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.

Consulte a documentação do desenvolvedor para saber mais sobre os dados comportamentais coletados pelos eventos do Product Recommendations.

Clientes da área de saúde

Se você for um cliente da área de saúde e tiver instalado a extensão HIPAA do Data Services, que faz parte da conexão de dados, os dados do evento de vitrine usados por Product Recommendations não serão mais capturados. Isso ocorre porque os dados do evento da loja são gerados no lado do cliente. Para continuar capturando e enviando dados do evento da loja, habilite novamente a coleção de eventos para Product Recommendations. Consulte configuração geral para saber mais.

Tipos de dados e eventos

Há dois tipos de dados usados nas Recomendações de produto:

Quando você instala o módulo magento/product-recommendations, o Adobe Sensei 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 dados comportamentais de seus compradores para treinar modelos de aprendizado de máquina para criar recomendações personalizadas. Outros tipos de recomendações usam apenas dados de catálogo e não usam dados comportamentais. Se você quiser começar rapidamente a usar o Product Recommendations em seu site, poderá usar os seguintes tipos de recomendações somente de catálogo:

Arranque a frio

Quando você pode começar a usar tipos de recomendação que usam dados comportamentais? Depende. Isso é conhecido como o problema Cold Start.

O problema Cold Start refere-se ao tempo que um modelo leva para ser treinado e se tornar efetivo. Para recomendações de produtos, isso significa aguardar que o Adobe Sensei colete dados suficientes para treinar seus modelos de aprendizado de máquina antes de implantar unidades de recomendação em seu site. Quanto mais dados os modelos tiverem, mais precisas e úteis serão as recomendações. Como a coleta de dados ocorre em um site ativo, é melhor iniciar esse processo antecipadamente instalando e configurando o módulo magento/production-recommendations.

A tabela a seguir fornece algumas orientações gerais sobre o tempo necessário para coletar dados suficientes para cada tipo de recomendação:

Outras variáveis que podem afetar o tempo necessário para treinar:

Para ajudá-lo a visualizar o progresso do treinamento de cada tipo de recomendação, a página criar recomendação exibe indicadores de preparação.

Enquanto os dados estão sendo coletados em seu site ativo e os modelos de aprendizado de máquina estão sendo treinados, você pode concluir outras tarefas de teste e configuração necessárias para definir as recomendações. Quando você terminar este trabalho, os modelos terão dados suficientes para criar recomendações úteis, permitindo que você os implante em sua loja.

Se o site não receber tráfego suficiente (exibições, compras, tendências) para a maioria dos SKUs de produtos, talvez não haja dados suficientes para concluir o processo de aprendizado. Isso pode fazer com que o indicador de prontidão do Administrador pareça travado. Os indicadores de prontidão devem fornecer aos comerciantes outro ponto de dados para escolher qual tipo de recomendações é melhor para sua loja. Os números são um guia e podem nunca chegar a 100%. Saiba mais sobre os indicadores de preparação.

Recomendações de backup backuprecs

Se os dados de entrada forem insuficientes para fornecer todos os itens de recomendação solicitados em uma unidade, a Adobe Commerce fornecerá recomendações de backup para preencher as unidades de recomendação. Por exemplo, se você implantar o tipo de recomendação Recommended for you na sua página inicial, um comprador novo no site não terá gerado dados comportamentais suficientes para recomendar com precisão os produtos personalizados. Nesse caso, o Adobe Commerce exibe itens baseados no tipo de recomendação Most viewed para esse comprador.

No caso de coleta de dados de entrada insuficiente, os seguintes tipos de recomendação fazem fallback para o tipo de recomendação Most viewed:

Avisos