DocumentaciónExperience PlatformGuía de servicios inteligentes

Entrada y salida en Customer AI

Last update: Mon Nov 13 2023 00:00:00 GMT+0000 (Coordinated Universal Time)

Creado para:

  • User

En el siguiente documento se describen los diferentes eventos, entradas y resultados necesarios que se utilizan en la inteligencia artificial aplicada al cliente.

Introducción getting-started

Estos son los pasos para crear modelos de tendencia e identificar audiencias objetivo para el marketing personalizado en la inteligencia artificial aplicada al cliente:

  1. Describir casos de uso: ¿cómo ayudarían los modelos de tendencia a identificar audiencias de destino para el marketing personalizado? ¿Cuáles son mis objetivos comerciales y las tácticas correspondientes para lograr el objetivo? ¿Dónde puede encajar el modelado de tendencia en este proceso?

  2. Priorizar casos de uso: ¿cuáles son las prioridades más altas para la empresa?

  3. Creación de modelos en la inteligencia artificial aplicada al cliente: observe esto tutorial rápido y consulte nuestra Guía de IU para obtener un proceso paso a paso para crear un modelo.

  4. Generar segmentos uso de los resultados del modelo.

  5. Realice acciones comerciales dirigidas en función de estos segmentos. Monitorice los resultados e itere las acciones para mejorar.

Estas son algunas configuraciones de ejemplo para su primer modelo. El modelo de ejemplo, creado en este documento, utiliza un modelo de inteligencia artificial aplicada al cliente para predecir quién tiene probabilidades de realizar la conversión para un negocio minorista en los próximos 30 días. El conjunto de datos de entrada es un conjunto de datos Adobe Analytics.

Paso
Definición
Ejemplo
Configurar
Especifique información básica sobre el modelo.
Nombre: Modelo de tendencia de compra a lápiz
Tipo de modelo: Conversión
Seleccionar datos
Especifique los conjuntos de datos utilizados para crear el modelo.
Conjunto de datos: conjunto de datos de Adobe Analytics
Identidad: Asegúrese de que la columna de identidad de cada conjunto de datos esté configurada para ser una identidad común.
Definir meta
Defina el objetivo, la población elegible, los eventos personalizados y los atributos del perfil.
Objetivo de predicción: Seleccionar commerce.purchases.value igual a lápiz
Ventana de resultado: 30 días.
Definir opciones
Configure la programación para la actualización del modelo y habilite las puntuaciones para el perfil
Programación: Semanal
Habilitar para el perfil: Debe habilitarse para que la salida del modelo se utilice en la segmentación.

Resumen de datos data-overview

En las siguientes secciones se describen los diferentes eventos, entradas y resultados necesarios que se utilizan en la inteligencia artificial aplicada al cliente.

La inteligencia artificial aplicada al cliente funciona analizando los siguientes conjuntos de datos para predecir la pérdida (cuando es probable que un cliente deje de usar el producto) o la conversión (cuando es probable que un cliente realice una compra) puntuaciones de tendencia:

Puede agregar varios conjuntos de datos de diferentes fuentes si cada uno de los conjuntos de datos comparte el mismo tipo de identidad (área de nombres), como un ECID. Para obtener más información sobre cómo agregar varios conjuntos de datos, visite la Guía del usuario de Customer AI.

IMPORTANT
Los conectores de origen tardan hasta cuatro semanas en rellenar los datos. Si ha configurado recientemente un conector, debe verificar que el conjunto de datos tenga la longitud mínima de datos necesaria para la inteligencia artificial aplicada al cliente. Consulte la datos históricos para verificar que tiene datos suficientes para el objetivo de predicción.

