Skip to content

AI 항목 추천 만들기

카탈로그에 있는 항목으로 AI 추천 엔진을 만드는 방법을 알아보세요.

AI 항목 추천 정보

AI 품목 추천을 사용하여 가장 인기 있는 제품을 계산하거나 특정 카탈로그에 대한 개인화된 AI 추천을 생성할 수 있습니다. 추천을 생성한 후 개인화를 사용하여 해당 제품을 메시지에 삽입할 수 있습니다.

AI 항목 추천 생성

Prerequisites

시작하기 전에 다음을 완료해야 합니다.

  • 아래에 설명된 권장 사항 유형을 사용하려면 카탈로그가 하나 이상 있어야 합니다.
  • Braze에 저장된 고유 제품 ID에 대한 참조가 포함된 구매 또는 이벤트 데이터(커스텀 이벤트 또는 구매 객체)가 있어야 합니다.

1단계: 새 추천 만들기

대시보드의 어느 위치에서나 AI 아이템 추천을 생성할 수 있습니다:

  1. 분석 > AI 항목 추천으로 이동합니다.
  2. 예측 생성 > AI 항목 추천을 선택합니다.

개별 카탈로그에서 직접 추천을 생성하도록 선택할 수도 있습니다. 카탈로그 페이지에서 카탈로그를 선택한 다음, 추천 생성을 선택합니다.

2단계: 추천 세부 정보 추가

추천에 이름과 선택적 설명을 제공하세요.

"이름 및 설명 필드가 있는 '추천 세부 정보' 단계

3단계: 추천 정의

추천 유형을 선택합니다. 각 유형은 구매 또는 사용자 지정 이벤트 데이터와 같은 지난 6개월간의 아이템 상호 작용 데이터를 사용합니다. 각 유형에 대한 자세한 정보와 사용 사례는 유형 및 사용 사례를 참조하세요.

3.1 단계: 이전 구매 또는 상호 작용 제외 (선택 사항)

사용자가 이미 구매했거나 상호작용한 항목을 추천하지 않으려면 사용자가 이전에 상호작용한 항목을 추천하지 않음을 선택하세요. 이 옵션은 추천 유형AI 개인화로 설정된 경우에만 사용할 수 있습니다.

'추천 정의' 단계에서 'AI 개인화'를 유형으로 선택하고 '사용자가 이전에 상호 작용한 항목 추천하지 않음' 옵션을 선택합니다.

이 설정은 추천이 최근에 업데이트된 경우 사용자가 이미 구매했거나 상호작용한 항목을 메시지가 재사용하지 않도록 방지합니다. 추천 업데이트 사이에 구매하거나 상호작용한 항목은 여전히 나타날 수 있습니다. 항목 추천의 무료 버전에서는 업데이트가 매주 이루어집니다. AI 항목 추천의 프로 버전에서는 업데이트가 24시간마다 이루어집니다.

예를 들어, AI 항목 추천의 프로 버전을 사용할 때 사용자가 무언가를 구매하고 30분 이내에 마케팅 이메일을 받으면 방금 구매한 항목이 이메일에서 제때 제외되지 않을 수 있습니다. 그러나 24시간 후에 보낸 메시지에는 해당 항목이 포함되지 않습니다.

3.2 단계: 카탈로그 선택

아직 채워져 있지 않은 경우 이 권장 사항에서 항목을 가져올 카탈로그를 선택합니다.

3.3 단계: 선택 항목 추가(선택 사항)

추천에 대한 더 많은 제어를 원하시면, 선택를 선택하여 커스텀 필터를 적용하세요. 선택 항목은 카탈로그의 특정 열, 예를 들어 브랜드, 크기 또는 위치에 따라 추천을 필터링합니다. Liquid이 포함된 선택 항목은 추천에 사용할 수 없습니다.

추천을 위해 선택된 '재고 있음' 선택의 예.

4단계: 상호작용을 선택하여 추천을 유도하세요

최적화할 이벤트를 선택하세요. 이 이벤트는 일반적으로 구매이지만 항목과의 모든 상호 작용일 수도 있습니다.

다음을 위해 최적화할 수 있습니다.

  • 구매 객체가 있는 구매 이벤트
  • 커스텀 이벤트는 구매를 나타냅니다
  • 제품 조회, 클릭 또는 미디어 재생과 같은 기타 항목 상호작용을 나타내는 커스텀 이벤트

커스텀 이벤트을 선택하면 목록에서 이벤트를 선택하세요.

현재 이벤트 추적 방법으로 '구매 완료' 사용자 지정 이벤트가 선택되어 있습니다.

5단계: 해당 속성 이름을 선택하세요{#property-name}

추천을 생성하려면 상호작용 이벤트(구매 객체 또는 커스텀 이벤트)의 어느 필드가 카탈로그의 항목 id 필드와 일치하는 고유 식별자인지 Braze에 알려야 합니다. 확실하지 않나요? 요구 사항을 보세요.

