Show Menu
トピック×

商品の推奨レシピ

商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事に合わせてカスタマイズした、パーソナライズされた商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、顧客が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ているのですか。

現代では、小売業者は多数の商品をオファーでき、顧客に多くの選択肢を与え、顧客の検索に支障を来すこともあります。 時間と労力の制約により、顧客は望む製品を見つけられない場合があり、認知的不協和度が高い購入や購入がまったくない購入につながる場合があります。

このレシピは何をするのか。

製品のレコメンデーション手法では、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、商品の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、長期間に及ぶ、非生産的な、顧客に関係のない検索が排除されます。 その結果、商品レコメンデーションレシピは、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、ブランドへの忠誠度を強化できます。

使用を始めるにはどうすればよいですか。

「Adobe Experience Platform Lab」チュートリアル(以下の「Lab」リンクを参照)に従って作業を開始します。 このチュートリアルでは、 Jupyterノートブックを使用してレシピを作成する ノートブックをレシピワークフローに従い、Experience Platform Data Science Workspaceでレシピを実装することで、ジャプターノートブックでProduct Recommendationsレシピを作成する方法を示します。

データスキーマ

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

商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、顧客向けの商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生成します。 コンテンツベースのアプローチとは異なり、コラボレーションフィルタリングでは、特定の製品に関する情報は必要なく、一連の製品に関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。
  • 興味が似ている顧客もいて、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、購入や閲覧の行動に関して、類似の顧客に基づくレコメンデーションに興味を持つ可能性が高くなります。
このプロセスは、主に2つのステップに分類されます。 まず、類似する顧客のサブセットを定義します。 次に、そのセット内で、ターゲット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識別します。