Empfehlungsmodelle

Auf dieser Seite werden die von der Retail API bereitgestellten Empfehlungsmodelle mit ihren standardmäßigen Bereitstellungskonfigurationen und Optimierungszielen, den verfügbaren Anpassungen und den unterstützten Ereignistypen beschrieben.

Einführung

Wenn Sie sich für die Verwendung der Retail API registrieren, ermitteln Sie mit dem Einzelhandelssupport die besten Empfehlungsmodelle und -anpassungen, die für Ihre Website verwendet werden können. Die Modelle und Anpassungen, die Sie verwenden, hängen von Ihren Geschäftsanforderungen ab und davon, wo Sie die resultierenden Empfehlungen anzeigen möchten.

Wenn Sie Empfehlungen von der Retail API anfordern, stellen Sie der Ressource placement den Wert für die Bereitstellungskonfiguration bereit. Weitere Informationen zur Verwendung der Ressource placement zum Bereitstellen von Konfigurationen und zur Unterstützung für Placements, die zuvor von der Retail API zum Platzieren von Modellen verwendet wurden, finden Sie unter Auslieferungskonfigurationen. Die Bereitstellungskonfiguration bestimmt, welches Modell zum Zurückgeben Ihrer Empfehlungen verwendet wird. Sie können auch Ergebnisse filtern.

Typen von Empfehlungsmodellen

Die Retail API bietet die folgenden Empfehlungsmodelltypen:

Was Ihnen sonst noch gefallen könnte

Die Empfehlung „Andere, die Sie interessieren“ sagt das nächste Produkt vorher, mit dem Sie am wahrscheinlichsten interagieren oder eine Conversion ausführen. Die Vorhersage basiert auf dem Warenkorbverlauf und Aufrufverlauf des Nutzers und der Relevanz des Produktkandidaten für ein aktuell angegebenes Produkt.

Standardoptimierungsziel: Klickrate (Click-through-Rate, CTR)

Standardmäßige Bereitstellungskonfiguration: –

Verfügbare Anpassungen:

Unterstützte Seiten für die Modellbereitstellung:

Häufig zusammen gekauft (Warenkorberweiterung)

Die Empfehlung „Zusammen gekauft“ sagt voraus, welche Artikel häufig für ein bestimmtes Produkt in derselben Shopping-Sitzung gekauft werden. Wenn eine Produktliste angezeigt wird, werden Artikel vorhergesagt, die häufig mit dieser Produktliste gekauft werden.

Diese Empfehlung ist nützlich, wenn der Nutzer bereits die Absicht bekundet hat, ein bestimmtes Produkt (oder eine Liste von Produkten) zu kaufen, und Sie Ergänzungen (im Gegensatz zu Ersatzprodukten) empfehlen möchten. Diese Empfehlung wird normalerweise auf der Seite „In den Einkaufswagen legen“ oder auf den Seiten „Warenkorb“ oder „Kasse“ (für die Einkaufswagenerweiterung) angezeigt.

Standardoptimierungsziel: Umsatz pro Bestellung

Standardmäßige Bereitstellungskonfiguration: –

Verfügbare Anpassungen:

Unterstützte Seiten für die Modellbereitstellung:

Empfehlungen für mich

Die Empfehlung „Empfehlungen für dich“ sagt anhand des Einkaufs- oder Aufrufverlaufs dieses Nutzers und der kontextbezogenen Informationen von Anfragen wie Zeitstempeln das nächste Produkt voraus, das ein Nutzer am wahrscheinlichsten ansieht oder kauft. Diese Empfehlung wird normalerweise auf der Startseite verwendet.

Auch für dich empfohlen kann auf Kategorieseiten nützlich sein. Eine Kategorieseite ähnelt einer Startseite, mit der Ausnahme, dass nur Artikel aus dieser Kategorie angezeigt werden. Sie können dies mithilfe eines standardmäßig für Sie empfohlenen Modells mit Filter-Tags erreichen. Beispielsweise können Sie den Artikeln in Ihrem Katalog benutzerdefinierte Filter-Tags (entsprechend den einzelnen Kategorieseiten) hinzufügen. Legen Sie in der Vorhersageanfrage das Nutzerereignisobjekt als category-page-view fest und geben Sie im Feld filter das Tag einer bestimmten Kategorieseite an. Es werden nur Empfehlungsergebnisse zurückgegeben, die mit dem angeforderten Filter-Tag übereinstimmen. Die Diversität sollte in diesem Anwendungsfall deaktiviert werden, da Diversität mit kategoriebasierten Filter-Tags in Konflikt stehen kann.

