為豐富個人資料的自訂資料科學藍圖
為豐富個人資料的自訂資料科學藍圖闡述如何使用資料來訓練、部署和計分模型,以透過資料科學和機器學習工具向 Experience Platform 和 Real-time Customer Data Platform 提供機器學習見解。模型化的見解可擷取至 Experience Platform 中,以豐富即時客戶個人資料。機器學習深入見解的範例包括期限值評分、產品和類別親和性、轉換傾向性或退訂傾向性。
使用案例
- 從客戶資料中擷取見解並探索模式,從這些資料中訓練模型並對模型評分。
- 使用模型驅動的深入見解和屬性豐富即時客戶個人資料,以進行更細緻的個人化和最佳的歷程。
- 對模型訓練和評分以確定客戶深入見解,例如客戶期限值、轉換或流失傾向性、產品和內容相似性及參與分數。
架構
護欄
- 有關將資料科學結果擷取到 Experience Platform 和 Real-time Customer Profile 中的詳細護欄和端對端延遲,請參閱部署護欄文檔中所引用的資料擷取護欄和延遲方案。
實施步驟
- 為要擷取的資料建立資料方案。
- 為要擷取的資料建立資料集。
- 擷取資料到 Experience Platform。
若要將模型結果擷取至即時客戶個人資料中,請務必先執行下列操作,再擷取資料:
- 在方案上設定正確的身分和身分命名空間,以確保擷取的資料可以嵌入統一的個人資料。
- 為個人資料啟用方案和資料集。
實施考量
- 在大多數情況下,模型結果應擷取為個人資料屬性,而非體驗事件。模型結果可以是簡單的屬性字串。如果要擷取多個模型結果,建議使用陣列或對應類型欄位。
- 每日個人資料快照資料集是統一個人資料屬性資料的每日匯出,可用來訓練個人資料屬性資料的模型。可存取此處的個人資料快照資料集文檔。
- 若要從 Experience Platform 中擷取資料,可使用下列方法
- 資料存取 SDK
- 資料為原始檔案形式
- 個人資料體驗事件資料會維持在非統一的原始狀態。
- RTCDP 目標
相關文件
相關部落格貼文