En la tabla siguiente se describen algunos términos comunes utilizados en este documento:

Término
Definición
Modelo de datos de experiencia (XDM)
XDM es el marco de trabajo básico que permite a Adobe Experience Cloud, con tecnología Adobe Experience Platform, entregar el mensaje correcto a la persona adecuada, en el canal correcto, en el momento justo. Platform utiliza el sistema XDM para organizar los datos de una manera determinada que facilite su uso para los servicios de Platform.
Esquema XDM
Experience Platform utiliza esquemas para describir la estructura de los datos de una manera uniforme y reutilizable. Al definir los datos de manera uniforme en todos los sistemas, resulta más fácil conservar el significado y, por lo tanto, obtener valor de los datos. Antes de poder ingerir los datos en Platform, se debe crear un esquema para describir la estructura de los datos y proporcionar restricciones al tipo de datos que se pueden contener en cada campo. Los esquemas constan de una clase XDM base y cero o más grupos de campos de esquema.
clase XDM
Todos los esquemas XDM describen datos que se pueden categorizar como Experience Event. El comportamiento de los datos de un esquema se define mediante la clase del esquema, que se asigna a un esquema cuando se crea por primera vez. Las clases XDM describen el número más pequeño de propiedades que debe contener un esquema para representar un comportamiento de datos determinado.
Grupos de campo
Componente que define uno o varios campos de un esquema. Los grupos de campos aplican la forma en que sus campos aparecen en la jerarquía del esquema y, por lo tanto, muestran la misma estructura en cada esquema en el que se incluyen. Los grupos de campos solo son compatibles con clases específicas, identificadas por sus meta:intendedToExtend atributo.
Tipo de datos
Componente que también puede proporcionar uno o más campos para un esquema. Sin embargo, a diferencia de los grupos de campos, los tipos de datos no están restringidos a una clase en particular. Esto hace que los tipos de datos sean una opción más flexible para describir estructuras de datos comunes que se pueden reutilizar en varios esquemas con clases potencialmente diferentes. Los tipos de datos descritos en este documento son compatibles con los esquemas CEE y Adobe Analytics.
Perfil del cliente en tiempo real
El Perfil del cliente en tiempo real proporciona un perfil de consumidor centralizado para la administración de experiencias personalizada y dirigida. Cada perfil contiene datos agregados de todos los sistemas, así como cuentas con marca de tiempo procesables de eventos que implican a la persona que ha tenido lugar en cualquiera de los sistemas que utiliza con Experience Platform.

Datos de entrada de Customer AI customer-ai-input-data

Para conjuntos de datos de entrada, como Adobe Analytics y Adobe Audience Manager, los respectivos conectores de origen asignan directamente los eventos en estos grupos de campos estándar (Comercio, Web, Aplicación y Búsqueda) de forma predeterminada durante el proceso de conexión. La siguiente tabla muestra los campos de evento de los grupos de campos estándar predeterminados para la inteligencia artificial aplicada al cliente.

Para obtener más información sobre la asignación de datos de Adobe Analytics o datos de Audience Manager, visite el Audience Manager o las asignaciones de campos de Analytics guía de asignaciones de campos.

Puede utilizar esquemas XDM de evento de experiencia o de evento de experiencia del consumidor para conjuntos de datos de entrada que no se rellenen a través de uno de los conectores anteriores. Se pueden agregar grupos de campos XDM adicionales durante el proceso de creación del esquema. Los grupos de campos se pueden proporcionar mediante Adobes como los grupos de campos estándar o un grupo de campos personalizados, que coincide con la representación de datos en la plataforma.

IMPORTANT
Debe asegurarse de que los datos se rellenen en estos conjuntos de datos de entrada. Si no se encuentran eventos de grupos de campos estándar en los conjuntos de datos de entrada, debe agregar eventos personalizados durante el flujo de trabajo de configuración. Consulte los detalles sobre los eventos personalizados.

