製品レコメンデーションを予測する (プレビュー)

[この記事はプレリリース ドキュメントであり、変更されることがあります。]

製品レコメンデーション モデルは、予測製品レコメンデーションのセットを作成します。 レコメンデーションは、以前の購入行動と同様の購入パターンを持つ顧客に基づいています。 ビジネスのためのさまざまなタイプの製品と、顧客とその製品との関わり方についてのビジネス知識が必要です。 以前に顧客が購入した商品や、新しい商品の推薦をサポートします。

商品推奨モデルがお手伝いします:

• 購入に合わせて他の商品を勧める
• 興味を持ちそうな製品について顧客に連絡する
• 他の関連製品やサービスの発見を改善する
• パーソナライズされた顧客エクスペリエンスの作成

製品のレコメンデーションは、現地の法律や規制、および顧客の期待に左右される場合がありますが、モデルは特に考慮に入れるよう構築されていません。 そのため、レコメンデーションを顧客に提供する前に確認して、適用される法律や規制、および推奨する対象である顧客の期待に準拠していることを確認する必要があります。

このモデルの出力は、製品 ID に基づいたレコメンデーションを提供します。 配信メカニズムでは、予測された製品 ID を顧客に適したコンテンツにマップして、ローカリゼーション、画像コンテンツ、およびその他のビジネス固有のコンテンツや動作を説明する必要があります。

たとえば、Contoso は、Web ページをカスタマイズして、顧客が享受できる製品やサービスをさらに表示することで収益を増やしたいと考えています。 製品推奨モデルから顧客固有の製品推奨を作成し、そのデータをサイトにフィードできます。 Contoso は、以前に購入したものと同様の製品やサービスを閲覧するよう顧客に促すことでアップセルを行い、収益を増やすことができます。

データの前提条件の概要

すべての予測モデルで一般的なデータ要件については、 予測モデルのデータの前提条件に関するセクションを参照してください。

前提条件

• 少なくとも 共同作成者のアクセス許可
• 必要な予測ウィンドウ内に少なくとも 1,000 個の顧客プロファイル
• 顧客識別子。トランザクションを個々の顧客に一致させる一意の識別子です。
• 少なくとも 1 年間のトランザクション データ、季節性を含める場合は 2 - 3 年が望ましい。 理想的には、顧客 ID ごとに少なくとも 3 つ以上のトランザクション。 トランザクション履歴には、次のものが含まれている必要があります。
  • トランザクション ID: 購入またはトランザクションのユニークな識別子。
  • トランザクションの日付: 購入またはトランザクションの日付。
  • トランザクションの値:: 購入またはトランザクションの数値。
  • 一意の製品 ID: データが品目レベルの場合は、購入した製品またはサービスの ID。
  • 購入または返品: ブール値の true/false 値で、true はトランザクションが返品であることを示します。 購入または返品データがモデルに指定されておらず、トランザクションの価値 がマイナスの場合、この情報を使用して返品を推測します。
• 製品フィルターとして使用する製品カタログ データ テーブル。 商品数を 50,000 未満に制限します。 50,000を超える製品では、有効性が低下し、処理時間が長くなります。 希少な商品や古い商品を削除することを検討してください。 または、製品階層の上位レベルを使用してモデルを設定することも検討してください。

製品レコメンデーション予測を作成する

[下書き保存] を選択すると、予測をいつでも下書きとして保存できます。 下書き予測が [ マイ予測 ] タブに表示されます。

1. 分析情報>予測 に移動します。

2. 作成 タブで、製品レコメンデーション (プレビュー) タイルで モデルを使用する を選択します。

3. [ 作業の開始] を選択します。

4. このモデル と 出力テーブル名に名前 を付けて、他のモデルまたはテーブルと区別します。

5. 次へを選択します。

製品レコメンデーションの基本設定を定義する

1. 顧客に推薦する 製品数 を設定します。 この値は、配信方法がデータをどのように入力するかによって異なります。

2. 顧客が以前に購入した製品を 期待される再購入 フィールドに含めるかどうかを選択します。

3. ルック バック ウィンドウ には、モデルがユーザーに製品を再度推奨する前に考慮する概算時間を設定します。 たとえば、顧客が 2 年ごとにラップトップを購入することを示します。 モデルは、過去 2 年間の購入履歴を調べ、該当するアイテムがあれば、そのアイテムはレコメンデーションから除外されます。

4. 次へを選択します。

購入履歴の追加

1. 顧客トランザクション履歴 の データの追加 を選択します。

2. 必要なトランザクションや購入履歴の情報を含む、セマンティック活動タイプ SalesOrderLine を選択します。 アクティビティが設定されていない場合は、こちら を選択し、作成します。

3. [アクティビティ] で、アクティビティの作成時にアクティビティ属性が意味的にマップされた場合は、計算に重点を置く特定の属性またはテーブルを選択します。 セマンティック マッピングが行われなかった場合は、編集 を選択してデータをマッピングします。

   

4. [ 次へ ] を選択し、このモデルに必要な属性を確認します。

5. 保存を選びます。

6. 次へを選択します。

製品情報とフィルターを追加する

場合によっては、特定の製品のみが、作成する予測の種類に対して有益または適切であることがあります。 製品フィルターを使用して、特定の特性を持つ製品のサブセットを特定して、顧客に推奨します。 モデルは利用可能なすべての積を使ってパターンを学習しますが、出力時にプロダクトフィルターに一致する積のみを使用します。

1. 各製品の情報を含む製品カタログ テーブルを追加します。 必要な情報をマップして、保存 を選択します。

2. 次へを選択します。

3. 製品フィルター を選択します:

