顧客 AI での入力と出力

次のドキュメントでは、顧客 AI で使用される様々な必要なイベント、入力、出力の概要を説明します。

はじめに

顧客 AI は、次のデータセットの 1 つを分析して、傾向スコアの変化やコンバージョン傾向スコアを予測します。

各データセットが ECID などの同じ ID タイプ(名前空間)を共有する場合は、異なるソースから複数のデータセットを追加できます。 複数のデータセットの追加の詳細については、 顧客 AI ユーザーガイド

重要

ソースコネクタでは、データのバックフィルに最大 4 週間かかります。 コネクタを最近設定した場合は、データセットに顧客 AI に必要な最小長のデータが含まれていることを確認する必要があります。 次を確認してください: 履歴データ セクションを参照して、予測目標に十分なデータがあることを確認してください。

このドキュメントでは、CEE スキーマの基本的な理解が必要です。 次を確認してください: インテリジェントサービスのデータ準備 ドキュメントを参照してください。

次の表に、このドキュメントで使用される一般的な用語の概要を示します。

用語 定義
エクスペリエンスデータモデル(XDM) XDM は、Adobe Experience Platformが提供するAdobe Experience Cloudが、適切なチャネルと適切なタイミングで、適切な人に適切なメッセージを届けることを可能にする、基本的なフレームワークです。 Experience Platform を構築する方法論である XDM システムによって、Platform サービスでエクスペリエンスデータモデルスキーマを操作できるようになります。
XDM スキーマ Experience Platform では、スキーマを使用して、一貫性のある再利用可能な方法でデータの構造を記述します。システムをまたいで一貫したデータを定義することで、意味を保有しやすくなり、データから価値を得ることができます。データを Platform に取り込む前に、スキーマを構成して、データの構造を説明し、各フィールドに含めることができるデータの種類を制約する必要があります。 スキーマは、基本 XDM クラスと、0 個以上のスキーマフィールドグループで構成されます。
XDM クラス すべての XDM スキーマは、レコードまたは時系列として分類できるデータを記述します。スキーマのデータ動作は、スキーマのクラスによって定義され、スキーマの作成時に割り当てられます。 XDM クラスは、特定のデータ動作を表すためにスキーマが格納する必要のある最小のプロパティ数を記述します。
フィールドグループ スキーマ内の 1 つ以上のフィールドを定義するコンポーネント。 フィールドグループは、スキーマの階層でフィールドが表示される方法を強制するので、フィールドグループは、スキーマが含まれるすべてのスキーマで同じ構造を示します。 フィールドグループは、特定のクラス ( meta:intendedToExtend 属性。
データタイプ 1 つのスキーマに 1 つ以上のフィールドを提供できるコンポーネント。 ただし、フィールドグループとは異なり、データ型は特定のクラスに制限されません。 そのため、データ型は、潜在的に異なるクラスを持つ複数のスキーマで再利用可能な一般的なデータ構造を記述するためのより柔軟なオプションとなります。このドキュメントで概要を説明しているデータタイプは、CEE とAdobe Analyticsの両方のスキーマでサポートされています。
チャーン 購読をキャンセルしたり、更新しなかったりしたアカウントの割合を示す測定。 チャーンレートが高いと、月別の定期的な売上高 (MRR) に悪影響を与える可能性があり、製品やサービスへの不満を示す場合もあります。
リアルタイム顧客プロファイル リアルタイムの顧客プロファイルは、ターゲットを絞り、パーソナライズされたエクスペリエンス管理のための一元的な顧客プロファイルを提供します。各プロファイルには、すべてのシステムをまたいで集計されたデータと、Experience Platform で使用するイベントのいずれかで発生した個人に関する、実用的なタイムスタンプの付いたアカウントが含まれます。

