Deep Learning für personalisierte Empfehlungen

Wie DLPR lernt

DLPR lernt aus der vollständigen Sequenz der Benutzeraktionen und nicht aus einzelnen Klicks und verwendet kollektive Verhaltensmuster, um Interaktionen zu prognostizieren.

Von Benutzer-Journeys, nicht mit einzelnen Klicks

Das Benutzerverhalten ist sequenziell. Das Anzeigen einer Kategorie führt zum Klicken auf einen Artikel, was zu einer Aktion führt, beispielsweise zum Hinzufügen zum Einkaufswagen oder zum Einlösen eines Angebots. DLPR behandelt die vollständige Journey als eine einzelne Lerneinheit.

Dieser Ansatz ähnelt dem, wie große Sprachmodelle das nächste Wort in einem Satz prognostizieren. Anhand des Interaktionsverlaufs eines Benutzers berechnet DLPR die Wahrscheinlichkeit, dass der Benutzer mit jedem Kandidatenelement interagiert. Sie lernt diese Wahrscheinlichkeiten aus den Such- und Kaufmustern aller Benutzer auf einer Site, nicht nur eines einzelnen Benutzers.

Vom kollektiven Verhalten

DLPR lernt nicht nur vom Pfad eines einzelnen Benutzers. Sie analysiert die Journeys aller Benutzer auf einer Site und identifiziert, welche Aktionssequenzen tendenziell zu welchen Ergebnissen führen. Jeder neue Benutzer profitiert von Mustern, die in Ihrer gesamten Benutzerbasis gelernt wurden.

Ausgerichtet auf Ihr Geschäftsziel

Bei der DLPR wird berücksichtigt, wie wahrscheinlich es ist, dass ein Benutzer mit einem Element interagiert, und wie viel dieses Element zu Ihrem Geschäftsziel beiträgt. Für ein Umsatzmaximierungsziel tragen Artikel, die einen höheren Auftragswert erzielen, mehr Gewicht. Das Ergebnis sind Empfehlungen, die sowohl persönlich relevant als auch auf Ihr Ziel abgestimmt sind.

Modelleingaben

DLPR lernt aus verschiedenen Quellen.

Engagementsignale

Interaktionen, die an Ihre Zielsetzung gebunden sind, beispielsweise Produktansichten und Käufe für einen Artikelempfehlungsempfänger oder Klicks und Einlösungen für einen Sonderangebotsempfehlungsempfänger. Interaktionssignale enthalten auch Benutzer-Intent-Indikatoren wie das Durchsuchen von Kategorien, Suchabfragen und was im Vergleich zu den Klicks angezeigt wurde. Jeder Empfehlende gibt DLPR einen anderen Satz an Engagementsignalen.

Katalogmetadaten

Elementattribute wie Titel, Beschreibung, Kategorie und Marke. Mit Katalogmetadaten kann DLPR Elemente nachvollziehen, die noch nicht über einen umfangreichen Interaktionsverlauf verfügen.

Modellausgabe

Für jeden Benutzer berechnet DLPR eine Darstellung, die die Journey des Benutzers zusammenfasst. Sie bewertet jedes Element im relevanten Katalog mit dieser Darstellung und gibt die wichtigsten Kandidaten zurück, sortiert nach einer kombinierten Wahrscheinlichkeits- und Belohnungsberechnung.

DLPR generiert während der Rückschlüsse Empfehlungen in Echtzeit und trainiert regelmäßig neu, um hinsichtlich Veränderungen im Benutzerverhalten und Katalogänderungen auf dem Laufenden zu bleiben.

Überlegungen zu DLPR-Empfehlungen

Die Empfehlungsqualität von DLPR hängt von den Engagementdaten ab, aus denen es gelernt hat, und davon, wie oft das Modell erneut trainiert wird. Machen Sie sich mit dieser Dynamik vertraut, damit Sie Erwartungen festlegen und Umschulungszyklen planen können.

• DLPR lernt anhand historischer Interaktionsdaten, um zu ermitteln, was das an Ihr Ziel gebundene Verhalten bestimmt, beispielsweise durch Sonderangebote ausgelöste Käufe. Wenn sich die zugrunde liegenden Daten ändern, beispielsweise eine Katalogüberholung, eine größere Kampagnenverschiebung oder neue Kaufmuster, nimmt das Modell Zeit in Anspruch, um sich an das anzupassen, was jetzt das gewünschte Verhalten antreibt. Die Empfehlungsqualität verbessert sich mit jedem Umschulungszyklus, während das Modell an die neuen Muster angepasst wird.
• DLPR trainiert erneut in einem geplanten Rhythmus. Die spezifische Häufigkeit variiert je nach Datenvolumen und Geschäftseinheitskonfiguration. Wenden Sie sich zum Ermitteln Ihres Aktualisierungsplans an Ihren Ansprechpartner bei Salesforce.