Skapa och utbilda rekommendationer för personanpassning i Salesforce

Salesforce Personanpassning i Marketing Cloud Next skapar flerkanaliga, fokuserade och individuella rekommendationer baserat på djupa, digitala och offlinedata om beteende och verksamhetssammanhang. För att skapa personliga rekommendationer konfigurerar du en rekommenderare och utbildar den med hjälp av Data 360 Datagrafer som du väljer.

• Maskininlärning för målbaserade rekommendationer
  Rekommendationssystemet Salesforce Personalization använder maskininlärning och AI för att analysera användarbeteenden tillsammans med data från Datagrafer för profiler och objekt. Systemet förutsäger sedan användaråtgärder som stöder verksamhetsmål, till exempel att öka intäkterna eller minska antalet avbrutna prenumerationer. När du förstår hur systemet fungerar kan du tillhandahålla lämpliga inmatningar som påverkar inlärningen och leder till bättre rekommendationer.
• Välja en rekommendationstyp
  Rekommendationstypen definierar metoden som rekommendationen använder för att tillhandahålla innehåll. Du kan välja antingen målbaserade rekommendationer eller regelbaserade rekommendationer. Målbaserade rekommendationer använder en djupinlärningsmodell för att skapa personliga, riktade rekommendationer för en individ. Regelbaserade rekommendationer använder verksamhetslogik för att matematiskt avgöra en lista över rekommendationer baserat på beräknade insikter i Data 360. För båda rekommendationstyperna kan du lägga till filter för att inkludera eller utesluta objekt.
• Konfigurera en rekommendation
  En rekommenderare presenterar personliga rekommendationer för besökare baserat på den rekommendationstyp och de kriterier du väljer.
• Lägg till rekommendationsfilter
  Använd filter för att styra exakt vilka objekt som visas i dina rekommendationer.
• Filtrera rekommendationer med dynamiska sammanhangsvariabler
  Inkludera eller exkludera objekt baserat på de dynamiska variabler som skickas när en användare gör en personanpassningsbegäran. Du kan till exempel konfigurera ett filter så att det inkluderar objekt som matchar kategorivärdet som skickas i personanpassningsbegäran.
• Operatorer för rekommendationsfilter
  Välj lämplig operator för att jämföra katalogfält mot statiska värden, kundprofilattribut eller sessionssammanhang för att förfina rekommendationslogik.
• Filtrera objekt med operatoren Är underuppsättning
  Skapa strikta regler för berättigande innan du visar en rekommendation eller ett erbjudande.
• Simulera en rekommendation
  När du har skapat en rekommenderare och utbildat den kan du förhandsgranska rekommendationer för specifika användare och för de objekt som användaren visar när rekommendationerna presenteras. Genom att förhandsgranska rekommendationsresultaten kan du verifiera simuleringen innan du publicerar rekommendationen.
• Exempel på konfiguration av samköpt rekommendation med filter med flera dimensioner
  Använd beräknade insikter och kraften hos filter för att konfigurera en rekommenderare att skapa en lista över produkter som ofta har köpts tillsammans.
• Utbildning av en personanpassningsrekommendation
  Efter att du har skapat en personanpassningsrekommendation använder den Customer 360 data från de valda Datagraferna för att börja utbilda. Du kan följa utbildningen i rekommendationsposten.