製品レコメンデーションレシピ

製品レコメンデーションレシピを使用すると、顧客のニーズや関心に合わせてカスタマイズした製品レコメンデーションを提供できます。正確な予測モデルを使用すると、顧客の購入履歴から、興味を持つ可能性のある製品に関するインサイトを得ることができます。

このレシピは誰のために作られたものですか。

現代では、小売業者は多数の製品を提供することができ、顧客に多くの選択肢を提供しているため、顧客の検索を妨げることもあります。顧客は希望する製品を見つけられない可能性があり、その結果、高レベルの認知的不協和を伴う購入またはまったく購入されない場合が発生します。

このレシピは何をするのですか。

製品レコメンデーションレシピは、機械学習を使用して、顧客の過去の製品とのインタラクションを分析し、製品レコメンデーションのパーソナライズされたリストを迅速かつ容易に生成します。これにより、製品の検出プロセスが最適化され、顧客に対する長時間の非生産的で無関係な検索が排除されます。その結果、製品レコメンデーションのレシピは、顧客の全体的な購入エクスペリエンスを向上させ、エンゲージメントを高め、ブランドロイヤリティーを強化できます。

使用を始めるにはどうすればよいですか。

Adobe Experience Platform ラボのチュートリアル（下のラボリンクを参照）に従って基本を学べます。このチュートリアルでは、Jupyter Notebook で notebook to recipe ワークフローに従って Product Recommendations レシピを作成し、Data Science Workspace でレシピを実装する方法 Experience Platform 説明します。

データスキーマ

このレシピは、カスタム XDM スキーマを使用して、入出力データをモデル化します。

入力データスキーマ

出力データスキーマ

アルゴリズム

製品レコメンデーションレシピは、協調フィルタリングを利用して、顧客向け製品のレコメンデーションレシピのパーソナライズされたリストを生成します。コンテンツベースのアプローチとは異なり、協調フィルタリングは特定の製品に関する情報を必要とせず、一連の製品に対する顧客の過去の好みを利用します。この強力なレコメンデーション手法では、次の 2 つの単純な前提条件を使用します。

このプロセスは、2 つの主な手順に分かれています。まず、類似顧客のサブセットを定義します。次に、そのセット内で、顧客にレコメンデーションを返すために、顧客間で類似の機能をターゲットします。