คาดคะเนคำแนะนำผลิตภัณฑ์ (ตัวอย่าง)

[บทความนี้เป็นเอกสารก่อนการนำออกใช้ และอาจเปลี่ยนแปลงได้]

โมเดลคำแนะนำผลิตภัณฑ์จะสร้างชุดคำแนะนำผลิตภัณฑ์ที่คาดคะเนได้ คำแนะนำขึ้นอยู่กับพฤติกรรมการซื้อก่อนหน้านี้และลูกค้าที่มีรูปแบบการซื้อที่คล้ายคลึงกัน คุณต้องมีความรู้ทางธุรกิจเกี่ยวกับผลิตภัณฑ์ชนิดต่าง ๆสำหรับธุรกิจของคุณและวิธีที่ลูกค้าของคุณโต้ตอบกับพวกเขา เราสนับสนุนการแนะนำผลิตภัณฑ์ที่ลูกค้าของคุณซื้อก่อนหน้านี้ หรือคำแนะนำสำหรับผลิตภัณฑ์ใหม่

โมเดลคำแนะนำผลิตภัณฑ์จะช่วยคุณ:

• แนะนำผลิตภัณฑ์อื่น ๆ ที่จะมาพร้อมกับการซื้อ
• ติดต่อลูกค้าเกี่ยวกับผลิตภัณฑ์ที่พวกเขาอาจสนใจ
• ปรับปรุงการค้นพบด้วยผลิตภัณฑ์และบริการอื่นๆ ที่เกี่ยวข้อง
• สร้างประสบการณ์ลูกค้าให้เป็นแบบส่วนตัว

คำแนะนำผลิตภัณฑ์อาจอยู่ภายใต้กฎหมายและข้อบังคับในท้องถิ่นและความคาดหวังของลูกค้า ซึ่งโมเดลนี้ไม่ได้สร้างขึ้นโดยคำนึงถึงเป็นพิเศษ ดังนั้น คุณต้องตรวจสอบคำแนะนำก่อนที่จะส่งมอบให้กับลูกค้าของคุณ เพื่อให้แน่ใจว่าคุณปฏิบัติตามกฎหมายหรือข้อบังคับที่เกี่ยวข้องและความคาดหวังของลูกค้าสำหรับสิ่งที่คุณอาจแนะนำ

ผลลัพธ์ของแบบจำลองนี้จะให้คำแนะนำตามรหัสผลิตภัณฑ์ กลไกการจัดส่งของคุณจะต้องจับคู่รหัสผลิตภัณฑ์ที่คาดการณ์ไว้กับเนื้อหาที่เหมาะสมสำหรับลูกค้าของคุณเพื่อพิจารณาการแปลเป็นภาษาท้องถิ่น เนื้อหารูปภาพ และเนื้อหาหรือลักษณะการทำงานเฉพาะทางธุรกิจอื่น ๆ

ตัวอย่างเช่น Contoso ต้องการเพิ่มรายได้โดยการปรับแต่งเว็บเพจเพื่อแสดงผลิตภัณฑ์และบริการเพิ่มเติมที่ลูกค้าอาจเพลิดเพลิน พวกเขาสามารถสร้างคำแนะนำผลิตภัณฑ์เฉพาะลูกค้าจากแบบจำลองการแนะนำผลิตภัณฑ์ และป้อนข้อมูลไปยังไซต์ของตน Contoso สามารถขายต่อยอดลูกค้าโดยกระตุ้นให้พวกเขาดูผลิตภัณฑ์และบริการที่คล้ายคลึงกับที่พวกเขาเคยซื้อมาก่อน ซึ่งช่วยเพิ่มรายได้

สรุปข้อกําหนดเบื้องต้นของข้อมูล

สําหรับข้อกําหนดของข้อมูลทั่วไปในแบบจําลองการคาดการณ์ทั้งหมด ดูข้อกําหนดเบื้องต้นของข้อมูลสําหรับแบบจําลองคาดการณ์

