Beteendedata
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 kan du använda följande rekommendationstyper som bara finns i katalogen:
More like this
Visual similarity
När kan du börja använda rekommendationstyper som använder beteendedata? Det beror på. Detta kallas för problemet med kallstart.
Problemet med kallstart är ett mått på hur lång tid en modell behöver träna innan den kan anses vara av hög kvalitet. I produktrekommendationer innebär det att man väntar på att Adobe Sensei ska utbilda sina maskininlärningsmodeller innan rekommendationsenheter distribueras på er webbplats. Ju mer data dessa modeller har, desto mer exakt och användbar är rekommendationerna. Insamlingen av dessa data tar tid och varierar beroende på trafikvolym. Eftersom dessa data endast kan samlas in på en produktionsplats är det bäst för er att driftsätta datainsamlingen där så tidigt som möjligt. Du kan göra detta 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:
Most viewed
, Most purchased
, Most added to cart
)Viewed this, viewed that
Viewed this, bought that
, Bought this, bought that
Trending
Andra variabler som kan påverka den tid som krävs för att utbilda:
- Högre trafikvolym bidrar till snabbare inlärning
- Vissa rekommendationstyper tränar snabbare än andra
- Adobe Commerce beräknar om beteendedata var fjärde timme. Recommendations blir exaktare ju längre de används på er webbplats.
På sidan Skapa rekommendation visas beredskapsindikatorer så att du kan visualisera utbildningsförloppet för varje rekommendationstyp.
Data samlas in i produktions- och maskininlärningsmodeller, men du kan implementera de återstående aktiviteter som krävs för att distribuera rekommendationer till din butik. När du är klar med testningen och konfigurationen av rekommendationerna har maskininlärningsmodellerna samlat in och beräknade tillräckligt med data för att skapa relevanta rekommendationer, så att du kan distribuera rekommendationerna till din butik.
Om det inte finns tillräckligt med trafik (visningar, köpta produkter, trender) för de flesta SKU:er kanske det inte finns tillräckligt med data för att slutföra inlärningsprocessen. Detta kan göra att beredskapsindikatorn i administratören ser ut som om den hade fastnat.
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 %.
Rekommendationer för säkerhetskopiering backuprecs
Om det inte finns tillräckligt med indata 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.
Följande rekommendationstyper återgår till rekommendationstypen Most viewed
om det inte finns tillräckligt med indata insamlade:
Recommended for you
Viewed this, viewed that
Viewed this, bought that
Bought this, bought that
Trending
Conversion (view to purchase)
Conversion (view to cart)