Benutzerdefinierte Datenwissenschaft für den Blueprint zur Profilanreicherung
Der Blueprint Benutzerdefinierte Datenwissenschaft für die Profilanreicherung veranschaulicht, wie Daten zum Trainieren, Bereitstellen und Bewerten von Modellen verwendet werden können, um Einblicke in maschinelles Lernen in Experience Platform und die Real-Time Customer Data Platform aus Datenwissenschaft und Tools für maschinelles Lernen zu bieten.
Modellierte Einblicke können in Experience Platform aufgenommen werden, um das Echtzeit-Kundenprofil zu bereichern. Beispiele für ML-Erkenntnisse sind Lebenszeitwertbewertung, Produkt- und Kategorieaffinität, Konversions- oder Abwanderungsneigung.
Anwendungsfälle
- Extrahieren Sie Erkenntnisse und entdecken Sie Muster in Kundendaten und trainieren und bewerten Sie Modelle anhand dieser Daten.
- Anreichern des Echtzeit-Kundenprofils mit modellgestützten Erkenntnissen und Attributen für detailliertere Personalisierung und Journey-Optimierung.
- Trainieren und Bewerten von Modellen, um Kundenerkenntnisse wie Kunden-Lebenszeitwert, Konversions- oder Abwanderungsneigung, Produkt- und Content-Affinität und Interaktionswerte zu ermitteln.
Architektur
Leitlinien
- Detaillierte Informationen zu Leitplanken und End-to-End-Latenzen bei der Aufnahme datenwissenschaftlicher Ergebnisse in Experience Platform und das Echtzeit-Kundenprofil finden Sie in den Leitplanken für die Datenaufnahme und im Latenzdiagramm, auf das im Dokument Bereitstellungsleitplanken“ verwiesen .
Überlegungen bei der Implementierung
- In den meisten Fällen muss das Modellergebnis als Profilattribute und nicht als Erlebnisereignisse erfasst werden. Bei den Modellergebnissen kann es sich um einfache Attributzeichenfolgen handeln. Wenn mehrere Modellergebnisse aufgenommen werden sollen, wird empfohlen, ein Feld vom Typ Array oder Zuordnung zu verwenden.
- Der tägliche Datensatz mit dem Profil-Schnappschuss, der einen täglichen Export der einheitlichen Profilattributdaten darstellt, kann genutzt werden, um Modelle für Profilattributdaten zu trainieren. Die Dokumentation zu Profildatensätzen ist hier verfügbar.
Verwandte Dokumentation
Verwandte Blog-Posts
- Content- und Commerce-KI: Personalisierung der Interaktionen mit Kunden anhand von Content Intelligence
- Ein einführender Blick auf die explorative Datenanalyse in Adobe Experience Platform
- Nutzung verschiedener Adobe Experience-Produkte mit maschinellem Lernen für bessere Kundenerlebnisse
- Segmentation.AI: Automated Audience-Clustering-as-a-Service in Adobe Experience Platform
recommendation-more-help
045b7d44-713c-4708-a7a6-5dea7cc2546b