Blueprint: Benutzerdefinierte Datenwissenschaft für Profilanreicherung

In der Blueprint „Benutzerdefinierte Datenwissenschaft für Profilanreicherung“ wird veranschaulicht, wie Daten aus Adobe Experience Platform in Data Science Workspace zum Trainieren, Bereitstellen und Bewerten von Modellen verwendet werden können, um ML-Erkenntnisse zu gewinnen. Diese Modelle können direkt auf einen Datensatz angewendet werden, der für ein Echtzeit-Kundenprofil aktiviert ist, um Kundenprofile anzureichern. Diese Erkenntnisse können dann zur Personalisierung verwendet werden. Beispiele für ML-Erkenntnisse sind Lebenszeitwertbewertung, Produkt- und Kategorieaffinität, Konversions- oder Abwanderungsneigung.

Anwendungsfälle

  • Extrahieren von Erkenntnissen und Aufdecken von Mustern mit Kundendaten in Experience Platform. Trainieren und Bewerten von Modellen mit diesen 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

Referenzarchitektur für Blueprint „Benutzerdefinierte Datenwissenschaft für Profilanreicherung“

Implementierungsschritte

  1. Erstellen Sie Schemas für die zu erfassenden Daten.
  2. Erstellen Sie Datensätze für die zu erfassenden Daten.
  3. Aufnehmen der Daten in Experience Platform.
  4. Erstellen eines DSW-Notebooks.
  5. Auswählen einer Sprache. Python und PySpark werden unterstützt.
  6. Erstellen des Modells im Notebook.
  7. Trainieren des Modells.
  8. Bewerten des Modells, um Vorhersagen mit den Zieldaten zu generieren.
  9. Aktivieren der Modellresultat-Datensätze für das Profil, wenn die Modellresultate in das Echtzeit-Kundenprofil übermittelt werden.

Verwandte Dokumentation

Verwandte Blog-Posts

Auf dieser Seite