Eingaben und Ausgaben in Kunden-KI
Im folgenden Dokument werden die verschiedenen erforderlichen Ereignisse, Eingaben und Ausgaben beschrieben, die in Kunden-KI verwendet werden.
Erste Schritte getting-started
Im Folgenden finden Sie die Schritte zum Erstellen von Tendenzmodellen und zum Identifizieren von Zielgruppen für personalisiertes Marketing in Kunden-KI:
-
Skizzieren Sie Anwendungsfälle: Wie können Tendenzmodelle dazu beitragen, Zielgruppen für personalisiertes Marketing zu identifizieren? Was sind meine Geschäftsziele und entsprechende Taktiken, um das Ziel zu erreichen? An welcher Stelle passt die Tendenzmodellierung in diesen Prozess?
-
Priorisieren Sie die Anwendungsfälle: Was sind die höchsten Prioritäten für das Unternehmen?
-
Erstellen Sie Modelle in Kunden-KI: Sehen Sie sich diese Schnellanleitung an und lesen Sie unser Handbuch für die Benutzeroberfläche, um zu erfahren, wie Sie ein Modell schrittweise erstellen können.
-
Erstellen Sie Segmente mithilfe von Modellergebnissen.
-
Nehmen Sie zielgerichtete Geschäftsaktionen auf Grundlage dieser Segmente vor. Überwachen Sie die Ergebnisse und führen Sie Aktionen zur Verbesserung durch.
Im Folgenden finden Sie Beispielkonfigurationen für Ihr erstes Modell. Das in diesem Dokument erstellte Beispielmodell verwendet ein Kunden-KI-Modell, um vorherzusagen, wer in den nächsten 30 Tagen wahrscheinlich eine Konversion zu einem Einzelhandelsgeschäft durchführen wird. Bei dem Eingabedatensatz handelt es sich um einen Adobe Analytics-Datensatz.
Modelltyp: Konversion
Identität: Stellen Sie sicher, dass die Identitätsspalte für jeden Datensatz als gemeinsame Identität festgelegt ist.
commerce.purchases.value so fest, dass dies Stiften entsprichtErgebnisfenster: 30 Tage.
Für Profil aktivieren: Dies muss aktiviert sein, damit die Modellausgabe in der Segmentierung verwendet werden kann.
Datenübersicht data-overview
In den folgenden Abschnitten werden die verschiedenen erforderlichen Ereignisse, Eingaben und Ausgaben beschrieben, die in Kunden-KI verwendet werden.
Kunden-KI analysiert die folgenden Datensätze, um Tendenzwerte für Abwanderungen (ab wann eine Kundin oder ein Kunde das Produkt wahrscheinlich nicht mehr verwenden wird) oder Konversionen (wann eine Kundin oder ein Kunde einen Kauf tätigt) vorherzusagen:
- Adobe Analytics-Daten unter Verwendung des Analytics-Quell-Connectors
- Adobe Audience Manager-Daten unter Verwendung des Audience Manager-Quell-Connectors
- Erlebnisereignis-Datensatz
- Kundenerlebnisereignis-Datensatz
Sie können mehrere Datensätze aus verschiedenen Quellen hinzufügen, wenn jeder Datensatz denselben Identitätstyp (Namespace), etwa eine ECID, aufweist. Weitere Informationen zum Hinzufügen mehrerer Datensätze finden Sie im Benutzerhandbuch für Kunden-KI.
In der folgenden Tabelle sind einige der in diesem Dokument häufig verwendeten Begriffe aufgeführt:
Experience Event kategorisiert werden können. Das Datenverhalten eines Schemas wird durch die Klasse des Schemas definiert, die einem Schema bei der Ersterstellung zugewiesen wird. XDM-Klassen beschreiben die Mindestanzahl von Eigenschaften, die ein Schema enthalten muss, um ein bestimmtes Datenverhalten zu haben.meta:intendedToExtend-Attribut.Kunden-KI-Eingabedaten customer-ai-input-data
Bei Eingabedatensätzen wie Adobe Analytics und Adobe Audience Manager ordnen die entsprechenden Quell-Connectoren die Ereignisse standardmäßig während des Verbindungsprozesses direkt in diesen Standardfeldgruppen („Commerce“, „Web“, „Anwendung“ und „Suche“) zu. Die folgende Tabelle zeigt die Ereignisfelder in den Standardfeldgruppen für Kunden-KI.