   • フィルターなし: 製品レコメンデーションの予測ですべての製品を使用します。

   • 特定の製品フィルターを定義する: 製品レコメンデーションの予測で特定の製品を使用します。 製品カタログの属性 ペインで、フィルターに含める属性を製品カタログ テーブルから選択します。

     

4. 製品フィルターで and または or を使用して、製品カタログから選択した属性を論理的に組み合わせるかどうかを選択します。

   

5. 次へを選択します。

更新スケジュールを設定する

1. モデルを再トレーニングする頻度を選択します。 この設定は、新しいデータが取り込まれる際に、予測精度を更新するために重要です。 ほとんどの企業は、1 か月に 1 回再トレーニングを行い、予測の精度を高めることができます。

2. 次へを選択します。

モデル構成を確認して実行する

確認して実行 ステップでは、構成の概要が表示され、予測を作成する前に変更を加えることができます。

1. 確認して変更を加えるには、手順のいずれかで編集 を選択します。

2. 選択に問題がなければ、保存して実行 を選択してモデルの実行を開始します。 完了を選択します。 自分の予測 タブは、予測の作成中に表示されます。 予測で使用されるデータの量によっては、プロセスの完了までに数時間かかる場合があります。

予測の結果を表示する

1. 分析情報>予測 に移動します。

2. [ マイ予測 ] タブで、表示する予測を選択します。

結果ページには、データの 5 つの主要なセクションがあります。

• モデルのパフォーマンス: グレード A、B、C は、予測のパフォーマンスを示し、出力テーブルに格納された結果を使用するかどうかを決定するのに役立ちます。

  

  グレードは次のルールに基づいて決定されます。

  • A "Success @ K" メトリックがベースラインより 10% を超えている場合。
  • B "Success @ K" メトリックがベースラインより 0% - 10% 高い場合。
  • C "Success @ K" メトリックがベースライン未満の場合。
  • ベースライン: 全顧客の購入回数上位のおすすめ製品 + モデルで特定された学習ルール = 顧客へのおすすめ候補のセット。 次に、予測は、製品を購入した顧客の数によって計算された上位の製品と比較されます。 顧客が推奨製品に少なくとも 1 つの製品を持っていて、それが上位の購入製品にも見られた場合、それらはベースラインの一部と見なされます。 たとえば、全顧客 100 人のうちおすすめ製品を購入した顧客が 10 人いた場合、ベースラインは 10% になります。
  • Success @ K: すべての顧客に対してレコメンデーションが作成され、トランザクションの期間の検証セットと比較されます。 たとえば、12 か月の期間では、12 か月がデータの検証セットとして確保されます。 モデルで、過去 11 か月から学んだことに基づいて、12 月に購入するものを少なくとも 1 つ予測する場合、顧客が「Success @K」メトリックを増やします。

• 最も提案された製品 (集計あり): 顧客のために予測された上位 5 つの製品。

  

• 主要なレコメンデーション要因: モデルでは、顧客のトランザクション履歴を使用して製品レコメンデーションを行います。 過去の購入に基づいてパターンを学習し、顧客と製品の類似点を見つけます。 モデルはこれらの類似性を用いて製品推薦を生成します。 以下の要因は、モデルによって生成される製品レコメンデーションに影響を与える可能性があります。

  • 過去のトランザクション: おすすめ商品は過去の購入パターンに基づいていました。 たとえば、誰かが Surface Book 3 と Surface ペン を最近購入した場合、モデルは Surface Arc Mouse を推奨することができます。 モデルはこれまで、多くの顧客が Surface Book 3と Surface ペン 購入後、Surface アーク マウス を購入していることを学習しました。
  • 顧客の類似性: 推奨される製品は、類似した購入パターンを示す他の顧客によってこれまで購入されていました。 たとえば、Jennifer と Brad が Surface Headphones 2 を最近購入したため、John は Surface Headphones 2 を推奨されました。 モデルは、Jennifer と Brad がこれまで類似の購入パターンを持っていたことから、John が類似していると考えています。
  • 製品の類似性: 推奨される製品は、顧客が以前に購入した他の製品と類似しています。 モデルは、2 つの製品が一緒に購入された場合、または類似する顧客によって購入された場合、類似していると見なします。 たとえば、以前 USB-C - USBアダプタ を購入した人が、USB ストレージドライブ を薦められたとします。 このモデルは、過去の購入パターンに基づいて、USBストレージ ドライブ が USB-C - USBアダプタ に類似していると考えています。

  これらの要因の 1 つまたは複数が、すべての製品推奨に影響します。 各影響要因が役割を果たしたレコメンデーションの割合が、グラフに視覚化されます。 次の例では、レコメンデーションの 100% が過去のトランザクション、60% が顧客の類似性、22% が製品の類似性の影響を受けています。 グラフのバーにカーソルを合わせると、影響要因が寄与した正確な割合が表示されます。

  

• データ統計: モデルが考慮したトランザクション、顧客、および製品の数の概要。 パターンを学習し、製品レコメンデーションを生成するために使用された入力データに基づいています。

  

  モデルは利用可能なすべてのデータを使用してパターンを学習します。 したがって、モデル構成で製品フィルターを使用する場合、このセクションでは、パターンを学習するためにモデルが分析した製品の総数が表示されますが、定義されたフィルター条件に一致する製品の数とは異なる場合があります。 フィルターは、モデルによって生成された出力に適用されます。

• 製品レコメンデーションのサンプル: 顧客が購入する可能性が高いとモデルが判断したレコメンデーションのサンプル。 製品カタログを追加すると、製品 ID は製品名に置き換えられます。