ข้อกําหนดเบื้องต้น

• อย่างน้อยมีสิทธิ์ ผู้สนับสนุน
• โปรไฟล์ลูกค้าอย่างน้อย 1,000 รายภายในหน้าต่างการคาดคะเนที่ต้องการ
• รหัสลูกค้า รหัสเฉพาะเพื่อจับคู่ธุรกรรมกับลูกค้าแต่ละราย
• ข้อมูลธุรกรรมอย่างน้อยหนึ่งปี โดยเฉพาะอย่างยิ่งสองถึงสามปีเพื่อรวมข้อมูลตามช่วงเวลา ตามหลักการแล้ว ธุรกรรมอย่างน้อย 3 รายการขึ้นไปต่อรหัสลูกค้า ประวัติธุรกรรมต้องรวมถึง:
  • รหัสธุรกรรม: รหัสเฉพาะของการซื้อหรือธุรกรรม
  • วันที่ทำธุรกรรม: วันที่ของการซื้อหรือธุรกรรม
  • มูลค่าของธุรกรรม: มูลค่าที่เป็นตัวเลขของการซื้อหรือธุรกรรม
  • รหัสผลิตภัณฑ์เฉพาะ: รหัสของผลิตภัณฑ์หรือบริการที่ซื้อหากข้อมูลของคุณอยู่ในระดับสินค้าในรายการ
  • การซื้อหรือการคืนสินค้า: บูลีน จริง/เท็จ ที่ค่า จริง ระบุว่าธุรกรรมเป็นการคืนสินค้า หากข้อมูลการซื้อหรือการคืนสินค้าไม่ได้ระบุรุ่น และ ค่าของธุรกรรม เป็นลบ เราสรุปการคืนสินค้า
• ตารางข้อมูลแค็ตตาล็อกผลิตภัณฑ์เพื่อใช้เป็นตัวกรองผลิตภัณฑ์ จำกัดจำนวนสินค้าให้น้อยกว่า 50,000 รายการ ผลิตภัณฑ์มากกว่า 50,000 รายการลดประสิทธิภาพและเพิ่มเวลาในการประมวลผล พิจารณาลบผลิตภัณฑ์ที่หายากหรือล้าสมัย หรือพิจารณากำหนดค่าโมเดลโดยใช้ระดับที่สูงขึ้นในลำดับชั้นผลิตภัณฑ์ของคุณ

สร้างการคาดคะเนคำแนะนำผลิตภัณฑ์

เลือก บันทึกแบบร่าง ได้ตลอดเวลาเพื่อบันทึกการคาดการณ์เป็นแบบร่าง การคาดการณ์แบบร่างจะแสดงในแท็บ การคาดการณ์ของฉัน

1. ไปที่ ข้อมูลเชิงลึก>การคาดคะเน

2. บนแท็บ สร้าง เลือก ใช้แบบจำลอง บนไทล์ คำแนะนำผลิตภัณฑ์ (ตัวอย่าง)

3. เลือก เริ่มต้นใช้งาน

4. ตั้งชื่อแบบจําลองนี้ และ ชื่อตารางผลลัพธ์ เพื่อแยกความแตกต่างจากแบบจําลองหรือตารางอื่น

5. เลือก ถัดไป

กำหนดความต้องการคำแนะนำผลิตภัณฑ์

1. ตั้งค่า จำนวนสินค้า เพื่อแนะนำให้กับลูกค้า ค่านี้ขึ้นอยู่กับว่าวิธีการจัดส่งของคุณเติมข้อมูลอย่างไร

2. เลือกว่าคุณต้องการรวมผลิตภัณฑ์ที่ลูกค้าเพิ่งซื้อในฟิลด์ การซื้อซ้ำที่คาดไว้ หรือไม่

3. ตั้งค่า หน้าต่างการมองย้อนกลับ กับกรอบเวลาที่แบบจำลองพิจารณาก่อนที่จะแนะนำผลิตภัณฑ์ให้กับผู้ใช้อีกครั้ง ตัวอย่างเช่น ระบุว่าลูกค้าซื้อแล็ปท็อปทุกสองปี แบบจำลองนี้จะดูประวัติการซื้อในช่วงสองปีที่ผ่านมา และหากพวกเขาพบสินค้า รายการนั้นจะถูกกรองออกจากคำแนะนำ

4. เลือก ถัดไป

เพิ่มประวัติการซื้อ

1. เลือกเพิ่มข้อมูลสําหรับประวัติธุรกรรมของลูกค้า

2. เลือกชนิดกิจกรรมความหมาย SalesOrderLine ที่มีข้อมูลธุรกรรมหรือประวัติการซื้อที่จำเป็น หากยังไม่ได้ตั้งค่ากิจกรรม ให้เลือก ที่นี่ และสร้างกิจกรรมขึ้นมา

