Exempelguide för förutsägelse av produktrekommendationer (förhandsversion)

[Denna artikel är en förhandsversion av dokumentationen och kan komma att ändras.]

Guiden leder dig genom komplett exempel på förutsägelse av produktrekommendation med hjälp av de exempeldata. Vi rekommenderar att du provar denna prediktion i en ny miljö.

Situation

Contoso är ett företag som tillverkar kaffe och kaffeautomater av hög kvalitet. De säljer produkterna via Contoso Coffees webbplats. Målet är att förstå vilka produkter de ska rekommendera till sina återkommande kunder. Om du vet vilka kunder som sannolikt kommer att köpa, kan du göra besparingar på marknadsföring genom att fokusera på specifika objekt.

Förutsättningar

• Åtminstone deltagarbehörigheter i Dynamics 365 Customer Insights - Data.

Uppgift 1 – Mata in data

Läs artiklarna om datainmatning och ansluta till en Power Query datakälla. Följande information förutsätter att du bekantat dig med inmatningsdata i allmänhet.

Mata in kunddata från e-handelsplattformen

1. Skapa en datakälla med namnet eCommerce och välj anslutningsprogrammet Text/CSV.

2. Ange URL för eCommerce: https://aka.ms/ciadclasscontacts.

3. Medan du redigerar data väljer du Transformera och sedan Använd första raden som rubriker.

4. Uppdatera datatypen för kolumnerna som anges nedan:

   • DateOfBirth: Datum
   • CreatedOn: Datum/Tid/Zon

   

5. I fältet Namn i fönstret till höger byter du namn på din datakälla till eCommerceContacts.

6. Spara datakällan.

Mata in inköpsdata online

1. Lägg till ytterligare en datauppsättning till samma e-handelskälla. Välj anslutningsprogrammet Text/CSV igen.

2. Ange URL för information om onlineköp https://aka.ms/ciadclassonline.

3. Medan du redigerar data väljer du Transformera och sedan Använd första raden som rubriker.

4. Uppdatera datatypen för kolumnerna som anges nedan:

   • PurchasedOn: Datum/tid
   • TotalPrice: Valuta

5. I fältet Namn i sidofönstret byter du namn på din datakälla från eCommercePurchases.

6. Spara datakällan.

Mata in kunddata från lojalitetsschema

1. Skapa en datakälla med namnet LoyaltyScheme och välj anslutningsprogrammet Text/CSV.

2. Ange URL:en för lojalitetskunder https://aka.ms/ciadclasscustomerloyalty.

3. Medan du redigerar data väljer du Transformera och sedan Använd första raden som rubriker.

4. Uppdatera datatypen för kolumnerna som anges nedan:

   • DateOfBirth: Datum
   • RewardsPoints: Heltal
   • CreatedOn: Datum/Tid

5. I fältet Namn i fönstret till höger byter du namn på din datakälla till loyCustomers.

6. Spara datakällan.

Uppgift 2 – Dataförening

Granska artikeln om datasamordning. Följande information förutsätter att du bekantat dig med datasamordning i allmänhet.

När data har förts in startar du dataprocessen för att skapa Unified customer profile. Mer information finns i Dataförening.

Beskriv de kunddata som ska samordnas

1. Efter inmatande av data mappar du kontakter från e-handels- och lojalitetsdata till vanliga datatyper. Gå till Data>Förena.

2. Välj de tabeller som representerar kundprofilen – eCommerceContacts och loyCustomers.

   

3. Välj ContactId som primärnyckel för eCommerceContacts och LoyaltyID som primärnyckel för loyCustomers.

4. Välj Nästa. Hoppa över dubblettposter och välj Nästa.

Definiera matchningsregler

1. Välj eCommerceContacts : eCommerce som den primära entiteten och ta med alla poster.

2. Välj loyCustomers : LoyaltyScheme och ta med alla poster.

3. Lägga till en regel:

   • Välj FullName för både eCommerceContacts och loyCustomers.
   • Välj Typ (Telefon, Namn, Adress, ...) för Normalisering.
   • Ange Precisionsnivå: Basic och Värde: Hög.

