Produktempfehlungen

Produktempfehlungen sind ein leistungsstarkes Marketinginstrument, mit dem Sie die Konversionsrate erhöhen, den Umsatz steigern und die Kundenbindung fördern können. Produktempfehlungen werden in Form von Einheiten wie “Kunden, die sich dieses Produkt angesehen haben, haben es sich auch angesehen” im Frontend angezeigt. Die Produktempfehlungen in Adobe Commerce werden von [Adobe Sensei] (https://www.adobe.com/sensei.html) unterstützt, das künstliche Intelligenz und Algorithmen des maschinellen Lernens einsetzt, um eine tiefgreifende Analyse der gesammelten Besucherdaten durchzuführen. Die Kombination dieser Daten mit Ihrem Katalog führt zu höchst ansprechenden, relevanten und personalisierten Erlebnissen für den Käufer.

Sie können Empfehlungen für Ihre Shop-Ansichten direkt über das Admin-Panel erstellen, verwalten und bereitstellen. Wenn Sie Ihr Frontend mit PWA Studio implementiert haben, lesen Sie die [PWA-Dokumentation] (https://magento.github.io/pwa-studio/product-recs).

Informationen zur Installation von Module für Produktempfehlungen finden Sie in der Entwicklerdokumentation.

Dashboard

Gehen Sie in der Seitenleiste von Admin auf Marketing > Promotions > Produktempfehlungen. Das Dashboard Produktempfehlungen wird angezeigt. Von hier aus können Sie eine neue Empfehlung erstellen oder eine bestehende Empfehlung bearbeiten.

Dieses Dashboard zeigt eine Tabelle der zuvor konfigurierten Empfehlungen (falls vorhanden) zusammen mit den Metriken an, die für diese Empfehlungen verfolgt werden. Sie können den Datumsfilter verwenden, um die Empfehlungen nach Letzte 24 Stunden, Letzte 7 Tage und Letzte 30 Tage zu verfeinern.

Verfügbare Empfehlungstypen

Siehe Empfehlungstypen, um mehr über die verfügbaren Empfehlungstypen in Adobe Commerce zu erfahren.

Trainingszeit für Machine Learning-Modelle

Einige Empfehlungstypen verwenden Verhaltensdaten Ihrer Kunden, um Modelle für maschinelles Lernen zu trainieren, die personalisierte Empfehlungen erstellen. Andere Empfehlungstypen verwenden nur Katalogdaten und keine Verhaltensdaten. Wenn Sie schnell beginnen möchten, können Sie die folgenden Empfehlungstypen verwenden, die nur Katalogdaten verwenden:

• Mehr wie diese
• Visuelle Ähnlichkeit

Ab wann können Sie also Empfehlungsarten verwenden, die Verhaltensdaten nutzen? Das kommt darauf an. Dies wird als Cold Start Problem bezeichnet.

Das Cold Start-Problem ist ein Maß für die Zeit, die ein Modell zum Trainieren benötigt, bevor es als qualitativ hochwertig angesehen werden kann. Bei Produktempfehlungen bedeutet dies, dass Sie warten müssen, bis Adobe Sensei seine Modelle für maschinelles Lernen trainiert hat, bevor Sie Empfehlungseinheiten auf Ihrer Website bereitstellen können. Je mehr Daten diese Modelle haben, desto genauer und nützlicher werden die Empfehlungen sein. Das Sammeln dieser Daten nimmt Zeit in Anspruch und hängt vom Verkehrsaufkommen ab. Da diese Daten nur auf einer Produktionsseite gesammelt werden können, ist es in Ihrem Interesse, die Datenerfassung dort so früh wie möglich einzusetzen. Sie können dies tun, indem Sie das Modul magento/production-recommendations installieren und konfigurieren.

Die folgende Tabelle enthält einige allgemeine Anhaltspunkte für die Zeit, die benötigt wird, um genügend Daten für jeden Empfehlungstyp zu sammeln:

Andere Variablen, die sich auf die für das Training benötigte Zeit auswirken können:

• Ein höheres Verkehrsaufkommen trägt zu einem schnelleren Lernen bei
• Einige Empfehlungstypen lernen schneller als andere
• Adobe Commerce berechnet die Verhaltensdaten alle vier Stunden neu. Obwohl Sie Ihre Empfehlungseinheiten technisch gesehen zu diesem Zeitpunkt bereitstellen können, sollten Sie wissen, dass die Empfehlungen umso genauer werden, je länger sie auf Ihrer Website verwendet werden.

Während die Daten in der Produktion gesammelt und die Modelle für maschinelles Lernen trainiert werden, können Sie die verbleibenden notwendigen Aufgaben implementieren, um die Empfehlungen auf Ihrer Website bereitzustellen. Wenn Sie mit dem Testen und Konfigurieren der Empfehlungen fertig sind, haben die maschinellen Lernmodelle genügend Daten gesammelt und berechnet, um relevante Empfehlungen zu erstellen, so dass Sie die Empfehlungen für Ihr Frontend bereitstellen können.

Bis genügend Trainingsdaten gesammelt wurden, verwendet Adobe Commerce backup recommendations, um Ihre Empfehlungseinheiten aufzufüllen.

Backup-Empfehlungen

Wenn nicht genügend Eingabedaten vorhanden sind, um alle angeforderten Empfehlungselemente in einer Einheit bereitzustellen, bietet Adobe Commerce Backup-Empfehlungen an, um diese Elemente zu füllen.

Wenn Sie z.B. den Empfehlungstyp Empfohlen für Sie auf Ihrer Homepage bereitstellen, hat ein Kunde, der zum ersten Mal auf Ihrer Website einkauft, nicht genügend Verhaltensdaten generiert, um genaue personalisierte Produkte zu empfehlen. In diesem Fall zeigt Adobe Commerce diesem Kunden Artikel auf der Grundlage des Empfehlungstyps Most viewed an.

Bei den folgenden Empfehlungstypen wird auf Most viewed zurückgegriffen, wenn nicht genügend Eingabedaten gesammelt wurden:

• Empfohlen für Sie

• Gesehen dies, gesehen das

• Dieses angesehen, jenes gekauft

• Dieses gekauft, jenes gekauft

• Trends

Platzierung von Produktempfehlungen

Sie können die Empfehlungen an einer der folgenden Stellen auf der Seite platzieren.

Einige Frontendseiten schränken ein, wo Sie die Empfehlungen platzieren können. Weitere Informationen hierzu finden Sie in der nachstehenden Tabelle.

• Oben im Hauptinhalt - Die Empfehlungen erscheinen oberhalb des Hauptinhaltsbereichs direkt unter der oberen Navigationsleiste.
• Unten im Hauptinhalt (Standard) - Die Empfehlungen erscheinen unter dem Hauptinhaltsbereich und vor anderen Inhaltsblöcken auf der Seite, wie z. B. Verwandte Produkte.

Unterstützte Empfehlungen für jede Frontendseite

In der folgenden Tabelle sind die Frontendseiten aufgeführt, auf denen Sie die Empfehlungen platzieren können, sowie die auf der jeweiligen Seite zulässigen Empfehlungstypen.