Show Menu
トピック×

製品レコメンデーションレシピ

製品レコメンデーションレシピを使用すると、顧客のニーズや関心に合わせてカスタマイズした製品レコメンデーションを提供できます。正確な予測モデルを使用すると、顧客の購入履歴から、興味を持つ可能性のある製品に関するインサイトを得ることができます。

このレシピは誰のために作られたものですか。

現代では、小売業者は多数の製品を提供することができ、顧客に多くの選択肢を提供しているため、顧客の検索を妨げることもあります。顧客は希望する製品を見つけられない可能性があり、その結果、高レベルの認知的不協和を伴う購入またはまったく購入されない場合が発生します。

このレシピは何をするのですか。

製品レコメンデーションレシピは、機械学習を使用して、顧客の過去の製品とのインタラクションを分析し、製品レコメンデーションのパーソナライズされたリストを迅速かつ容易に生成します。これにより、製品の検出プロセスが最適化され、顧客に対する長時間の非生産的で無関係な検索が排除されます。その結果、製品レコメンデーションのレシピは、顧客の全体的な購入エクスペリエンスを向上させ、エンゲージメントを高め、ブランドロイヤリティーを強化できます。

使用を始めるにはどうすればよいですか。

Adobe Experience Platform ラボのチュートリアル(下のラボリンクを参照)に従って基本を学べます。This tutorial will show you how to create the Product Recommendations recipe in a Jupyter Notebook by following the notebook to recipe workflow, and implementing the recipe in Experience Platform Data Science Workspace.

データスキーマ

このレシピは、カスタム XDM スキーマ を使用して、入出力データをモデル化します。

入力データスキーマ

フィールド名
タイプ
itemId
文字列
interactionType
文字列
timestamp
文字列
userId
文字列

出力データスキーマ

フィールド名
タイプ
recommendations
文字列
userId
整数

アルゴリズム

製品レコメンデーションレシピは、協調フィルタリングを利用して、顧客向け製品のレコメンデーションレシピのパーソナライズされたリストを生成します。コンテンツベースのアプローチとは異なり、協調フィルタリングは特定の製品に関する情報を必要とせず、一連の製品に対する顧客の過去の好みを利用します。この強力なレコメンデーション手法では、次の 2 つの単純な前提条件を使用します。
  • 同様の関心を持つ顧客がいて、購入行動と閲覧行動を比較することでグループ化できます。
  • 顧客は、購入行動や閲覧行動に関して、類似の顧客に基づくレコメンデーションに興味を持つ傾向が強くなります。
このプロセスは、2 つの主な手順に分かれています。まず、類似顧客のサブセットを定義します。次に、そのセット内で、顧客にレコメンデーションを返すために、顧客間で類似の機能をターゲットします。