4. Lägg till ett andra villkor för e-postadressen:

   • Välj Email för både eCommerceContacts och loyCustomers.
   • Lämna Normalisera tomt.
   • Ange Precisionsnivå: Basic och Värde: Hög.
   • Ange FullName, Email för namn.

   

5. Välj Klart.

6. Välj Nästa.

Visa enhetlig data

1. Byt namn på ContactId för tabellen loyCustomers till ContactIdLOYALTY för att skilja det från det andra ID:t som inte finns.

2. Välj Nästa att granska och välj sedan Skapa kundprofiler.

Uppgift 3 – Skapa transaktionshistorik aktivitet

Läs artikeln om kundaktiviteter. Följande information förutsätter att du bekantat dig med skapa aktiviteter i allmänhet.

1. Skapa en aktivitet med tabellen eCommercePurchases:eCommerce.

2. Välj SalesOrderLine för Aktivitetstyp och PurchaseId för Primärnyckel.

3. Ange följande information för den nya aktiviteten:

   • Aktivitetsnamn: eCommercePurchases
   • TimeStamp: PurchasedOn
   • EventActivity: TotalPrice
   • Orderrad-ID: PurchaseId
   • Orderdata: PurchasedOn
   • Summa: TotalPrice

4. Skapa en relation mellan eCommercePurchases:eCommerce och eCommerceContacts:eCommerce med ContactID som sekundär nyckel för att ansluta de två tabellerna.

5. Granska ändringarna och välj sedan Skapa aktiviteter.

Uppgift 4 – Konfigurera förutsägelse av produktrekommendation

Med enhetlig kundprofiler på plats och skapad aktivitet köra produktrekommendationen prediktion.

1. Gå till Insikter>Prediktioner.

2. På fliken Skapa, välj Använd modell på panelenProduktrekommendationsmodell (förhandsversion).

3. Välj Komma igång.

4. Namnge modellen OOB modellförutsägelse av produktrekommendation och utdatatabellen OOBProductRecommendationModelPrediction.

5. Välj Nästa.

6. Definiera modellinställningar:

   • Antal produkter: 5 för att definiera hur många produkter du vill rekommendera till dina kunder.
   • Återkommande köp förväntas: Ja till att ta med tidigare köpta produkter i rekommendationen.
   • Titta bakåt i fönstret:365 dagar för att definiera hur långt modellen kommer att se tillbaka innan du rekommenderar en produkt igen.

   

7. Välj Nästa.

8. I Lägg till inköpshistorik, välj Lägg till data.

9. Välj SalesOrderLine och tabellen eCommercePurchases och välj Nästa. Data som krävs fylls i automatiskt från aktiviteten. Välj Spara och välj sedan Nästa.

10. Hoppa över steg Lägg till produktinformation och Produktfilter eftersom det inte finns några produktinformationsdata.

11. I steget Datauppdateringar välj Månadsvis för modellschemat.

12. Välj Nästa.

13. När du har granskat alla detaljer väljer du Spara och kör.

Uppgift 5 – Granska modellresultat och förklaringar

Låt modellen slutföra träningen och bedömningen av data. Granska förklaringar av modellen för produktrekommendationer.

Uppgift 6 – Skapa ett segment med ofta köpta produkter

När du kör modellen skapas en ny tabell som visas idatatabellernas>>utdata. Du kan skapa ett nytt segment baserat på tabellen som skapats av modellen.

1. Välj på resultatsidan Skapa segment.

2. Skapa en regel med tabellen OOBProductRecommendationModelPrediction och definiera segmentet:

   • Fält: ProductID
   • Värde: Välj de tre översta produkt-ID

3. Välj Spara och Kör segmentet.

Nu har du ett segment som uppdateras dynamiskt och identifierar de kunder som kan vara intresserade av att köpa de fem mest rekommenderade produkterna. Mer information finns i Skapa och hantera segment.

Nästa steg

• Förutsägelse av produktrekommendationer (förhandsversion)