3. ภายใต้ กิจกรรม ถ้ามีการแมปแอตทริบิวต์กิจกรรมในเชิงความหมายเมื่อสร้างกิจกรรม ให้เลือกแอตทริบิวต์หรือตารางเฉพาะที่คุณต้องการให้การคํานวณเน้น หากการแมปความหมายไม่เกิดขึ้น ให้เลือก แก้ไข และแมปข้อมูลของคุณ

   

4. เลือก ต่อไป และตรวจสอบคุณสมบัติที่จำเป็นสำหรับแบบจำลองนี้

5. เลือก บันทึก

6. เลือก ถัดไป

เพิ่มข้อมูลผลิตภัณฑ์และตัวกรอง

บางครั้ง มีเพียงบางผลิตภัณฑ์เท่านั้นที่เป็นประโยชน์หรือเหมาะสมกับชนิดของการคาดคะเนที่คุณสร้าง ใช้ตัวกรองผลิตภัณฑ์เพื่อระบุชุดย่อยของผลิตภัณฑ์ที่มีลักษณะเฉพาะเพื่อแนะนำให้กับลูกค้าของคุณ โมเดลใช้ผลิตภัณฑ์ทั้งหมดที่มีอยู่เพื่อเรียนรู้รูปแบบ แต่ใช้เฉพาะผลิตภัณฑ์ที่ตรงกับตัวกรองผลิตภัณฑ์ในผลลัพธ์เท่านั้น

1. เพิ่มตารางแค็ตตาล็อกผลิตภัณฑ์ของคุณที่มีข้อมูลสำหรับแต่ละผลิตภัณฑ์ แมปข้อมูลที่จำเป็นและเลือก บันทึก

2. เลือก ถัดไป

3. เลือก ตัวกรองผลิตภัณฑ์:

   • ไม่มีตัวกรอง: ใช้ผลิตภัณฑ์ทั้งหมดในการคาดคะเนคำแนะนำผลิตภัณฑ์

   • กำหนดตัวกรองผลิตภัณฑ์เฉพาะ: ใช้ผลิตภัณฑ์เฉพาะในการคาดคะเนคำแนะนำผลิตภัณฑ์ ในบานหน้าต่าง แอตทริบิวต์แค็ตตาล็อกผลิตภัณฑ์ เลือกแอตทริบิวต์จากตารางแค็ตตาล็อกผลิตภัณฑ์ของคุณที่คุณต้องการรวมไว้ในตัวกรอง

     

4. เลือกว่าคุณต้องการตัวกรองผลิตภัณฑ์เพื่อใช้ตัวเชื่อมต่อ และ หรือ หรือ หรือไม่เพื่อรวมแอตทริบิวต์ที่คุณเลือกจากแคตตาล็อกผลิตภัณฑ์อย่างมีเหตุผล

   

5. เลือก ถัดไป

ตั้งค่ากําหนดเวลาอัปเดต

1. เลือกความถี่เพื่อฝึกฝนแบบจำลองของคุณ การตั้งค่านี้เป็นสิ่งสําคัญในการอัปเดตความแม่นยําของการคาดการณ์เมื่อมีการนําเข้าข้อมูลใหม่ ธุรกิจส่วนใหญ่สามารถฝึกซ้ําได้หนึ่งครั้งต่อเดือนและได้รับความแม่นยําที่ดีสําหรับการคาดการณ์ของพวกเขา

2. เลือก ถัดไป

ตรวจสอบและรันการกำหนดค่าแบบจำลอง

ขั้นตอน ตรวจสอบและเรียกใช้ จะแสดงสรุปการกำหนดค่าและให้โอกาสในการเปลี่ยนแปลงก่อนที่คุณจะสร้างการคาดคะเน

1. เลือก แก้ไข บนขั้นตอนใด ๆ เพื่อตรวจสอบและทําการเปลี่ยนแปลง

2. หากคุณพอใจกับสิ่งที่คุณเลือก ให้เลือก บันทึกและเรียกใช้ เพื่อเริ่มรันโมเดล เลือก เสร็จสิ้น แท็บ การคาดคะเนของฉัน จะปรากฏขึ้นขณะสร้างการคาดคะเน กระบวนการนี้อาจใช้เวลาหลายชั่วโมงกว่าจะเสร็จสมบูรณ์ ทั้งนี้ขึ้นอยู่กับปริมาณข้อมูลที่ใช้ในการคาดคะเน

