DokumentationSjälvstudiekurserUtkast

Anpassad datavetenskap för en plan för profilberikning

Last update: Wed Apr 03 2024 00:00:00 GMT+0000 (Coordinated Universal Time)

Skapat för:

  • Developer
  • User

Den anpassade datavetenskapen för profilberikning illustrerar hur data kan användas för att utbilda, driftsätta och poängsätta modeller för att ge maskininlärningsinsikter om Experience Platform och Real-Time Customer Data Platform från datavetenskap och maskininlärningsverktyg.

Modellerade insikter kan hämtas in i Experience Platform för att förbättra kundprofilen i realtid. Exempel på maskininlärningsinsikter är poängsättning för livstid, produkt- och kategoritillhörighet, benägenhet att konvertera eller benägenhet att försvinna.

Användningsexempel

  • Extrahera insikter och upptäck mönster från kunddata, utbildnings- och poängmodeller utifrån dessa data.
  • Förbättra Kundprofil i realtid med modellbaserade insikter och attribut för mer detaljerad personalisering och optimerade resor.
  • Train- och Score-modeller för att fastställa kundinsikter som kundens livstidsvärde, benägenhet att konvertera eller tappa plats, produkt- och innehållstillhörighet samt engagemangsmätningar.

Arkitektur

Referensarkitektur för Custom Data Science for Profile Enrichment Blueprint

Guardrails

  • Detaljerade säkerhetsdetaljer och total latens vid inmatning av datavetenskap ger Experience Platform och kundprofilen i realtid refererar till de utkast för dataöverföringsskydd och latensdiagram som refereras i distributionsskyddsdokument.

Implementeringssteg

  1. Skapa scheman för data som ska importeras.
  2. Skapa datauppsättningar för data som ska importeras.
  3. Ingrediera data till Experience Platform.

För att modellresultat ska kunna hämtas till kundprofilen i realtid måste du göra följande innan du hämtar in data:

  1. Konfigurera rätt identiteter och identitetsnamnutrymmen på schemat för att säkerställa att inkapslade data kan sammanfogas till en enhetlig profil.
  2. Aktivera scheman och datauppsättningar för profilen.

Implementeringsöverväganden

  • I de flesta fall bör modellresultat anges som profilattribut och inte upplevas som händelser. Modellresultaten kan vara enkla attributsträngar. Om det finns flera modellresultat som ska importeras rekommenderar vi att du använder ett matris- eller mappningstypsfält.

  • Den dagliga ögonblicksbildsdatauppsättningen, som är en daglig export av data för enhetliga profilattribut, kan utnyttjas för att utbilda modeller i profilattributdata. Datadokumentet för ögonblicksbilder av profiler är tillgängligt här.

  • För att extrahera data från Experience Platform följande metoder kan användas

    • SDK för dataåtkomst

      • Data finns i råfilsformat
      • Data för händelser för profilupplevelse förblir i oförenat råformat.

    • RTCDP-mål

      • Profilattribut och segmentmedlemskap kan komprimeras.

Relaterad dokumentation

Relaterade blogginlägg

recommendation-more-help
045b7d44-713c-4708-a7a6-5dea7cc2546b