顧客 AI 入力データ

ヒント

顧客 AI は、予測に役立つイベントを自動的に決定し、利用可能なデータが品質予測を生成するのに十分でない場合に警告を出します。

顧客 AI は、Adobe Analytics、Adobe Audience Manager、エクスペリエンスイベント (EE)、消費者エクスペリエンスイベント (CEE) の各データセットをサポートしています。 CEE スキーマでは、スキーマの作成プロセス中にフィールドグループを追加する必要があります。 Adobe AnalyticsまたはAdobe Audience Managerデータセットを使用している場合、ソースコネクタは、接続プロセス中に、以下に示す標準イベント(コマース、Web ページの詳細、アプリケーション、検索)を直接マッピングします。 各データセットが ECID などの同じ ID タイプ(名前空間)を共有する場合は、異なるソースから複数のデータセットを追加できます。

Adobe AnalyticsデータまたはAudience Managerデータのマッピングについて詳しくは、 Analytics フィールドのマッピング または Audience Managerフィールドのマッピング ガイド。

顧客 AI で使用される標準イベント

XDM エクスペリエンスイベントは、様々な顧客行動の決定に使用されます。 データの構造によっては、以下に示すイベントタイプが顧客の行動の一部を網羅しているとは限りません。 Web ユーザーアクティビティを明確かつ明確に識別するために必要なデータが含まれているフィールドを決定するのは、ユーザー次第です。 予測の目標に応じて、必要な必須フィールドが変わる場合があります。

顧客 AI は、モデル機能の構築に異なるイベントタイプを使用します。 これらのイベントタイプは、複数の XDM フィールドグループを使用してスキーマに自動的に追加されます。

メモ

Adobe AnalyticsまたはAdobe Audience Managerのデータを使用している場合、データの取得に必要な標準イベントを使用して、スキーマが自動的に作成されます。 データをキャプチャするために独自のカスタム CEE スキーマを作成する場合は、データをキャプチャするために必要なフィールドグループを検討する必要があります。

以下に示す標準イベントごとにデータを持つ必要はありませんが、特定のシナリオでは特定のイベントが必要になります。 標準のイベントデータがある場合は、そのデータをスキーマに含めることをお勧めします。 例えば、購入イベントを予測するための顧客 AI アプリケーションを作成する場合、 Commerce および Web page details データタイプ。

Platform UI でフィールドグループを表示するには、 スキーマ タブをクリックし、 フィールドグループ タブをクリックします。

フィールドグループ イベントタイプ XDM フィールドのパス
コマース詳細 順序
  • commerce.order.purchaseID
  • productListItems.SKU
  • productListViews
  • commerce.productListViews.value
  • productListItems.SKU
  • checkouts
  • commerce.checkouts.value
  • productListItems.SKU
  • purchases
  • commerce.purchases.value
  • productListItems.SKU
  • productListRemovals
  • commerce.productListRemovals.value
  • productListItems.SKU
  • productListOpens
  • commerce.productListOpens.value
  • productListItems.SKU
  • productViews
  • commerce.productViews.value
  • productListItems.SKU
  • Web 詳細 webVisit web.webPageDetails.name
    webInteraction web.webInteraction.linkClicks.value
    アプリの詳細 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
  • applicationUpgrades
  • application.upgrades.value
  • application.name
  • 検索の詳細 検索 search.keywords

    さらに、顧客 AI は購読データを使用して、より優れたチャーンモデルを構築できます。 購読データは、 購読 データタイプの形式。 ほとんどのフィールドはオプションですが、最適なチャーンモデルの場合は、できるだけ多くのフィールド(例: )にデータを指定することを強くお勧めします。 startDate, endDate、およびその他の関連する詳細

    カスタムイベントとプロファイル属性の追加

    情報を 標準イベントフィールド 顧客 AI で使用され、 インスタンス設定.