ดูผลลัพธ์การคาดการณ์

1. ไปที่ ข้อมูลเชิงลึก>การคาดคะเน

2. ในแท็บ การคาดการณ์ของฉัน ให้เลือกการคาดการณ์ที่คุณต้องการดู

มีข้อมูลหลักห้าส่วนในหน้าผลลัพธ์

• ประสิทธิภาพโมเดล: เกรด A, B, หรือ C บ่งชี้ประสิทธิภาพของการคาดคะเน และสามารถช่วยคุณในการตัดสินใจใช้ผลลัพธ์ที่เก็บไว้ในตารางผลลัพธ์

  

  เกรดจะถูกกําหนดตามกฎต่อไปนี้:

  • A เมื่อตัวชี้วัด "ความสำเร็จ @ K" มากกว่าค่าพื้นฐานอย่างน้อย 10%
  • B เมื่อตัวชี้วัด "ความสำเร็จ @ K" มากกว่าค่าพื้นฐาน 0% ถึง 10%
  • C เมื่อตัวชี้วัด "ความสำเร็จ @ K" น้อยกว่าค่าพื้นฐาน
  • เกณฑ์พื้นฐาน: ผลิตภัณฑ์ที่แนะนำมากที่สุดโดยนับการซื้อจากลูกค้าทั้งหมด + กฎที่เรียนรู้ซึ่งระบุโดยแบบจำลอง = ชุดคำแนะนำสำหรับลูกค้า จากนั้นการคาดคะเนจะถูกเปรียบเทียบกับผลิตภัณฑ์ชั้นนำ โดยคำนวณจากจำนวนลูกค้าที่ซื้อผลิตภัณฑ์ หากลูกค้ามีผลิตภัณฑ์อย่างน้อยหนึ่งรายการในผลิตภัณฑ์ที่แนะนำซึ่งพบในผลิตภัณฑ์ที่ซื้อสูงสุดด้วย ถือว่าเป็นส่วนหนึ่งของเกณฑ์พื้นฐาน ตัวอย่างเช่น หากมีลูกค้า 10 รายในจำนวนนี้ที่มีการซื้อผลิตภัณฑ์แนะนำจากลูกค้าทั้งหมด 100 ราย เกณฑ์พื้นฐานจะเท่ากับ 10%
  • ความสำเร็จ @ K: คำแนะนำจะถูกสร้างขึ้นสำหรับลูกค้าทั้งหมดและเปรียบเทียบกับชุดการตรวจสอบความถูกต้องของระยะเวลาธุรกรรม ตัวอย่างเช่น ในช่วง 12 เดือน เดือน 12 อาจถูกตั้งไว้เป็นชุดข้อมูลสำหรับตรวจสอบความถูกต้อง หากโมเดลคาดคะเนอย่างน้อยหนึ่งสิ่งที่คุณจะซื้อในเดือน 12 โดยพิจารณาจากสิ่งที่เรียนรู้จาก 11 เดือนก่อนหน้า ลูกค้าจะเพิ่มเมตริก "ความสำเร็จ @ K"

• ผลิตภัณฑ์ที่แนะนำมากที่สุด (พร้อมคะแนน): ผลิตภัณฑ์ห้าอันดับแรกที่คาดคะเนไว้สำหรับลูกค้าของคุณ

  

• ปัจจัยคำแนะนำที่สำคัญ: โมเดลใช้ประวัติการทำธุรกรรมของลูกค้าเพื่อให้คำแนะนำผลิตภัณฑ์ เรียนรู้รูปแบบจากการซื้อในอดีตและพบความคล้ายคลึงกันระหว่างลูกค้าและผลิตภัณฑ์ แบบจําลองใช้ความคล้ายคลึงกันเหล่านี้เพื่อสร้างคําแนะนําผลิตภัณฑ์ ต่อไปนี้เป็นปัจจัยที่อาจส่งผลต่อคำแนะนำผลิตภัณฑ์ที่สร้างขึ้นโดยแบบจำลอง