Grupos de campos estándar utilizados por Customer AI standard-events

Los eventos de experiencia se utilizan para determinar varios comportamientos de cliente. Según la estructura de los datos, es posible que los tipos de evento enumerados a continuación no abarquen todos los comportamientos del cliente. Depende de usted determinar qué campos tienen los datos necesarios para identificar de forma clara e inequívoca la actividad del usuario web o de otro canal específico. Según el objetivo de predicción, los campos obligatorios que se necesitan pueden cambiar.

NOTE
Si utiliza datos de Adobe Analytics o Adobe Audience Manager, el esquema se crea automáticamente con los eventos estándar necesarios para capturar los datos. Si está creando su propio esquema EE personalizado para capturar datos, debe tener en cuenta qué grupos de campos son necesarios para capturar los datos.

La inteligencia artificial aplicada al cliente utiliza los eventos de estos cuatro grupos de campos estándar de forma predeterminada: Comercio, Web, Aplicación y Búsqueda. No es necesario tener datos para cada evento en los grupos de campos estándar enumerados a continuación, pero se requieren ciertos eventos para ciertos escenarios. Si tiene disponibles eventos en los grupos de campos estándar, se recomienda incluirlos en el esquema. Por ejemplo, si desea crear un modelo de inteligencia artificial aplicada al cliente para predecir eventos de compra, resulta útil tener datos de los grupos de campos Comercio y Detalles de página web.

Para ver un grupo de campos en la IU de Platform, seleccione Esquemas en el carril izquierdo, seguido de la selección de la Grupos de campos pestaña.

Grupo de campo
Tipo de evento
Ruta de campo XDM
Detalles de comercio
pedido

  • commerce.order.purchaseID

  • productListItems.SKU

productListViews

  • commerce.productListViews.value

  • productListItems.SKU

cierres

  • commerce.checkouts.value

  • productListItems.SKU

compras

  • commerce.purchases.value

  • productListItems.SKU

productListRemovals

  • commerce.productListRemovals.value

  • productListItems.SKU

productListOpens

  • commerce.productListOpens.value

  • productListItems.SKU

productViews

  • commerce.productViews.value

  • productListItems.SKU

Detalles web
webVisit
web.webPageDetails.name
webInteraction
web.webInteraction.linkClicks.value
Detalles de aplicación
applicationCloses

  • application.applicationCloses.value

  • application.name

applicationCrashes

  • application.crashes.value

  • application.name

applicationFeatureUsages

  • application.featureUsages.value

  • application.name

applicationFirstLaunches

  • application.firstLaunches.value

  • application.name

applicationInstalls

  • application.installs.value

  • application.name

applicationLaunches

  • application.launches.value

  • application.name

applicationUpupgrades

  • application.upgrades.value

  • application.name

Detalles de búsqueda
búsqueda
search.keywords

Además, la inteligencia artificial aplicada al cliente puede utilizar los datos de suscripción para crear mejores modelos de pérdida. Se necesitan datos de suscripción para cada perfil que use Suscripción formato de tipo de datos. La mayoría de los campos son opcionales, sin embargo, para un modelo de pérdida óptimo, se recomienda proporcionar datos para tantos campos como sea posible, como, startDate, endDatey cualquier otra información pertinente. Póngase en contacto con el equipo de su cuenta para obtener soporte adicional sobre esta función.

Añadir eventos personalizados y atributos de perfil add-custom-events

Si tiene información que desea incluir además de la predeterminada campos de eventos estándar utilizado por la inteligencia artificial aplicada al cliente, puede utilizar el configuración de evento personalizado para aumentar los datos utilizados por el modelo.

Cuándo utilizar eventos personalizados

Los eventos personalizados son necesarios cuando los conjuntos de datos elegidos en el paso de selección de conjuntos de datos contienen ninguno de los campos de evento predeterminados que utiliza la inteligencia artificial aplicada al cliente. La inteligencia artificial aplicada al cliente necesita información sobre al menos un evento de comportamiento del usuario que no sea el resultado.

Los eventos personalizados son útiles para lo siguiente:

  • Incorporar conocimientos de dominio o experiencia previa en el modelo.