    選択したデータセットに、スキーマで定義された「ホテル予約」や「X 社員」などのカスタムイベントやプロファイル属性が含まれている場合は、それらをインスタンスに追加できます。 これらの追加のカスタムイベントとプロファイル属性は、モデルの品質を向上し、より正確な結果を提供するために、顧客 AI で使用されます。

    履歴データ

    顧客 AI では、モデルトレーニングの履歴データが必要ですが、必要なデータ量は、次の 2 つの主要な要素に基づいています。結果ウィンドウと適格な母集団。

    デフォルトでは、顧客 AI は、アプリケーションの設定中に適格な母集団定義が提供されない場合、過去 120 日間にアクティビティを持っていたユーザーを探します。 さらに、顧客 AI には、予測された目標定義に基づいて、最低 500 件の資格認定および 500 件の非資格イベント(合計 1,000 件)が必要です。

    次の例では、単純な数式を使用して、必要な最小限のデータ量を判断しています。 最小要件を超える場合、モデルによってより正確な結果が得られる可能性が高くなります。 必要最小限の量未満の場合は、モデルトレーニングに必要なデータ量が足りないので、モデルは失敗します。

    数式:

    必要なデータの最小長=適格な母集団+結果ウィンドウ

    メモ

    30 は、適格な母集団に必要な最小日数です。 指定しない場合、デフォルトは 120 日です。

    例:

    • 顧客が今後 30 日間に腕時計を購入する可能性が高いかどうかを予測したい場合。 また、過去 60 日間に何らかの Web アクティビティを持つユーザーにスコアを付けたい場合もあります。 この場合、必要なデータの最小長= 60 日+ 30 日。 適格な母集団は 60 日で、結果期間は 30 日間で、合計 90 日です。

    • ユーザーが今後 7 日間に腕時計を購入する可能性が高いかどうかを予測する必要がある場合。 この場合、必要なデータの最小長= 120 日+ 7 日。 有効な母集団はデフォルトで 120 日に設定され、結果期間は 7 日間で合計 127 日です。

    • 顧客が今後 7 日間に腕時計を購入する可能性が高いかどうかを予測する必要がある場合。 また、過去 7 日間に何らかの Web アクティビティを持つユーザーにスコアを付けたい場合もあります。 この場合、必要なデータの最小長= 30 日+ 7 日。 対象の母集団には 30 日以上が必要で、結果期間は 7 日間(合計 37 日)です。

    必要最小限のデータに加えて、顧客 AI は最近のデータでも最も効果的です。 この使用例では、顧客 AI は、ユーザーの最近の行動データに基づいて、将来の予測をおこなっています。 つまり、より新しいデータは、より正確な予測を生み出す可能性が高くなります。

    シナリオの例

    この節では、顧客 AI インスタンスの様々なシナリオと、必須および推奨イベントタイプについて説明します。 詳しくは、 標準イベントテーブル 上記を参照してください。

    メモ

    Web ユーザーアクティビティを明確かつ明確に識別するために、必須のイベントタイプを使用します。 必要なイベントタイプの数は、予測の目標とスキーマの構造に基づいて変更されます。 特定のイベントタイプが必要なのかが不明な場合は、CEE スキーマの作成時にそのイベントタイプを含めることをお勧めします。 Adobe AnalyticsまたはAdobe Audience Managerデータを使用している場合は、ストリーミングしているデータに応じて、必要な標準イベントを使用できる必要があります。

    シナリオ 1:e コマース小売 Web サイトでの購入コンバージョン

    予測の目標: Web サイト上で衣料品を購入する対象プロファイルのコンバージョン傾向を予測します。

    必須の標準イベントタイプ:

    この特定の予測目標を使用した最適な顧客 AI 出力を得るには、次に示すイベントタイプが必要です。 予測目標に応じて必要なイベントを除外することもできますが、複数のイベントを除外すると、結果の質が低下する場合があります。

    • 順序
    • checkouts
    • purchases
    • webVisit
    • 検索

    その他の推奨される標準イベントタイプ:

    残りの イベントタイプ は、顧客 AI インスタンスの設定時に、目標の複雑さと適格な母集団に基づいて必要になる場合があります。 データが特定のデータ型で使用できる場合は、そのデータをスキーマに含めることをお勧めします。

