Deep Learning voor gepersonaliseerde aanbevelingen

Hoe DLPR leert

DLPR leert van de volledige reeks gebruikersacties, niet geïsoleerde klikken, met behulp van collectieve gedragspatronen om betrokkenheid te voorspellen.

Van gebruikersjourneys, niet van enkelvoudige klikken

Gebruikersgedrag is sequentieel. Het weergeven van een categorie leidt tot het klikken op een item, wat leidt tot een actie zoals toevoegen aan winkelwagentje of inwisselen van een aanbieding. DLPR behandelt de volledige journey als één eenheid van leren.

Deze benadering lijkt op de manier waarop grote taalmodellen (LLM's) het volgende woord in een zin voorspellen. Op basis van de betrokkenheidshistorie van een gebruiker berekent DLPR de waarschijnlijkheid dat de gebruiker betrokken raakt bij elk kandidaatitem. Deze waarschijnlijkheden worden geleerd van de blader- en aankooppatronen van alle gebruikers op een site, niet alleen van een afzonderlijke gebruiker.

Van collectief gedrag

DLPR leert niet van slechts één gebruikerspad. Het analyseert de journeys van alle gebruikers op een site en identificeert welke reeksen acties doorgaans tot welke uitkomsten leiden. Elke nieuwe gebruiker profiteert van patronen die u binnen uw gehele gebruikersbestand leert.

Afgestemd op uw bedrijfsdoel

DLPR houdt rekening met zowel de kans dat een gebruiker betrokken raakt bij een item als de mate waarin dat item bijdraagt aan uw bedrijfsdoelstelling. Items die een hogere orderwaarde stimuleren, wegen zwaarder. Het resultaat is aanbevelingen die zowel persoonlijk relevant zijn als aansluiten op uw doel.

Modelinvoer

DLPR leert van verschillende bronnen.

Betrokkenheidssignalen

Interacties die zijn gekoppeld aan uw doelstelling, zoals productweergaven en aankopen voor een itemaanbeveler, of klikken en inwisselingen aanbieden voor een aanbeveling voor een speciale actie. Betrokkenheidssignalen omvatten ook intentindicatoren van gebruikers, zoals bladeren door categorieën, zoekquery's en wat er is getoond ten opzichte van wat er is geklikt. Elke aanbeveler geeft DLPR een andere set betrokkenheidssignalen.

Metagegevens catalogus

Itemkenmerken zoals titel, beschrijving, categorie en merk. Catalogusmetagegevens geven DLPR inzicht in items die nog geen rijke betrokkenheidshistorie hebben.

Uitvoer van model

Voor elke gebruiker berekent DLPR een representatie die de journey van de gebruiker samenvat. Het scoort elk item in de relevante catalogus op basis van die weergave en retourneert de beste kandidaten, gerangschikt op een gecombineerde berekening van waarschijnlijkheid en beloning.

DLPR genereert aanbevelingen in real-time tijdens gevolgtrekkingen en wordt regelmatig opnieuw getraind om op de hoogte te blijven van verschuivingen in gebruikersgedrag en cataloguswijzigingen.

Overwegingen bij DLPR-aanbevelingen

De kwaliteit van aanbevelingen van DLPR is afhankelijk van de betrokkenheidsgegevens waaruit het model heeft geleerd en hoe vaak het model opnieuw traint. Krijg inzicht in deze dynamiek zodat u verwachtingen kunt stellen en omscholingscycli kunt plannen.

• DLPR leert van historische betrokkenheidsgegevens om vast te stellen wat de drijfveer is voor het gedrag dat is gekoppeld aan uw doel, zoals aankopen die worden geactiveerd door speciale acties. Wanneer de onderliggende gegevens veranderen, zoals een catalogusrevisie, een grote campagneverschuiving of nieuwe kooppatronen, heeft het model tijd nodig om zich aan te passen aan wat nu de gewenste werking aanstuurt. De kwaliteit van aanbevelingen verbetert met elke omscholingscyclus naarmate het model zich aanpast aan de nieuwe patronen.
• DLPR traint opnieuw met een geplande cadans. De specifieke frequentie varieert op basis van gegevensvolume en configuratie van bedrijfseenheden. Neem voor het vinden van uw vernieuwingsplanning contact op met uw Salesforce-vertegenwoordiger.