  • ธุรกรรมที่ผ่านมา: ผลิตภัณฑ์แนะนำอิงตามรูปแบบการซื้อที่ผ่านมา ตัวอย่างเช่น โมเดลสามารถแนะนำ Surface Arc Mouse หากมีคนเพิ่งซื้อ Surface Book 3 และ ปากกา Surface โมเดลได้เรียนรู้ว่าในอดีต มีลูกค้าจำนวนมากซื้อ Surface Arc Mouse หลังจากซื้อ Surface Book 3 และ ปากกา Surface
  • ความคล้ายคลึงกันของลูกค้า: ในอดีตมีการซื้อผลิตภัณฑ์ที่แนะนำโดยลูกค้ารายอื่นที่แสดงรูปแบบการซื้อที่คล้ายคลึงกัน ตัวอย่างเช่น John ได้รับการแนะนํา Surface Headphones 2 เนื่องจาก Jennifer และ Brad เพิ่งซื้อ Surface Headphones 2 โมเดลเชื่อว่า John คล้ายกับ Jennifer และ Brad เนื่องจากมีรูปแบบการซื้อที่คล้ายคลึงกันในอดีต
  • ความคล้ายคลึงกันของผลิตภัณฑ์: ผลิตภัณฑ์ที่แนะนำคล้ายกับผลิตภัณฑ์อื่นๆ ที่ลูกค้าเคยซื้อมาก่อนหน้านี้ โมเดลนี้ถือว่าผลิตภัณฑ์สองรายการมีความคล้ายคลึงกันหากซื้อร่วมกันหรือโดยลูกค้าที่คล้ายคลึงกัน ตัวอย่างเช่น มีคนได้รับคำแนะนำสำหรับ ไดรฟ์เก็บข้อมูล USB เพราะก่อนหน้านี้เคยซื้อ อะแดปเตอร์ USB-C เป็น USB โมเดลเชื่อว่า ไดรฟ์เก็บข้อมูล USB เหมือนกับ อะแดปเตอร์ USB-C เป็น USB ตามรูปแบบการซื้อในอดีต

  คำแนะนำผลิตภัณฑ์ทุกรายการได้รับอิทธิพลจากปัจจัยเหล่านี้อย่างน้อยหนึ่งอย่าง เปอร์เซ็นต์ของคำแนะนำที่ปัจจัยที่มีอิทธิพลแต่ละอย่างมีบทบาทจะแสดงเป็นภาพในแผนภูมิ ในตัวอย่างต่อไปนี้ คำแนะนำ 100% ได้รับอิทธิพลจากธุรกรรมในอดีต 60% จากความคล้ายคลึงกันของลูกค้าและ 22% จากความคล้ายคลึงกันของผลิตภัณฑ์ วางเมาส์เหนือแท่งในแผนภูมิเพื่อดูเปอร์เซ็นต์ที่แน่นอนของปัจจัยที่มีอิทธิพล

  

• สถิติข้อมูล: ภาพรวมของจำนวนธุรกรรมลูกค้าและผลิตภัณฑ์ตามรูปแบบที่พิจารณา โดยอิงจากข้อมูลอินพุตที่ใช้ในการเรียนรู้รูปแบบและสร้างคำแนะนำผลิตภัณฑ์

  

  แบบจำลองจะใช้ข้อมูลที่มีอยู่ทั้งหมดเพื่อเรียนรู้รูปแบบ ดังนั้น หากคุณใช้การกรองผลิตภัณฑ์ในการกำหนดค่าแบบจำลอง ส่วนนี้จะแสดงจำนวนผลิตภัณฑ์ทั้งหมดที่แบบจำลองวิเคราะห์เพื่อเรียนรู้รูปแบบ ซึ่งอาจแตกต่างจากจำนวนผลิตภัณฑ์ที่ตรงกับเกณฑ์การกรองที่กำหนดไว้ การกรองมีผลกับเอาต์พุตที่สร้างโดยแบบจำลอง

• คำแนะนำผลิตภัณฑ์ที่ตัวอย่าง: ตัวอย่างคำแนะนำซึ่งแบบจำลองเชื่อว่าลูกค้าน่าจะซื้อ หากมีการเพิ่มแค็ตตาล็อกผลิตภัณฑ์ รหัสผลิตภัณฑ์จะถูกแทนที่ด้วยชื่อผลิตภัณฑ์