이 필드를 속성정보 이름에 대해 선택하세요.

속성정보 이름 필드는 SDK를 통해 Braze로 전송된 필드 목록으로 미리 채워집니다. 충분한 데이터가 제공되면 이러한 속성도 올바른 속성정보일 확률에 따라 순위가 매겨집니다. 카탈로그의 id 필드에 해당하는 것을 선택하세요.

카탈로그의 품목 ID에 해당하는 속성 이름 '구매_품목'이 선택되었습니다.

요구 사항

속정정보를 선택하기 위한 몇 가지 요구 사항이 있습니다.

  • 선택한 카탈로그의 id 필드에 매핑해야 합니다.
  • 구매 객체를 선택한 경우: product_id 또는 상호작용 이벤트의 properties 필드여야 합니다.
  • 커스텀 이벤트를 선택한 경우: 커스텀 이벤트의 properties 필드여야 합니다.
  • 중첩 필드는 속성정보 이름 드롭다운에 점 표기법으로 event_property.nested_property 형식으로 입력해야 합니다. 예를 들어, 이벤트 속성정보 location 내의 중첩 속성정보 district_name을 선택하는 경우 location.district_name을 입력합니다.
  • 필드는 제품 배열 안에 있거나 ID 배열로 끝날 수 있습니다. 두 경우 모두 각 제품 ID는 동일한 타임스탬프를 가진 별도의 순차적 이벤트로 취급됩니다.

예시 매핑

다음 예제 매핑은 모두 이 샘플 카탈로그를 참조합니다.

ID 제목 가격
ADI-BL-7 아디다스 블랙 사이즈 7 100.00 USD
ADI-RD-8 아디다스 레드 사이즈 8 100.00 USD
ADI-WH-9 아디다스 화이트 사이즈 9 100.00 USD
ADI-PP-10 아디다스 보라색 사이즈 10 75.00 USD

예를 들어, 고객이 결제하기 전에 유사한 제품을 추천할 수 있도록 added_to_cart 커스텀 이벤트를 사용하고 싶다고 가정해 보겠습니다. 이벤트 added_to_cart에는 product_sku의 이벤트 속성정보가 있습니다.

그런 다음 product_sku 속성정보에는 샘플 카탈로그의 id 열에서 적어도 하나의 값을 포함해야 합니다. “ADI-BL-7”, “ADI-RD-8”, “ADI-WH-9”, 또는 “ADI-PP-10”. 모든 카탈로그 항목에 이벤트가 필요하지는 않지만, 추천 엔진이 작업할 수 있는 충분한 콘텐츠를 갖추기 위해 일부는 필요합니다.

예시 커스텀 이벤트 객체

이 이벤트에는 "product_sku": "ADI-BL-7"이 있으며, 이는 샘플 카탈로그의 첫 번째 항목과 일치합니다.

1
2
3
4
5
6
7
8
9
10
11
12
13
{
  "events": [
    {
      "external_id": "user1",
      "app_id": "your-app-id",
      "name": "added_to_cart",
      "time": "2024-07-16T19:20:30+01:00",
      "properties": {
        "product_sku": "ADI-BL-7"
      }
    }
  ]
}
제품 배열이 포함된 사용자 지정 이벤트 객체 예시

이벤트 속성에 배열에 여러 제품이 포함된 경우 각 제품 ID는 별도의 순차적 이벤트로 처리됩니다. 이 이벤트는 products.sku 속성을 사용하여 샘플 카탈로그의 첫 번째 및 세 번째 항목과 일치시킬 수 있습니다.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
{
  "events": [
    {
      "external_id": "user1",
      "app_id": "your-app-id",
      "name": "added_to_cart",
      "time": "2024-07-16T19:20:30+01:00",
      "properties": {
        "transaction_id": "2ff3f9a9-8803-4c3a-91da-14adbf93dc99",
        "products": [
          { "sku": "ADI-BL-7" },
          { "sku": "ADI-WH-9" }
        ]
      }
    }
  ]
}
제품 ID 배열을 포함하는 중첩된 객체가 있는 사용자 지정 이벤트 객체 예시

제품 ID가 객체가 아닌 배열의 값인 경우 동일한 표기법을 사용할 수 있으며 각 제품 ID는 별도의 순차적 이벤트로 처리됩니다. 샘플 카탈로그의 첫 번째 및 세 번째 항목과 일치하도록 속성을 purchase.product_skus 으로 구성하여 다음 이벤트에서 중첩된 개체와 유연하게 결합할 수 있습니다.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
{
  "events": [
    {
      "external_id": "user1",
      "app_id": "your-app-id",
      "name": "added_to_cart",
      "time": "2024-07-16T19:20:30+01:00",
      "properties": {
        "transaction_id": "13791e08-7c22-4f6c-8cc6-832c76af3743",
        "purchase": {
          "product_skus": ["ADI-BL-7", "ADI-WH-9"]
        }
      }
    }
  ]
}

구매가 이루어지면 구매 객체가 API를 통해 전달됩니다.

