Vous êtes ici :
Fonctionnement des modèles de recommandation
Les Recommandations basées sur des objectifs utilisent le modèle Deep Learning for Personalized Recommendations (DLPR) pour fournir des recommandations personnalisées adaptées à vos objectifs métiers. La DLPR pilote chaque recommandation.
Comment les recommandations utilisent le DLPR
Un recommandé est ce que vous configurez pour répondre à un besoin de personnalisation spécifique, par exemple recommander des produits dans une page Web, présenter des offres dans un e-mail ou renvoyer des éléments dans une conversation Agentforce. Chaque recommandation définit :
- D'où proviennent ses données d'élément ou de catalogue
- D'où il tire les données de son profil client
- Quels engagements clients il utilise pour recueillir des données
- Quels filtres il utilise et comment il les applique aux résultats
- Utiliser une stratégie basée sur des règles ou une approche basée sur des objectifs
Lors de l'utilisation d'une recommandation basée sur un objectif, une requête entrante déclenche l'utilisation d'un modèle d'apprentissage machine pour calculer le score et classer les éléments personnalisés à renvoyer en tant que recommandations.
Le seul basculement automatique que le recommandeur effectue est entre le démarrage à froid et la personnalisation complète. Lorsque les recommandations ne contiennent pas suffisamment de données d'engagement, elles utilisent des stratégies de démarrage à froid basées sur le contenu du catalogue. Une fois les données accumulées, elles passent à la personnalisation complète.
Vous pouvez configurer des recommandations pour différents besoins de personnalisation. Exemples :
- Recommandations d'éléments qui utilisent des signaux d'engagement produit et votre catalogue de produits
- Recommandations de promotions qui utilisent des signaux d'engagement liés à l'offre et votre catalogue de promotions
- Recommandations basées sur l'intention qui utilisent l'intention conversationnelle comme signal avec l'historique d'engagement
Les signaux disponibles pour l'entraînement dépendent des flux dans Data 360 et des éléments que vous mappez avec le recommandeur.
Fondation du modèle de recommandation
Pour plus de cohérence, chaque recommandation partage un modèle de base commun.
- Formé uniquement sur vos données : Chaque recommandation reçoit une version personnalisée de DLPR entraînée uniquement sur vos données. Les données d'un client Salesforce n'affectent pas les performances des recommandations ou la sortie personnalisée d'un autre client Salesforce.
- Piloté par votre objectif métier : En définissant l'objectif, par exemple maximiser le chiffre d'affaires, augmenter les actions d'ajout au panier d'achat ou augmenter l'échange d'offres, le DLPR aligne sa sortie sur ce résultat.
- Amélioration continue : DLPR se réentraîne régulièrement. À mesure que les données d'engagement augmentent, les recommandations s'améliorent.
- Confidentialité par conception : DLPR n'utilise pas de données démographiques, d'informations d'identification personnelle en dehors des interactions d'engagement ou de données achetées auprès de tiers.
- Apprentissage profond pour les recommandations personnalisées
L'apprentissage profond pour les recommandations personnalisées (DLPR) est le modèle de base qui pilote chaque recommandation basée sur des objectifs que vous configurez. Il analyse la séquence d'actions d'engagement d'un utilisateur et prédit l'élément avec lequel l'utilisateur est le plus susceptible d'interagir ensuite, pondéré par l'objectif métier que vous avez défini. - Recommandations d'éléments
Une recommandation d'articles présente les articles de votre catalogue en fonction de l'historique d'engagement de chaque utilisateur. Un élément peut être un produit, un article, une fiche de propriété, un cours, un service ou toute autre entité que vous servez aux utilisateurs. Les recommandations d'éléments sont la configuration par défaut des recommandations personnalisées sur le Web, par e-mail, Agentforce et d'autres canaux. - Promotion et recommandations d'offres
Un recommandeur de promotion recommande les promotions, les offres ou les remises les plus pertinentes à chaque utilisateur. Le modèle sous-jacent est le même DLPR, mais en mappant différents signaux d'engagement avec le recommandeur, et en le classant par rapport à un autre catalogue. - Recommandations basées sur l'intention conversationnelle
Un recommandé conversationnel introduit la personnalisation dans Agentforce en interprétant en temps réel l'intention d'un utilisateur et en l'alimentant dans DLPR avec l'historique d'engagement. La conversation en direct devient un signal d'engagement principal. - Stratégies de démarrage à froid pour les recommandations
Le démarrage à froid décrit tout scénario dans lequel un recommandeur ne dispose pas de suffisamment de données d'engagement pour personnaliser en toute confiance. Le démarrage à froid est le seul basculement automatique que le recommandeur effectue. Chaque recommandation démarre en froid lorsque l'engagement est clairsemé et passe à la personnalisation complète à mesure que les données d'engagement s'accumulent.
