Προτάσεις προϊόντων

Η μηχανή προτάσεων του Joryio επιλέγει στοιχεία ανά πελάτη για τα email σας (και αργότερα για in-app μηνύματα και journeys). Είναι σκόπιμα διαφανής - εσείς αποφασίζετε από τι μαθαίνει:

• Πηγή στοιχείων - τα συγχρονισμένα προϊόντα καταστήματός σας (Shopify/WooCommerce) ή οποιοδήποτε Custom Entity περιέχει catalog.
• Σήματα εκπαίδευσης - ποια συμβάντα διδάσκουν τη μηχανή, το καθένα με weight (π.χ. purchase ×5, add_to_cart ×2, product_viewed ×1 - οποιαδήποτε συμβάντα, μαζί με προσαρμοσμένα). Η ιδιότητα item id property λέει στη μηχανή ποια event property φέρει το στοιχείο (π.χ. productId). Όταν event χρησιμοποιεί διαφορετική ιδιότητα (π.χ. ad_view με ad_id), ορίστε τη ανά σήμα - κάθε γραμμή σήματος έχει δική της προαιρετική ιδιότητα που παρακάμπτει την προεπιλογή μοντέλου.
• Selection (προαιρετικό) - για πηγές entity-catalog, επιλέξτε ένα selection για περιορισμό των στοιχείων που μπορεί να προτείνει το μοντέλο (π.χ. μόνο ένα brand ή τοποθεσία). Μόνο static filters - τιμές φίλτρων ανά παραλήπτη δεν μπορούν να επιλυθούν κατά το ranking. Ένα missing/broken selection επιστρέφει στο πλήρες catalog αντί να αφήνει το email κενό.
• Παράθυρο εκπαίδευσης και επιλογή να μην προτείνονται ποτέ στοιχεία που ο πελάτης έχει ήδη αγοράσει.

Πολλαπλά μοντέλα

Ένα workspace μπορεί να έχει πολλά ονομασμένα μοντέλα, καθένα με δικό του type, source και signals - δημιουργήστε τα στις Ρυθμίσεις → Recommendations και επιλέξτε ένα ανά product block στον email editor (Source: Recommended → Model). Ένα μοντέλο επισημαίνεται ως προεπιλεγμένο και χρησιμοποιείται όταν ένα block δεν επιλέγει μοντέλο.

Τύπος	Τι λαμβάνει κάθε παραλήπτης	Εκπαίδευση
Personalized	Στοιχεία που ταιριάζουν με τη δική τους πρόσφατη δραστηριότητα (item-to-item affinity)	Nightly + Train now
Most popular	Η ίδια λίστα bestseller για όλους, σταθμισμένη από τα signals σας	Nightly + Train now
Trending now	Τι είναι δημοφιλές τις τελευταίες 7 ημέρες	Καμία - υπολογίζεται ζωντανά
Recently viewed	Τα δικά τους πιο πρόσφατα στοιχεία (επιστρέφει σε Trending για νέους πελάτες)	Καμία - υπολογίζεται ζωντανά

Πώς μαθαίνει

Η εκπαίδευση (nightly για ενεργές ρυθμίσεις ή Train now) εκτελεί δύο περάσματα στη ροή συμβάντων: weighted popularity ανά στοιχείο και item-to-item affinity - ποια στοιχεία προσεγγίζουν μαζί οι ίδιοι πελάτες, κανονικοποιημένα ώστε τα niche pairs να μην πνίγονται από bestsellers.

Μάθηση από αποτελέσματα (v2 ranker)

Μόλις ένα μοντέλο έχει πραγματικά serving outcomes (προτάσεις που προβλήθηκαν → στοιχεία που αγοράστηκαν), δεύτερου σταδίου ranker εκπαιδεύεται nightly και αρχίζει να αναδιατάσσει τους υποψηφίους κάθε παραλήπτη με βάση τη μαθημένη πιθανότητα μετατροπής - «όταν δείχνουμε X σε πελάτες σαν αυτόν, το αγοράζουν». Περιλαμβάνει exploration slot ώστε νέα στοιχεία να έχουν δίκαιη ευκαιρία να κερδίσουν δεδομένα. Ο ranker ενεργοποιείται ανά μοντέλο μόνο αφού υπάρχουν αρκετά outcomes· μέχρι τότε (και όποτε δεν είναι προσβάσιμος) χρησιμοποιείται η τυπική ταξινόμηση της μηχανής, ώστε να μη χαλάει τίποτα. Οι αποστολές φέρουν flag που διακρίνει ranked από standard ordering, ώστε η απόδοσή τους να παραμένει συγκρίσιμη.

Analytics απόδοσης

Μόλις οι προτάσεις ενός μοντέλου αποσταλούν σε πραγματικές αποστολές, η σελίδα του εμφανίζει τις τελευταίες 30 ημέρες: πόσες προτάσεις served, σε πόσους recipients, το ποσοστό που clicked το μήνυμα που τις περιείχε και το ποσοστό που bought a recommended item μέσα σε 7 ημέρες από τη λήψη (αποδίδεται μέσω του platform event recommendation.served).

Πώς σερβίρει

Κατά την αποστολή, η πρόσφατη δραστηριότητα κάθε παραλήπτη ψηφίζει για σχετικά στοιχεία· πελάτες χωρίς ιστορικό λαμβάνουν τρέχοντα bestsellers. Ρυθμίστε το στις Ρυθμίσεις → Recommendations και έπειτα χρησιμοποιήστε το στο product block του email editor, επιλέγοντας Source: Recommended με πλήθος.