Coletar dados
Quando você instala e configura o Product Recommendations, o módulo implanta a coleta de dados comportamentais na vitrine. Esse mecanismo coleta dados comportamentais anônimos de seus compradores e habilita o Product Recommendations. Por exemplo, o evento view é usado para calcular o tipo de recomendação Viewed this, viewed that, e o evento place-order é usado para calcular o tipo de recomendação Bought this, bought that.
Para saber mais sobre os dados comportamentais que os eventos do Product Recommendations coletam, consulte a documentação do desenvolvedor.
Clientes da área de saúde
Se você for um cliente da área de saúde e tiver instalado a extensão HIPAA do Data Services, que está incluída na conexão de dados, a Product Recommendations interromperá a coleta de dados do evento da loja porque são gerados no lado do cliente.
Para continuar coletando e enviando dados do evento da loja, habilite novamente a coleta de eventos para Product Recommendations. Para obter mais informações, consulte Configuração geral.
Tipos de dados e eventos
Há dois tipos de dados usados nas Recomendações de produto:
- Comportamento - Dados do envolvimento de um comprador no seu site, como exibições de produtos, itens adicionados ao carrinho e compras.
- Catálogo - Metadados do produto, como nome, preço, disponibilidade etc.
Quando você instala o módulo magento/product-recommendations, o Adobe AI agrega os dados comportamentais e de catálogo, criando Recomendações de Produto para cada tipo de recomendação. O serviço de Recomendações de Produto implanta essas recomendações na vitrine eletrônica em um widget que contém os itens de produto recomendados.
Alguns tipos de recomendações usam os dados comportamentais dos compradores para treinar modelos de aprendizado de máquina e gerar recomendações personalizadas. Outros dependem apenas dos dados do catálogo. Para começar a usar as Recomendações de Produto rapidamente, escolha um dos seguintes tipos de recomendação somente para catálogo:
More like thisVisual similarity
Arranque a frio
Quando você pode começar a usar tipos de recomendação que usam dados comportamentais? Depende. Essa situação é conhecida como o problema Cold Start.
O problema Início a Frio é o tempo necessário para o treinamento de um modelo de aprendizado de máquina, antes que ele possa produzir recomendações eficazes. Para o Product Recommendations, a Adobe AI deve coletar dados suficientes para treinar seus modelos antes de implantar unidades de recomendação. Mais dados geralmente melhoram a precisão e a utilidade da recomendação. Como a coleta de dados ocorre no site ativo, inicie esse processo antecipadamente instalando e configurando o módulo magento/product-recommendations.
A tabela a seguir fornece algumas orientações gerais sobre o tempo necessário para coletar dados suficientes para cada tipo de recomendação:
Most viewed, Most purchased, Most added to cart)Viewed this, viewed thatViewed this, bought that, Bought this, bought thatTrendingOutras variáveis que podem afetar o tempo necessário para treinar:
- Maior volume de tráfego contribui para uma aprendizagem mais rápida
- Alguns tipos de recomendações são treinados mais rapidamente do que outros
- O Adobe Commerce recalcula dados comportamentais a cada quatro horas. As recomendações se tornam mais precisas quanto mais tempo forem usadas no site.
Para ajudá-lo a visualizar o progresso do treinamento de cada tipo de recomendação, a página criar recomendação exibe indicadores de preparação.
Enquanto seu site ativo coleta dados e o treinamento de modelos de aprendizado de máquina, conclua as tarefas restantes de teste e configuração. Quando os modelos tiverem dados suficientes para gerar recomendações úteis, implante as unidades de recomendação na loja.
Se o site não receber tráfego suficiente (exibições, compras ou tendências) para a maioria dos SKUs de produtos, o processo de aprendizado pode não ser concluído, fazendo com que os indicadores de prontidão no Administrador pareçam travados. Os indicadores de prontidão ajudam os comerciantes a escolher o melhor tipo de recomendação para sua loja, mas eles são apenas um guia e podem nunca chegar a 100%. Saiba mais sobre os indicadores de disponibilidade. Saiba mais sobre os indicadores de preparação.
Recomendações de backup backuprecs
Quando dados de entrada insuficientes impedem que uma unidade de recomendação retorne todos os itens solicitados, o Adobe Commerce os preenche com recomendações de backup. Por exemplo, depois de implantar o tipo de recomendação Recommended for you na página inicial, um comprador pela primeira vez pode não ter gerado dados comportamentais suficientes para recomendações personalizadas. Nesse caso, o Adobe Commerce exibe itens com base no tipo de recomendação Most viewed .
Se a coleta de dados de entrada for insuficiente, os seguintes tipos de recomendação farão fallback para o tipo de recomendação Most viewed:
Recommended for youViewed this, viewed thatViewed this, bought thatBought this, bought thatTrendingConversion (view to purchase)Conversion (view to cart)
Avisos
- Os bloqueadores de anúncios e as configurações de privacidade podem impedir que eventos sejam capturados e podem fazer com que as métricas de envolvimento e receita sejam reportadas incorretamente. Além disso, alguns eventos não são enviados porque os compradores saem da página ou por problemas de rede.
- As implementações headless devem implementar eventos para potencializar o painel Recomendações de produto.
- Para produtos configuráveis, as Recomendações de produto usam a imagem do produto principal. Se o produto principal não tiver imagem, ele não aparecerá na unidade de recomendação.