Standardoptimierungsziel: Klickrate (Click-through-Rate, CTR)

Standardmäßige Bereitstellungskonfiguration: –

Verfügbare Anpassungen:

Unterstützte Seiten für die Modellbereitstellung:

  • Alle

Ähnliche Artikel

Die Empfehlung „Ähnliche Artikel“ sagt andere Produkte vorher, die größtenteils ähnliche Attribute wie das berücksichtigte Produkt haben. Diese Empfehlung wird normalerweise auf einer Produktdetailseite verwendet oder wenn ein empfohlenes Produkt nicht auf Lager ist.

Für das Modell „Ähnliche Artikel“ sind nur Informationen aus dem Produktkatalog erforderlich. Es sind keine Nutzerereignisse erforderlich.

Ähnliche Artikelmodelle können nicht optimiert werden.

Wir empfehlen, pro Projekt nur ein Modell für ähnliche Artikel zu erstellen. Da die Funktion „Ähnliche Artikel“ nicht anpassbar ist, erhalten Sie keine unterschiedlichen Empfehlungen und es können unnötige Kosten anfallen.

Standardoptimierungsziel: Klickrate (Click-through-Rate, CTR)

Standardmäßige Bereitstellungskonfiguration: –

Verfügbare Anpassungen: –

Unterstützte Seiten für die Modellbereitstellung:

Noch einmal kaufen

Das Modell „Noch einmal kaufen“ empfiehlt, basierend auf früheren wiederkehrenden Käufen wieder Artikel zu kaufen. Dieses personalisierte Modell sagt voraus, welche Produkte zuvor mindestens einmal gekauft wurden und in der Regel regelmäßig gekauft werden. Das Intervall, in dem ein Produkt vorgeschlagen wird, hängt vom Produkt und dem Websitebesucher ab. Empfehlungen aus diesem Modell können für jeden Seitentyp verwendet werden.

Beim Modell „Noch einmal kaufen“ werden Nutzerereignisse vom Typ „Kauf abgeschlossen“ verwendet.

Das Modell „Noch einmal kaufen“ kann nicht abgestimmt werden.

Wir empfehlen, pro Projekt nur ein „Noch einmal kaufen“-Modell zu erstellen. Da die Funktion „Noch einmal kaufen“ nicht anpassbar ist, erhalten Sie keine unterschiedlichen Empfehlungen und es können unnötige Kosten anfallen.

Standardoptimierungsziel: –

Standardmäßige Bereitstellungskonfiguration: –

Verfügbare Anpassungen: –

Unterstützte Seiten für die Modellbereitstellung:

  • Alle

Im Angebot

Der Modelltyp „Sonderangebot“ ist ein personalisiertes, auf Angeboten basierendes Modell, das preisreduzierte Produkte empfehlen kann. Mit diesem Modelltyp können Sie Nutzer zum Kauf rabattierter Artikel bewegen.

Wird normalerweise auf der Startseite, der Seite „In den Einkaufswagen“, der Einkaufswagenseite, der Kategorieseite und der Detailseite verwendet.

Standardmäßiges Optimierungsziel:Klickrate

Standardmäßige Bereitstellungskonfiguration: –

Verfügbare Anpassungen:

Unterstützte Seiten für die Modellbereitstellung:

Zuletzt angesehen

Die Empfehlung „Zuletzt angesehen“ stellt keine Empfehlung dar. Sie enthält die IDs der Produkte, mit denen der Nutzer/Besuch zuletzt interagiert hat. Die letzten Produkte werden zuerst angezeigt.

Standardoptimierungsziel: –

Standardmäßige Bereitstellungskonfiguration: recently_viewed_default

Verfügbare Anpassungen: –

Unterstützte Seiten für die Modellbereitstellung:

  • Alle

Optimierung auf Seitenebene

Mit der Optimierung auf Seitenebene wird die Recommendations AI von der Optimierung für ein einzelnes Empfehlungsfeld auf mehrere Seiten erweitert. Das Optimierungsmodell auf Seitenebene wählt automatisch den Inhalt für jedes Steuerfeld aus und bestimmt die Reihenfolge der Bereiche auf Ihrer Seite.

