Samla in data

När du installerar och konfigurerar SaaS-baserade Adobe Commerce-funktioner som Recommendations eller Live Search distribuerar modulerna beteendedatainsamling till butiken. Den här funktionen samlar in anonyma beteendedata från era kunder och driver produktrekommendationer och Live Search -resultat. Händelsen view används till exempel för att beräkna rekommendationstypen Viewed this, viewed that och händelsen place-order används för att beräkna rekommendationstypen Bought this, bought that.

Datatyper och händelser

Det finns två typer av data som används i Product Recommendations:

När du installerar modulen magento/product-recommendations samlar Adobe Sensei in beteendedata och katalogdata och skapar Recommendations för varje rekommendationstyp. Produkttjänsten Recommendations distribuerar sedan dessa rekommendationer till din butik i form av en widget som innehåller den rekommenderade produkten items.

Vissa rekommendationstyper använder beteendedata från era kunder för att utbilda maskininlärningsmodeller för att skapa personaliserade rekommendationer. Andra rekommendationstyper använder bara katalogdata och använder inga beteendedata. Om du snabbt vill börja använda Product Recommendations på din webbplats kan du använda följande rekommendationstyper som bara finns i en katalog:

Cold start

När kan du börja använda rekommendationstyper som använder beteendedata? Det beror på. Detta kallas för problemet med kallstart.

Problemet med kallstart avser den tid det tar för en modell att träna och börja gälla. För produktrekommendationer innebär detta att man väntar på att Adobe Sensei ska samla in tillräckligt med data för att utbilda sina maskininlärningsmodeller innan rekommendationsenheter distribueras på er webbplats. Ju mer data modellerna har, desto mer exakt och användbar är rekommendationerna. Eftersom datainsamling sker på en aktiv webbplats är det bäst att starta den här processen tidigt genom att installera och konfigurera modulen magento/production-recommendations.

I följande tabell visas några allmänna riktlinjer för hur lång tid det tar att samla in tillräckligt med data för varje rekommendationstyp:

Andra variabler som kan påverka den tid som krävs för att utbilda:

På sidan Skapa rekommendation visas beredskapsindikatorer så att du kan visualisera utbildningsförloppet för varje rekommendationstyp.

Medan data samlas in på din webbplats och maskininlärningsmodellerna håller på att tränas kan du slutföra andra test- och konfigureringsuppgifter som behövs för att skapa rekommendationer. När du är klar med det här arbetet har modellerna tillräckligt med data för att skapa användbara rekommendationer, så att du kan distribuera dem till butiken.

Om din webbplats inte får tillräckligt med trafik (visningar, köp, trender) för de flesta SKU:er kanske det inte finns tillräckligt med data för att slutföra inlärningsprocessen. Detta kan få beredskapsindikatorn i administratören att fastna. Beredskapsindikatorerna är avsedda att förse handlarna med en annan datapunkt när de väljer vilken typ av rekommendationer som är bäst för deras butik. Siffrorna är en stödlinje som kanske aldrig når 100 %. Läs mer om beredskapsindikatorer.

Rekommendationer för säkerhetskopiering backuprecs

Om indata inte räcker till för att tillhandahålla alla begärda rekommendationsobjekt i en enhet ger Adobe Commerce säkerhetskopieringsrekommendationer för att fylla i rekommendationsenheter. Om du till exempel distribuerar rekommendationstypen Recommended for you till din hemsida, har en förstagångskund på din webbplats inte genererat tillräckligt med beteendedata för att korrekt rekommendera anpassade produkter. I det här fallet yter Adobe Commerce objekt baserat på rekommendationstypen Most viewed till den här kunden.

Om indatainsamlingen inte är tillräcklig återgår följande rekommendationstyper till rekommendationstypen Most viewed:

Händelser

Händelseinsamlaren Adobe Commerce Storefront visar alla händelser som distribuerats till din butik. I den listan finns det dock en delmängd av händelser som är specifika för Product Recommendations. Dessa händelser samlar in data när kunderna interagerar med rekommendationsenheter i butiken och styr mätvärdena som används för att analysera hur bra era rekommendationer fungerar.

Nödvändiga instrumentpanelshändelser

Följande händelser krävs för att fylla i Product Recommendations kontrollpanelen

Följande händelser är inte specifika för Product Recommendations, men krävs för att Adobe Sensei ska kunna tolka kunddata korrekt:

Rekommendationstyp

I den här tabellen beskrivs de händelser som används av varje rekommendationstyp.

Caveats