    シナリオ 2:メディアストリーミングサービス Web サイトでの購読変換

    予測の目標: 標準プランやプレミアムプランなど、特定のレベルのサブスクリプションにコミットする適格なプロファイルのサブスクリプションコンバージョン傾向を予測します。

    必須の標準イベントタイプ:

    この特定の予測目標を使用した最適な顧客 AI 出力を得るには、次に示すイベントタイプが必要です。 予測目標に応じて必要なイベントを除外することもできますが、複数のイベントを除外すると、結果の質が低下する場合があります。

    • 順序
    • checkouts
    • purchases
    • webVisit
    • 検索

    この例では、 order, checkouts、および purchases は、購読が購入されたこととそのタイプを示すために使用されます。

    また、正確なモデルを得るには、 購読データタイプ.

    その他の推奨される標準イベントタイプ:

    残りの イベントタイプ は、顧客 AI インスタンスの設定時に、目標の複雑さと適格な母集団に基づいて必要になる場合があります。 データが特定のデータ型で使用できる場合は、そのデータをスキーマに含めることをお勧めします。

    シナリオ 3:e コマース小売 Web サイトのチャーン

    予測の目標: 購入イベントが発生しない可能性を予測します。

    必須の標準イベントタイプ:

    この特定の予測目標を使用した最適な顧客 AI 出力を得るには、次に示すイベントタイプが必要です。 予測目標に応じて必要なイベントを除外することもできますが、複数のイベントを除外すると、結果の質が低下する場合があります。

    • 順序
    • checkouts
    • purchases
    • webVisit
    • 検索

    その他の推奨される標準イベントタイプ:

    残りの イベントタイプ は、顧客 AI インスタンスの設定時に、目標の複雑さと適格な母集団に基づいて必要になる場合があります。 データが特定のデータ型で使用できる場合は、そのデータをスキーマに含めることをお勧めします。

    シナリオ 4:e コマース小売 Web サイトでのアップセルコンバージョン

    予測の目標: 特定の製品を購入した母集団の購入傾向を予測して、新しい関連製品を購入します。

    必須の標準イベントタイプ:

    この特定の予測目標を使用した最適な顧客 AI 出力を得るには、次に示すイベントタイプが必要です。 予測目標に応じて必要なイベントを除外することもできますが、複数のイベントを除外すると、結果の質が低下する場合があります。

    • 順序
    • checkouts
    • purchases
    • webVisit
    • 検索

    その他の推奨される標準イベントタイプ:

    残りの イベントタイプ は、顧客 AI インスタンスの設定時に、目標の複雑さと適格な母集団に基づいて必要になる場合があります。 データが特定のデータ型で使用できる場合は、そのデータをスキーマに含めることをお勧めします。

    シナリオ 5:オンラインニュースアウトレットで配信停止(チャーン)

    予測の目標: 来月にサービスを購読解除する対象母集団の傾向を予測します。

    必須の標準イベントタイプ:

    この特定の予測目標を使用した最適な顧客 AI 出力を得るには、次に示すイベントタイプが必要です。 予測目標に応じて必要なイベントを除外することもできますが、複数のイベントを除外すると、結果の質が低下する場合があります。

    • webVisit
    • 検索

    また、正確なモデルを得るには、 購読データタイプ.

    その他の推奨される標準イベントタイプ:

    残りの イベントタイプ は、顧客 AI インスタンスの設定時に、目標の複雑さと適格な母集団に基づいて必要になる場合があります。 データが特定のデータ型で使用できる場合は、そのデータをスキーマに含めることをお勧めします。

    シナリオ 6:モバイルアプリケーションを起動

    予測の目標: 有料モバイルアプリを次の X 日間で起動する対象プロファイルの傾向を予測します。 これは、「月別アクティブユーザー」の主要業績評価指標 (KPI) の予測と似ています。

    必須の標準イベントタイプ:

    この特定の予測目標を使用した最適な顧客 AI 出力を得るには、次に示すイベントタイプが必要です。 予測目標に応じて必要なイベントを除外することもできますが、複数のイベントを除外すると、結果の質が低下する場合があります。