Beispielsweise sind Startseiten in der Regel mit Produkten gegliedert, die in Zeilen ähnlicher Kategorien angeordnet sind, beispielsweise Kategorien, Trendartikel oder kürzlich angesehene Produkte. Wenn Sie das Optimierungsmodell auf Seitenebene auf einer Startseite verwenden, kann der Endnutzer eine personalisierte Empfehlung erhalten, während er den Entscheidungsprozess für die Koordination von Modellkombinationen und Layouts für diese Seite automatisiert.

Wenn Sie ein Optimierungsmodell auf Seitenebene erstellen möchten, müssen Sie bereits Konfigurationen für die Empfehlungsbereitstellung mit trainierten Modellen haben. Beim Erstellen eines Optimierungsmodells auf Seitenebene geben Sie an, auf welcher Art von Seite Sie das Modell verwenden möchten, auf welche Einschränkungen die Bereitstellung ähnlicher Bereitstellungskonfigurationen angewendet werden soll, welches Geschäftsziel optimiert werden soll (CTR oder CVR), wie viele Empfehlungsbereiche angezeigt werden und welche Konfigurationen für die einzelnen Bereiche berücksichtigt werden sollen.

Wie bei anderen Modellen wird hier ein Prognoseaufruf mit einer Bereitstellungskonfiguration durchgeführt, die das Modell „Seitenoptimierung“ enthält. Anstelle von Empfehlungen enthält die Vorhersageantwort eine sortierte Liste von Bereitstellungskonfigurations-IDs, die die Bereitstellungskonfiguration für die einzelnen Bereiche angeben. Führen Sie dann einen neuen Vorhersageaufruf für jedes Feld mit der entsprechenden Bereitstellungskonfigurations-ID aus, die vom Optimierungsmodell auf Seitenebene zurückgegeben wurde. Die Vorhersageantwort für jeden Bereich enthält die Liste der empfohlenen Elemente, die in diesem Bereich angezeigt werden sollen.

Standardoptimierungsziel: –

Standardmäßige Bereitstellungskonfiguration: –

Verfügbare Anpassungen: –

Unterstützte Seiten für die Modellbereitstellung:

  • Alle

Optimierung für Geschäftsziele

Machine-Learning-Modelle werden erstellt, um ein bestimmtes Geschäftsziel zu optimieren, das bestimmt, wie das Modell erstellt wird. Für jede Modellplatzierung gilt ein standardmäßiges Optimierungsziel. Sie können jedoch ein anderes Optimierungsziel anfordern, um Ihre Geschäftsziele zu unterstützen, indem Sie sich an Ihren Supportmitarbeiter wenden.

Nachdem Sie ein Modell trainiert haben, können Sie das Optimierungsziel nicht mehr ändern. Sie müssen ein neues Modell trainieren, um ein anderes Optimierungsziel verwenden zu können.

Die Retail API unterstützt die folgenden Optimierungsziele.

Klickrate (Click-through-Rate, CTR)

Bei der Optimierung der CTR wird besonders die Interaktion hervorgehoben. Optimieren Sie die CTR, wenn Sie die Wahrscheinlichkeit maximieren möchten, dass der Nutzer mit der Empfehlung interagiert.

Die CTR ist das Standardoptimierungsziel für die Empfehlungsmodelltypen Sonstige, die Ihnen gefallen könnten und Für Sie empfohlen.

Umsatz pro Sitzung

Das Ziel zur Optimierung des Umsatzes pro Sitzung ist für die Empfehlungstypen Weitere, die Ihnen gefallen könnten, Für Sie empfohlen und Häufig erworbenes Produkt. Das Ziel funktioniert zwar bei jedem Modell unterschiedlich, das Ziel ist aber dasselbe, um den Umsatz zu steigern.

  • Für andere, die dir gefallen könnten und die dir empfohlen werden. Das Ziel kombiniert Informationen aus Klicks, Conversions und Artikelpreisen, um dem Modell Artikel mit höheren Preisen und einer höheren Wahrscheinlichkeit eines Kaufs zu empfehlen.

