Gegevens verzamelen

Wanneer u Product Recommendations installeert en vormt, stelt de module gedragsgegevensinzameling aan uw storefront op. Dit mechanisme verzamelt geanonimiseerde gedragsgegevens van uw kopers en machten Product Recommendations . De gebeurtenis view wordt bijvoorbeeld gebruikt om het Viewed this, viewed that aanbeveling-type te berekenen en de gebeurtenis place-order wordt gebruikt om het Bought this, bought that aanbeveling-type te berekenen.

Zie de ​ ontwikkelaardocumentatie ​ om meer over de gedragsgegevens te leren de Product Recommendations gebeurtenissen verzamelen.

Gezondheidszorgklanten

Als u een gezondheidszorgklant bent en u de ​ uitbreiding van HIPAA van de Diensten van Gegevens ​ installeerde, die deel van de ​ uitbreiding van de Verbinding van Gegevens ​ uitmaakt, worden de gegevens van de storefront gebeurtenis die door Product Recommendations worden gebruikt niet meer gevangen. Dit komt doordat gebeurtenisgegevens voor storefront op de client worden gegenereerd. Als u wilt doorgaan met het vastleggen en verzenden van gegevens over storefront-gebeurtenissen, schakelt u gebeurtenisverzameling opnieuw in voor Product Recommendations . Zie ​ algemene configuratie ​ om meer te leren.

Gegevenstypen en gebeurtenissen

Er worden twee soorten gegevens gebruikt in productaanbevelingen:

Wanneer u de module magento/product-recommendations installeert, aggregeert Adobe Sensei de gedrags- en catalogusgegevens en worden productaanbevelingen voor elk type aanbeveling gemaakt. De dienst van de Aanbevelingen van het Product stelt dan die aanbevelingen aan uw opslag in de vorm van een widget op die de geadviseerde product punten bevat.

Sommige soorten aanbevelingen gebruiken gedragsgegevens van uw klanten om machine het leren modellen op te leiden om gepersonaliseerde aanbevelingen te bouwen. Andere soorten aanbevelingen gebruiken alleen catalogusgegevens en gebruiken geen gedragsgegevens. Als u snel wilt beginnen met het gebruik van productaanbevelingen op uw site, kunt u de volgende aanbevolen typen gebruiken, alleen voor catalogi:

Koude start

Wanneer kunt u beginnen met het gebruiken van aanbevelingen die gedragsgegevens gebruiken? Het hangt ervan af. Dit wordt bedoeld als Koud Begin probleem.

Het Koude 1} probleem van het Begin van het Begin {verwijst naar de tijd het voor een model neemt om te trainen en effectief te worden. Voor productaanbevelingen betekent dit dat Adobe Sensei moet wachten om voldoende gegevens te verzamelen voor het trainen van zijn modellen voor machinaal leren voordat het aanbevelingen op uw plaats opstelt. Hoe meer gegevens de modellen hebben, des te nauwkeuriger en nuttiger de aanbevelingen zijn. Aangezien de gegevensinzameling op een levende plaats gebeurt, is het best om dit proces vroegtijdig te beginnen door de magento/production-recommendations module te installeren en te plaatsen.

De volgende tabel bevat een aantal algemene richtlijnen voor de hoeveelheid tijd die nodig is om voldoende gegevens voor elk type aanbeveling te verzamelen:

Andere variabelen die van invloed kunnen zijn op de tijd die nodig is om te trainen:

Om u te helpen de opleidingsvooruitgang van elk aanbevelingstype visualiseren, ​ creeer aanbeveling ​ de indicatoren van de paginabereidheid.

Terwijl gegevens worden verzameld op uw livesite en de modellen voor het leren van machines een training zijn, kunt u andere test- en configuratietaken voltooien die nodig zijn om aanbevelingen op te stellen. Tegen de tijd dat u met dit werk wordt gedaan, zullen de modellen genoeg gegevens hebben om nuttige aanbevelingen tot stand te brengen, die u toestaan om hen aan uw winkel op te stellen.

Als uw plaats niet genoeg verkeer (meningen, aankopen, tendensen) voor de meeste product SKUs krijgt, zouden er niet genoeg gegevens kunnen zijn om het het leren proces te voltooien. Hierdoor kan de gereedheidsindicator in de Admin vastzitten. De gereedheidsindicatoren zijn bedoeld om handelaren een ander gegevenspunt te bieden bij het kiezen van het aanbevolen type voor hun winkel. De getallen zijn een leidraad en mogen nooit 100% bedragen. ​ Leer meer ​ over bereidheid indicatoren.

Aanbevelingen voor back-up backuprecs

Als de invoergegevens onvoldoende zijn om alle gevraagde aanbevelingen in een eenheid op te nemen, geeft Adobe Commerce back-upaanbevelingen om de aanbevolen eenheden te vullen. Als u bijvoorbeeld het aanbevolen type Recommended for you op uw homepage plaatst, heeft een eerste winkelprogramma op uw site niet genoeg gedragsgegevens gegenereerd om op de juiste manier gepersonaliseerde producten te kunnen aanbevelen. In dit geval worden Adobe Commerce-items op basis van het aanbevolen type Most viewed aan deze gebruiker doorgegeven.

In het geval van onvoldoende gegevensverzameling worden de volgende aanbevelingen getypt als fallback naar het aanbevolen type Most viewed :

Caveats