour savoir comment terminer cette étape.
-
Créez et déployez des recommandations sur votre storefront de production
Maintenant que vous avez déployé la collecte de données comportementales en production, modifié le modèle de recommandations de produits et testé les recommandations à l’aide du comportement réel de l’acheteur, vous êtes prêt à convertir tout le code en production et à créer recommandations de produits en direct.