  • Für ein gemeinsames Kauf. Dieses Ziel wird so optimiert, dass Artikel mit höherer Wahrscheinlichkeit in den Einkaufswagen verschoben werden, was sich positiv auf den Umsatz auswirkt, da die Warenkorbgrößen erweitert werden.

Conversion-Rate (CVR)

Durch die Optimierung auf die Conversion-Rate hin wird die Wahrscheinlichkeit maximiert, dass der Nutzer den empfohlenen Artikel in den Einkaufswagen legt. Wenn Sie die Anzahl der Artikel erhöhen möchten, die pro Sitzung einem Einkaufswagen hinzugefügt werden, optimieren Sie anhand der Conversion-Rate.

Erweiterte Optionen für die Modellkonfiguration

Je nach Modelltyp gibt es einige weitere Modellkonfigurationsoptionen, mit denen Sie das Verhalten Ihres Modells ändern können.

Feinabstimmungseinstellung

Die Feinabstimmung sorgt für ein optimales Modelltraining, wenn sich die Eingabedaten im Laufe der Zeit ändern. Legen Sie fest, alle drei Monate automatisch optimiert wird, oder Sie können es ausschließlich manuell optimieren. Das Modell wird nach der Erstellung automatisch ein Mal optimiert. Weitere Informationen

Weitere Informationen zu den Optimierungskosten finden Sie unter Preise.

Verfügbare Bereitstellungskonfigurationen und -modelle

Bevor Sie Vorhersagen von Ihrem Modell anfordern können, müssen Sie mindestens eine Bereitstellungskonfiguration dafür erstellen. Weitere Informationen finden Sie unter Bereitstellungskonfigurationen erstellen.

Ihre Modelle werden auf der Seite Modelle aufgelistet. Klicken Sie auf einen Modellnamen, um die zugehörige Detailseite aufzurufen. Dort finden Sie die mit diesem Modell verknüpften Bereitstellungskonfigurationen.

Kontextprodukte

Beim Generieren einer Empfehlung werden in den Produkten die Produkte berücksichtigt, mit denen der Nutzer im Kontext des Empfehlungsbereichs bereits interagiert hat.

Diese kontextbezogenen Produkte werden im Text einer predict-Anfrage als Teil eines Nutzerereignisses übergeben. Wenn sich z. B. auf einer Einkaufswagenseite ein Empfehlungsbereich befindet, sollte jedes shopping-cart-page-view-Nutzerereignis, das eine predict-Anfrage auslöst, die Produkte enthalten, die sich zu diesem Zeitpunkt im Einkaufswagen befinden. Diese Produkte werden als Kontextprodukte für diese Empfehlung verwendet.

Wenn Sie ein Modell mit der Funktion „Häufig gekauft“ erstellen, geben Sie an, ob mit diesem Modell Empfehlungen für ein oder mehrere Elemente generiert werden sollen. Welche Option Sie auswählen, hängt davon ab, für welche Art von Seite Sie das Modell verwenden möchten.

  • Mehrere Kontextprodukte (Standard): Beim Modell „Gemeinsam gekauft“ können ein oder mehrere Produkte als Kontext für seine Empfehlungen verwendet werden. Dieser Anwendungsfall ist in der Regel für Einkaufswagenseiten hilfreich, die eine Vielzahl von kontextbezogenen Produkten enthalten, die die Empfehlung für die Auslieferung auf dieser Seite berücksichtigen können.

  • Einzelnes Kontextprodukt: Das Modell „Häufig erworben“ kann nur ein Kontextprodukt verwenden. Dieser Anwendungsfall bezieht sich in der Regel auf Seiten mit einem einzelnen Produkt, die als Kontext für Empfehlungen verwendet werden, z. B. Seiten zum Hinzufügen von Artikeln zum Einkaufswagen und Produktdetailseiten.

    Die Übergabe mehrerer Produkte in einer predict-Anfrage aus einem einzelnen Kontextprodukt mit der Funktion „Häufig gekauft“ schlägt fehl, obwohl es nicht empfohlen wird, da es möglicherweise nicht zu optimalen Empfehlungen führt.