  • Mejora de la calidad del modelo predictivo.

  • Obtención de información e interpretaciones adicionales.

Los mejores candidatos para los eventos personalizados son los datos que contienen conocimientos de dominio que pueden ser predictivos del resultado. Algunos ejemplos generales de eventos personalizados son:

  • Registrarse para obtener cuenta

  • Suscribirse a la newsletter

  • Realizar una llamada al servicio de atención al cliente

A continuación se muestra una selección de ejemplos de eventos personalizados específicos del sector:

de la industria
Eventos personalizados
Comercial
Transacción en tienda
Regístrate para la tarjeta de club
Recortar cupón móvil.
Entretenimiento
abono para temporada de compras
Transmitir vídeo.
Hospitalidad
Hacer reserva del restaurante
Puntos de fidelidad de compra.
Viajes
Añadir información conocida del viajero Compra millas.
Comunicaciones
Plan de actualización/reducción/cancelación.

Los eventos personalizados deben representar acciones iniciadas por el usuario para poder seleccionarse. Por ejemplo, "Envío de correo electrónico" es una acción iniciada por un experto en marketing y no por el usuario, por lo que no debe utilizarse como evento personalizado.

Datos históricos

La inteligencia artificial aplicada al cliente requiere datos históricos para la formación de modelos. La duración necesaria para que los datos existan dentro del sistema está determinada por dos elementos clave: la ventana de resultados y la población elegible.

De forma predeterminada, la inteligencia artificial aplicada al cliente busca un usuario que haya tenido actividad en los últimos 45 días si no se proporciona ninguna definición de población apta durante la configuración de la aplicación. Además, la inteligencia artificial aplicada al cliente requiere un mínimo de 500 eventos clasificatorios y 500 no clasificatorios (1000 en total) a partir de datos históricos basados en una definición de objetivo predicha.

Los siguientes ejemplos muestran el uso de una fórmula simple que ayuda a determinar la cantidad mínima de datos necesaria. Si tiene más datos que el requisito mínimo, es probable que el modelo proporcione resultados más precisos. Si tiene menos de la cantidad mínima requerida, el modelo fallará, ya que no hay suficientes datos para la formación del modelo.

Fórmula:

Para decidir la duración mínima requerida de los datos existentes en el sistema:

  • El mínimo de datos necesario para crear funciones es de 30 días. Comparar la ventana retrospectiva de idoneidad con 30 días:

    • Si la ventana retrospectiva de idoneidad es mayor de 30 días, la necesidad de datos = ventana retrospectiva de idoneidad + ventana de resultado.

    • De lo contrario, el requisito de datos = 30 días + ventana de resultado.

** Si hay más de una condición para definir la población elegible, la ventana retrospectiva de idoneidad es la más larga.

NOTE
30 es el número mínimo de días requeridos para la población elegible. Si no se proporciona, el valor predeterminado es de 45 días.

Ejemplos:

  • Desea predecir si es probable que un cliente compre un reloj en los próximos 30 días para aquellos que hayan realizado alguna actividad en la web en los últimos 60 días.

    • Ventana retrospectiva de idoneidad = 60 días

    • Ventana de resultado = 30 días

    • Datos necesarios = 60 días + 30 días = 90 días

  • Desea predecir si es probable que el usuario compre un reloj en los próximos 7 días sin que proporcione una población elegible explícita. En este caso, la población elegible toma como valor predeterminado "aquellos que han tenido actividad en los últimos 45 días" y la ventana de resultado es de 7 días.

    • Ventana retrospectiva de idoneidad = 45 días

    • Ventana de resultado = 7 días

    • Datos necesarios = 45 días + 7 días = 52 días

  • Desea predecir si es probable que el cliente compre un reloj en los próximos 7 días para aquellos que hayan realizado alguna actividad en la web en los últimos 7 días.