Weitere Informationen zum Zuordnen von Adobe Analytics- oder Audience Manager-Daten finden Sie im Handbuch zu Analytics-Feldzuordnungen bzw. im Handbuch zu Audience Manager-Feldzuordnungen.
Sie können XDM-Schemata für Erlebnis- oder Kundenerlebnisereignisse bei Eingabedatensätzen verwenden, die nicht über einen der oben genannten Connectoren aufgefüllt werden. Während der Schema-Erstellung können zusätzliche XDM-Feldergruppen hinzugefügt werden. Die Feldergruppen können von Adobe (wie die Standardfeldgruppen) oder als benutzerdefinierte Feldergruppen bereitgestellt werden, die der Datendarstellung in Platform entsprechen.
Von Kunden-KI verwendete Standardfeldgruppen standard-events
Erlebnisereignisse werden zur Bestimmung verschiedener Kundenverhaltensweisen verwendet. Je nach Strukturierung der Daten umfassen die unten aufgeführten Ereignistypen möglicherweise nicht alle Verhaltensweisen Ihrer Kundin oder Ihres Kunden. Sie müssen selbst bestimmen, welche Felder über die erforderlichen Daten verfügen, um Web- oder andere kanalspezifische Benutzeraktivitäten klar und eindeutig zu identifizieren. Abhängig vom Prognoseziel können unterschiedliche Felder erforderlich sein.
Kunden-KI verwendet die Ereignisse standardmäßig in diesen vier Standardfeldgruppen: „Commerce“, „Web“, „Anwendung“ und „Suche“. Es ist nicht erforderlich, dass Daten für jedes Ereignis in den unten aufgeführten Standardfeldgruppen vorhanden sind. Bei bestimmten Szenarien werden jedoch bestimmte Ereignisse vorausgesetzt. Wenn Ereignisse in den Standardfeldgruppen verfügbar sind, wird empfohlen, diese in Ihr Schema einzuschließen. Wenn Sie beispielsweise ein Kunden-KI-Modell für die Prognose von Kaufereignissen erstellen möchten, sind dafür Daten aus den Feldergruppen mit Commerce- und Web-Seiten-Details hilfreich.
Um eine Feldergruppe in der Platform-Benutzeroberfläche anzuzeigen, wählen Sie in der linken Leiste die Registerkarte Schemata und dann die Registerkarte Feldergruppen aus.
-
commerce.order.purchaseID -
productListItems.SKU
-
commerce.productListViews.value -
productListItems.SKU
-
commerce.checkouts.value -
productListItems.SKU
-
commerce.purchases.value -
productListItems.SKU
-
commerce.productListRemovals.value -
productListItems.SKU
-
commerce.productListOpens.value -
productListItems.SKU
-
commerce.productViews.value -
productListItems.SKU
web.webPageDetails.nameweb.webInteraction.linkClicks.value-
application.applicationCloses.value -
application.name
-
application.crashes.value -
application.name
-
application.featureUsages.value -
application.name
-
application.firstLaunches.value -
application.name
-
application.installs.value
-
application.name
-
application.launches.value
-
application.name
-
application.upgrades.value
-
application.name
search.keywordsDarüber hinaus kann Kunden-KI mithilfe von Abonnementdaten bessere Abwanderungsmodelle erstellen. Abonnementdaten werden für jedes Profil mit dem Datentypformat Abonnement benötigt. Die meisten Felder sind optional. Für ein optimales Abwanderungsmodell wird jedoch ausdrücklich empfohlen, Daten für so viele Felder wie möglich, z. B. startDate, endDate, und alle anderen relevanten Details bereitzustellen. Bitte wenden Sie sich an Ihr Konto-Team, um weitere Unterstützung zu dieser Funktion zu erhalten.
