Häufig gestellte Fragen zu Entscheidungen decisioning-faq

Ein Angebot wird begrenzt, sobald eine einzelne Bedingung erfüllt ist. Wenn mehrere Begrenzungsregeln vorhanden sind, wird das Angebot nicht mehr angezeigt, sobald eine Regel ihren Schwellenwert erreicht.

Beispiel:
Wenn Sie zwei Begrenzungsregeln für ein Angebot definieren:

• 5-mal pro Profil pro Woche
• 100-mal über alle Benutzer hinweg

Das Angebot wird einem Benutzer nicht mehr angezeigt, sobald er es fünf Mal in einer Woche gesehen hat, selbst wenn die Gesamtobergrenze von 100 noch nicht erreicht wurde. Wenn erst einmal 100 Impressions insgesamt erreicht sind, wird das Angebot nicht mehr für alle Benutzer angezeigt.

Weitere Informationen zu Begrenzungsregeln.

Beim Konfigurieren von KIModellen dienen sowohl Datensätze als auch Zielgruppen unterschiedlichen Zwecken.

• Datensätze: Erfasst Konversionsereignisse (Klicks, Bestellungen, Umsatz), die als Optimierungsziele für das Modell dienen.
• Zielgruppen: Sie dienen als Prädiktorvariablen, mit denen das Modell Empfehlungen basierend auf der Zugehörigkeit zu einem Kundensegment personalisieren kann.

Zielgruppen schränken den Umfang des Modells nicht ein und erweitern ihn nicht. Stattdessen bieten sie kontextuelle Attribute, die die Fähigkeit des Modells verbessern, personalisierte Prognosen über verschiedene Kundensegmente hinweg zu erstellen.

Beide Komponenten sind für eine effektive personalisierte Optimierungsmodelle Modellleistung erforderlich.

Das Modell mit automatischer Optimierung stellt Traffic zum nächstbesten verfügbaren Angebot bereit, basierend auf Traffic-Daten der letzten 14 Tage, unabhängig davon, ob das Modell mit personalisierter Optimierung Traffic-Daten der letzten 30 Tage verwendet.

Wenn mehrere Angebote gleichzeitig entfernt werden und die verbleibenden Angebote innerhalb des 14- oder 30-tägigen Fensters minimale Traffic-Daten haben, kann das Modell ein suboptimales Verhalten aufweisen, einschließlich zufälliger Verteilungsmuster oder Tendenzen zu Angeboten mit höheren Konversionsraten auf der Grundlage begrenzter Impression-Daten.

Best Practice: Wenn Sie Angebotssammlungen erheblich ändern, überprüfen Sie, ob die verbleibenden Angebote über ausreichende historische Leistungsdaten verfügen, um die Modelleffektivität aufrechtzuerhalten.

KI-Modelle identifizieren und beginnen mit dem Testen neu verfügbarer Angebote im nächsten Trainings-Zyklus:

• Automatische Optimierung identifiziert und beginnt mit dem Testen neuer Angebote im nächsten Schulungszyklus. Das Training zur automatischen Optimierung findet 3- bis 4-mal täglich, etwa alle 6 Stunden, statt.
• Personalisierte Optimierung identifiziert und beginnt mit dem Testen neuer Angebote, während sie zur Angebotsstrategie hinzugefügt werden. Sie werden in den zufälligen Explorations-Traffic einbezogen. Anschließend werden diese Angebote im nächsten Trainings-Zyklus des Modells personalisiert, der wöchentlich stattfindet.

Sobald sie identifiziert sind, beginnen beide Modelle sofort damit, einigen Besuchern die neuen Angebote zu unterbreiten, um ihre Leistung zu testen und Daten über ihre Effektivität zu sammeln.

Erfahren Sie mehr über automatische Optimierung und personalisierte ​).

Sowohl Modelle für die automatische Optimierung als auch für die personalisierte Optimierung verwenden eine „Explore-Exploit“-Strategie, bei der keine dedizierten Kontrollgruppen mehr erforderlich sind.

• Anfangsphase: Die Modelle beginnen mit einer 100%igen Untersuchung und testen verschiedene Angebote, um grundlegende Leistungsdaten zu ermitteln.
• Adaptive Optimierung: Wenn sich Verhaltensereignisse akkumulieren und die Prognosegenauigkeit steigt, gleichen Modelle automatisch Exploration und Exploitation aus.
• Fortlaufendes Lernen: Das System ordnet nach und nach leistungsstarken Angeboten mehr Traffic zu und testet gleichzeitig weiterhin Alternativen.

Dadurch wird ein kontinuierliches Lernen und eine Optimierung über den gesamten Traffic hinweg sichergestellt, ohne dass separate Kontrollgruppen erforderlich sind.

Adobe empfiehlt die folgenden Mindestschwellenwerte, um eine effektive Modellleistung sicherzustellen:

• 1.000 Impressionen pro Angebot/Artikel pro Woche
• 100 Konversionsereignisse pro Angebot/Element pro Woche

Standardmäßig versucht das System nicht, personalisierte Modelle für Angebote/Elemente mit weniger als 1.000 Impressionen oder 50 Konversionsereignissen zu erstellen.

Weitere Informationen zu Datenerfassungsanforderungen.

KI-Modelle bieten größere Personalisierungsvorteile, wenn sie für unterschiedliche Kundensegmente interessant sind. Wenn Angebote sich stark ähneln, sind zwei Ergebnisse typisch:

• Gleichwertige Leistung: Angebote funktionieren genauso und erhalten annähernd die gleiche Traffic-Verteilung.
• Dominantes Angebot: Geringfügige Unterschiede führen dazu, dass ein Angebot andere in allen Segmenten übertrifft und den Großteil des Traffics erfasst.

Best Practice: Entwerfen Sie Angebote mit aussagekräftiger Differenzierung, die mit unterschiedlichen Kundensegmentpräferenzen übereinstimmen, um die Effektivität des KI-Modells zu maximieren.

Traffic-Anomalien werden proportional innerhalb des 30-tägigen rollierenden Fensters in das Modell integriert, was für Modellstabilität bei temporären Traffic-Schwankungen sorgt. Kurzfristige Spitzen oder Rückgänge stören die Modellvorhersagen oder die Leistung nicht wesentlich.

Eine temporäre Traffic-Spitze (z. B. der doppelte tägliche Traffic) hat minimale Auswirkungen auf die Gesamtmodellleistung, da der anomale Traffic einen kleinen Bruchteil des 30-Tage-Datensatzes ausmacht.