    • Ventana retrospectiva de idoneidad = 7 días

    • Datos mínimos necesarios para crear funciones = 30 días

    • Ventana de resultado = 7 días

    • Datos necesarios = 30 días + 7 días = 37 días

Aunque la inteligencia artificial aplicada al cliente requiere un período mínimo de tiempo para que los datos existan en el sistema, también funciona mejor con datos recientes. Al utilizar datos de comportamiento más recientes, es probable que la inteligencia artificial aplicada al cliente genere una predicción más precisa del comportamiento futuro de un usuario.

Datos de salida de Customer AI customer-ai-output-data

La inteligencia artificial aplicada al cliente genera varios atributos para perfiles individuales que se consideran aptos. Existen dos maneras de consumir la puntuación (salida) en función de lo que haya aprovisionado. Si tiene un conjunto de datos habilitado para el Perfil del cliente en tiempo real, puede consumir datos del Perfil del cliente en tiempo real en el Generador de segmentos. Si no tiene un conjunto de datos con perfil habilitado, puede hacer lo siguiente descargar la salida de Customer AI conjunto de datos disponible en el lago de datos.

Puede encontrar el conjunto de datos de salida en la plataforma Conjuntos de datos workspace. Todos los conjuntos de datos de salida de inteligencia artificial aplicada al cliente comienzan con el nombre Puntuaciones de inteligencia artificial aplicada al cliente: NAME_OF_APP. Del mismo modo, todos los esquemas de salida de Customer AI comienzan con el nombre Esquema de inteligencia artificial aplicada al cliente: Name_of_app.

Nombre de los conjuntos de datos de salida en Customer AI

La siguiente tabla describe los distintos atributos que se encuentran en la salida de la inteligencia artificial aplicada al cliente:

Atributo
Descripción
Puntuación
La probabilidad relativa de que un cliente alcance el objetivo predicho dentro del lapso de tiempo definido. Este valor no debe tratarse como un porcentaje de probabilidad, sino más bien como la probabilidad de un individuo en comparación con la población general. Esta puntuación va del 0 al 100.
Probabilidad
Este atributo es la verdadera probabilidad de un perfil para lograr el objetivo predicho dentro del lapso de tiempo definido. Cuando se comparan resultados entre diferentes objetivos, se recomienda considerar la probabilidad por encima del percentil o la puntuación. La probabilidad siempre se debe utilizar al determinar la probabilidad promedio en toda la población elegible, ya que la probabilidad tiende a estar en el lado inferior para los eventos que no ocurren con frecuencia. Los valores del rango de probabilidad están entre 0 y 1.
Percentil
Este valor proporciona información sobre el rendimiento de un perfil en relación con otros perfiles con puntuaciones similares. Por ejemplo, un perfil con una clasificación de percentil de 99 para la pérdida indica que tiene un mayor riesgo de pérdida en comparación con el 99 % de todos los demás perfiles marcados. Los percentiles van del 1 al 100.
Tipo de tendencia
El tipo de tendencia seleccionado.
Fecha de puntuación
La fecha en la que se produjo la puntuación.
Factores influyentes

Estas son las razones previstas por las que un perfil es probable que se convierta o se pierda. Estos factores están compuestos por los siguientes atributos:

  • Código: el perfil o atributo de comportamiento que influye positivamente en la puntuación prevista de un perfil.
  • Valor: Valor del perfil o atributo de comportamiento.
  • Importancia: Indica el peso del perfil o atributo de comportamiento en la puntuación predicha (baja, media, alta)

Pasos siguientes next-steps

Una vez que prepare los datos y se asegure de que todas las credenciales y esquemas están establecidos, consulte la Configuración de una instancia de Customer AI , que le guía por un tutorial paso a paso para crear una instancia de inteligencia artificial aplicada al cliente.

recommendation-more-help
8959a20a-a58f-4057-9f82-870706c576e9