Hinzufügen benutzerspezifischer Ereignisse und Profilattribute add-custom-events
Wenn Sie über Informationen verfügen, die Sie zusätzlich zu den von Kunden-KI eingesetzten Standardereignisfeldern einschließen möchten, können Sie durch Konfiguration benutzerspezifischer Ereignisse die vom Modell verwendeten Daten ergänzen.
Verwendung benutzerspezifischer Ereignisse
Benutzerspezifische Ereignisse sind erforderlich, wenn die im Schritt zur Datensatzauswahl ausgewählten Datensätze keine der von Kunden-KI verwendeten Standardereignisfelder enthalten. Kunden-KI benötigt Informationen zu mindestens einem benutzerbezogenen Verhaltensereignis, das nicht dem Ergebnis entspricht.
Benutzerspezifische Ereignisse sind hilfreich für Folgendes:
-
Einbinden von Domain-Wissen oder Vorkenntnissen in das Modell.
-
Verbessern der Qualität des Prognosemodells.
-
Erhalten zusätzlicher Einblicke und Interpretationen.
Die besten Kandidaten für benutzerspezifische Ereignisse sind Daten, die Domain-Wissen enthalten, welches eine Vorhersage des Ergebnisses ermöglicht. Zu den allgemeinen Beispielen für benutzerspezifische Ereignisse gehören:
-
Registrieren eines Kontos
-
Abonnieren eines Newsletters
-
Anrufen des Kundendiensts
Im Folgenden finden Sie eine Auswahl branchenbezogener Beispiele für benutzerspezifische Ereignisse:
Für Clubkarte registrieren
Mobile-Coupons ausschneiden.
Video streamen.
Treuepunkte kaufen.
Benutzerspezifische Ereignisse müssen benutzerinitiierte Aktionen darstellen, damit sie ausgewählt werden können. Beispielsweise ist „E-Mail-Versand“ eine Aktion, die von einer Marketing-Fachkraft und nicht benutzerseitig initiiert wird. Daher sollte sie nicht als benutzerspezifisches Ereignis verwendet werden.
Historische Daten
Kunden-KI erfordert historische Daten für das Modell-Training. Wie lange Daten im System vorhanden sein müssen, wird durch zwei Schlüsselelemente bestimmt: das Ergebnisfenster und eine geeignete Population.
Standardmäßig sucht Kunden-KI nach Benutzenden, die in den letzten 45 Tagen aktiv waren, wenn während der Anwendungskonfiguration keine Definition für eine geeigneten Population angegeben wurde. Darüber hinaus benötigt Kunden-KI mindestens 500 qualifizierte und 500 nicht qualifizierte Ereignisse (insgesamt 1000) aus historischen Daten, die auf einer prognostizierten Zieldefinition basieren.
Die folgenden Beispiele zeigen, wie Sie mit einer einfachen Formel die erforderliche Mindestmenge an Daten ermitteln können. Wenn Sie über mehr Daten als die Mindestanforderung verfügen, liefert Ihr Modell wahrscheinlich genauere Ergebnisse. Wird die erforderliche Mindestmenge unterschritten, schlägt das Modell fehl, da in diesem Fall nicht genügend Daten für das Modell-Training vorhanden sind.
Formel:
So stellen Sie die erforderliche Mindestaufbewahrungsdauer für die im System vorhandenen Daten fest:
-
Zum Erstellen von Funktionen müssen Daten mindestens 30 Tage vorhanden sein. Vergleichen Sie das Eignungs-Lookback-Fenster mit 30 Tagen:
-
Wenn das Eignungs-Lookback-Fenster länger als 30 Tage ist, lautet die Datenanforderung: Eignungs-Lookback-Fenster + Ergebnisfenster.
-
Andernfalls lautet die Datenanforderung: 30 Tage + Ergebnisfenster.
-
** Wenn mehr als eine Bedingung für die Definition der geeigneten Population vorhanden ist, ist das Eignungs-Lookback-Fenster am längsten.