    • 順序
    • checkouts
    • purchases
    • webVisit
    • applicationCloses
    • applicationCrashes
    • applicationFeatureUsages
    • applicationFirstLaunches
    • applicationInstalls
    • applicationLaunches
    • applicationUpgrades

    この例では、 order, checkouts、および purchases は、モバイルアプリケーションを購入する必要がある場合に使用されます。

    その他の推奨される標準イベントタイプ:

    残りの イベントタイプ は、顧客 AI インスタンスの設定時に、目標の複雑さと適格な母集団に基づいて必要になる場合があります。 データが特定のデータ型で使用できる場合は、そのデータをスキーマに含めることをお勧めします。

    シナリオ 7:適合した特性 (Adobe Audience Manager)

    予測の目標: 認識される特性の傾向を予測します。

    必須の標準イベントタイプ:

    Adobe Audience Managerの特性を使用するには、 Audience Managerソースコネクタ. ソースコネクタは、適切なフィールドグループを持つスキーマを自動的に作成します。 顧客 AI と連携するスキーマにイベントタイプを手動で追加する必要はありません。

    新しい顧客 AI インスタンスを設定する場合、 audienceName および audienceID を使用して、目標の定義時に、スコアリングの対象となる特定の特性を選択できます。

    顧客 AI 出力データ

    顧客 AI は、適格と見なされる個々のプロファイルの属性を生成します。スコア(出力)を、プロビジョニングした内容に基づいて使用する方法は 2 つあります。 リアルタイム顧客プロファイル対応のデータセットがある場合は、 セグメントビルダー. プロファイルが有効なデータセットがない場合、次の操作を実行できます。 顧客 AI 出力のダウンロード データレイクで使用可能なデータセット。

    出力データセットは、以下にあります。 データセット Platform 内。 すべての顧客 AI 出力データセットは、名前で始まります 顧客 AI スコア — アプリ名. 同様に、すべての顧客 AI 出力スキーマは、 顧客 AI スキーマ — アプリ名.

    cai-schema-name-of-app

    メモ

    出力値は、セグメントの作成と定義に使用できるリアルタイム顧客プロファイルによって使用されます。

    次の表に、顧客 AI の出力に含まれる様々な属性を示します。

    属性 説明
    Score 顧客が、定義された時間枠で予測された目標を達成する相対的な可能性。この値は、確率の割合ではなく、全体の母集団に対する個々の確率として扱われます。このスコアは 0~100 です。
    Probability この属性は、定義された時間枠内で予測された目標を達成するためのプロファイルの真の確率です。異なる目標の出力を比較する場合は、百分位またはスコアに対する確率を考慮することをお勧めします。確率は頻繁に発生しないイベントの方が低い傾向があるため、適格な母集団全体の平均確率を決定するときに常に使用する必要があります。確率範囲の値は 0~1 です。
    百分位 この値は、同様にスコアリングされた他のプロファイルと比較したプロファイルのパフォーマンスに関する情報を提供します。たとえば、チャーンのパーセンタイルランクが 99 のプロファイルは、スコアリングされた他のすべてのプロファイルの 99%と比較して、チャーンのリスクが高いことを示しています。百分位数の範囲は 1~100 です。
    傾向タイプ 選択された傾向タイプ
    スコア日 スコアリングが発生した日付
    影響を与える要因 プロファイルが変換またはチャーンする可能性が高い理由の予測された理由。要素は、次の属性で構成されます。
    • コード:プロファイルの予測スコアにプラスの影響を与えるプロファイルまたは行動属性
    • 値:プロファイルまたは行動属性の値
    • 重要度:予測スコアに対するプロファイルまたは行動属性の重み(低、中、高)

    次の手順

    データを準備し、すべての資格情報とスキーマを設定したら、次の手順に従って開始します。 顧客 AI インスタンスの設定 ガイド。 このガイドでは、顧客 AI 用のインスタンスの作成手順を説明します。

    このページ