매핑의 관점에서, 구매 객체에 대해서도 커스텀 이벤트와 유사한 논리가 적용되지만, 구매 객체의 product_id를 사용할지 properties 객체의 필드를 사용할지 선택할 수 있습니다.

기억하세요, 모든 카탈로그 항목에 이벤트가 필요하지는 않지만, 추천 엔진이 작업할 수 있는 충분한 콘텐츠를 갖추기 위해 일부는 필요합니다.

제품 ID에 매핑된 구매 예시 객체

이 이벤트에는 "product_id": "ADI-BL-7이 있으며, 이는 카탈로그의 첫 번째 항목에 매핑됩니다.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
{
  "purchases": [
    {
      "external_id": "user1",
      "app_id": "11ae5b4b-2445-4440-a04f-bf537764c9ad",
      "product_id": "ADI-BL-7",
      "currency": "USD",
      "price": 100.00,
      "time": "2024-07-16T19:20:30+01:00",
      "properties": {
        "color": "black",
        "checkout_duration": 180,
        "size": "7",
        "brand": "Adidas"
      }
    }
  ]
}
속성 필드에 매핑된 예제 구매 객체

이 이벤트는 카탈로그의 두 번째 항목에 매핑되는 "sku": "ADI-RD-8" 속성정보를 가지고 있습니다.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
{
  "purchases": [
    {
      "external_id": "user1",
      "app_id": "11ae5b4b-2445-4440-a04f-bf537764c9ad",
      "product_id": "shoes",
      "currency": "USD",
      "price": 100.00,
      "time": "2024-07-16T19:20:30+01:00",
      "properties": {
        "sku": "ADI-RD-8",
        "color": "red",
        "checkout_duration": 180,
        "size": "8",
        "brand": "Adidas"
      }
    }
  ]
}

6단계: 추천 훈련시키기

준비가 되면 추천 생성을 선택하세요. 이 과정은 완료하는 데 10분에서 36시간이 걸릴 수 있습니다. 추천이 성공적으로 학습되었거나 생성이 실패한 이유에 대한 설명이 있을 경우, 이메일 업데이트를 받게 됩니다.

예측 페이지에서 추천을 찾을 수 있으며, 필요에 따라 편집하거나 보관할 수 있습니다. 추천은 매주(유료) 또는 매월(무료) 한 번씩 자동으로 재교육됩니다.

요금제별 기능

다음 표는 AI 개인화된, 인기 있는, 트렌딩 추천 유형의 무료 및 프로 버전 간의 차이점을 설명합니다.

지역 무료 버전 프로 버전
사용자 업데이트 빈도1 주별 일별
모델 재훈련 빈도 월별 주별
최대 추천 모델 유형당 1개 모델2 유형별 100개 모델2

1. 사용자별 항목 추천이 업데이트되는 빈도입니다(모델이 재훈련될 때 업데이트되는 가장 인기 있는 항목 제외). 예를 들어, 사용자가 AI 항목 추천을 기반으로 추천된 항목을 구매하면, 추천된 항목은 이 빈도에 따라 업데이트됩니다.
2. 사용 가능한 추천 유형은 AI 개인화된, 가장 최근, 가장 인기 있는, 그리고 트렌딩입니다.

자주 묻는 질문(FAQ)

“가장 인기 있음” 항목이 다른 모델의 추천에 섞이는 원인은 무엇입니까?

Braze의 추천 엔진이 목록을 큐레이트할 때, 먼저 선택한 특정 모델에 따라 개인화된 선택을 우선시합니다. 예를 들어 “가장 최근” 또는 “AI 개인화”과 같은 모델입니다. 이 모델이 어떤 이유로든 30개의 추천 목록을 완성할 수 없는 경우, 모든 사용자들 사이에서 가장 인기 있는 항목 중 일부가 추가되어 각 사용자가 항상 완전한 추천 세트를 갖도록 합니다.

이것은 몇 가지 특정 조건에서 발생합니다:

  • 모델은 사용자의 기준에 맞는 항목을 30개 미만으로 찾습니다.
  • 관련 항목은 더 이상 사용 가능하거나 재고가 없습니다.
  • 항목이 현재 선택 기준을 충족하지 않으며, 이는 재고 변경 또는 사용자 선호도 변경 때문일 수 있습니다.

Do existing recommendations train weekly after upgrading to Item Recommendations Pro?

예, 하지만 다음 예정된 업데이트 이후에만 가능합니다. 기존 권장 사항은 항목 권장 사항 프로로 업그레이드하는 즉시 주간 교육 및 일일 예측으로 전환되지 않습니다. 그러나 다음 재교육 주기에는 새 일정이 자동으로 적용됩니다. 예를 들어 2월 1일에 마지막으로 훈련된 추천이 30일마다 재훈련되도록 설정된 경우, 3월 2일 다음 업데이트 이후 새로운 주간 일정을 적용합니다.

이 페이지가 얼마나 도움이 되었나요?
New Stuff!