Beispiele:
-
Sie möchten vorhersagen, ob eine Kundin oder ein Kunde in den nächsten 30 Tagen wahrscheinlich eine Uhr für diejenigen kaufen wird, für die in den letzten 60 Tagen eine Web-Aktivität verzeichnet wurde.
-
Eignungs-Lookback-Fenster = 60 Tage
-
Ergebnisfenster = 30 Tage
-
Erforderliche Daten = 60 Tage + 30 Tage = 90 Tage
-
-
Sie möchten vorhersagen, ob eine Benutzerin oder ein Benutzer in den nächsten sieben Tagen wahrscheinlich eine Uhr kaufen wird, ohne eine explizite geeignete Population anzugeben. In diesem Fall wird die geeignete Population standardmäßig auf „diejenigen, die in den letzten 45 Tagen aktiv waren“ festgelegt und das Ergebnisfenster beträgt 7 Tage.
-
Eignungs-Lookback-Fenster = 45 Tage
-
Ergebnisfenster = 7 Tage
-
Erforderliche Daten = 45 Tage + 7 Tage = 52 Tage
-
-
Sie möchten vorhersagen, ob eine Kundin oder ein Kunde in den nächsten sieben Tagen wahrscheinlich eine Uhr für diejenigen kaufen wird, für die in den letzten sieben Tagen eine Web-Aktivität verzeichnet wurde.
-
Eignungs-Lookback-Fenster = 7 Tage
-
Erforderliche Mindestdaten für die Erstellung von Funktionen = 30 Tage
-
Ergebnisfenster = 7 Tage
-
Erforderliche Daten = 30 Tage + 7 Tage = 37 Tage
-
Kunden-KI benötigt nicht nur eine Mindestzeitspanne, für die die Daten im System vorhanden sein müssen, sondern funktioniert auch am besten mit möglichst aktuellen Daten. Durch Verwendung neuerer Verhaltensdaten liefert Kunden-KI wahrscheinlich eine genauere Prognose des zukünftigen Verhaltens einer Benutzerin oder eines Benutzers.
Ausgabedaten von Customer AI customer-ai-output-data
Customer AI generiert mehrere Attribute für einzelne Profile, die als geeignet gelten. Es gibt zwei Möglichkeiten, die Bewertung (Ausgabe) basierend auf dem, was Sie bereitgestellt haben, zu nutzen. Wenn Sie über einen Datensatz mit aktiviertem Echtzeit-Kundenprofil verfügen, können Sie Einblicke aus dem Echtzeit-Kundenprofil im Segment Builder nutzen. Wenn Sie keinen Datensatz mit aktiviertem Profil haben, können Sie den Kunden-KI-Ausgabedatensatz herunterladen, der im Data Lake verfügbar ist.
Den Ausgabedatensatz finden Sie im Platform-Arbeitsbereich Datensätze. Alle Kunden-KI-Ausgabedatensätze beginnen mit dem Namen Kunden-KI-Bewertungen – NAME_DER_APP. Ebenso beginnen alle Kunden-KI-Ausgabeschemata mit dem Namen Kunden-KI-Schema – Name_der_App.
Die folgende Tabelle beschreibt die verschiedenen Attribute, die in der Ausgabe der Customer AI gefunden wurden:
Dies sind prognostizierte Gründe dafür, warum ein Profil wahrscheinlich konvertiert oder abwandert. Die Faktoren bestehen aus den folgenden Attributen:
- Code: Das Profil- oder Verhaltensattribut, das das prognostizierte Ergebnis eines Profils positiv beeinflusst.
- Wert: Der Wert des Profil- oder Verhaltensattributs.
- Wichtigkeit: Gibt an, welche Gewichtung das Profil- oder Verhaltensattribut auf das prognostizierte Ergebnis hat (niedrig, mittel, hoch)
Nächste Schritte next-steps
Nachdem Sie Ihre Daten vorbereitet und sichergestellt haben, dass alle Ihre Anmeldeinformationen und Schemata vorhanden sind, lesen Sie das Handbuch Konfigurieren einer Kunden-KI-Instanz, das Sie durch ein schrittweises Tutorial zum Erstellen einer Kunden-KI-Instanz führt.