产品推荐方法
产品Recommendations方法允许您根据客户的需求和兴趣提供量身定制的个性化产品推荐。 借助准确的预测模型,客户的购买历史记录可以让您深入了解他们可能感兴趣的产品。
这个配方是为谁设计的?
在现代,零售商可以提供多种产品,为客户提供大量选择,这也会阻碍客户的搜索。 由于时间和工作限制,客户可能无法找到所需的产品,从而导致购买时认知差异很高或根本不会购买。
这道菜有什么用?
产品Recommendations方法使用机器学习分析客户与过去产品的交互,并快速轻松地生成产品推荐的个性化列表。 这样可以优化产品发现过程,并消除对客户的长、低效、无关的搜索。 因此,产品Recommendations配方可以改善客户的整体购买体验,从而提高参与度和品牌忠诚度。
我该如何入门?
您可以按照Adobe Experience Platform实验室教程来开始操作(请参阅下面的实验室链接)。 本教程将演示如何按照以下步骤在Jupyter Notebook中创建产品Recommendations方法 笔记本到脚本 工作流,并在中实施方法 Experience Platform Data Science Workspace.
数据架构
此方法使用自定义 XDM架构 要对输入和输出数据进行建模,请执行以下操作:
输入数据架构
字段名称
类型
itemId
字符串
交互类型
字符串
timestamp
字符串
userId
字符串
输出数据架构
字段名称
类型
recommendations
字符串
userId
整数
算法
产品Recommendations方法利用协作筛选,为您的客户生成产品推荐的个性化列表。 与基于内容的方法不同,协作过滤不需要关于特定产品的信息,而是利用客户对一组产品的历史偏好。 这种强大的推荐技术使用两个简单的假设:
- 有些客户具有相似的兴趣,可通过比较其购买和浏览行为将其分组。
- 在购买和浏览行为方面,客户更可能对基于类似客户的推荐感兴趣。
此过程分为两个主要步骤。 首先,定义相似客户的子集。 然后,在该集内,确定这些客户中的类似功能,以便为目标客户返回推荐。
recommendation-more-help
cc79fe26-64da-411e-a6b9-5b650f53e4e9