개인화된 최적화 모델

개요

자동 개인화는 지도 머신 러닝 및 딥 러닝에서 최신 기술을 활용함으로써 비즈니스 사용자(마케터)는 비즈니스 목표를 정의하고 고객 데이터를 활용하여 비즈니스 지향 모델을 교육하여 개인화된 오퍼를 제공하고 KPI를 극대화할 수 있도록 합니다.

주요 모델 가정 및 제한 사항

자동 개인화를 사용할 때의 이점을 극대화하기 위해 몇 가지 주요 가정과 알아 두어야 할 제한 사항이 있습니다.

  • 오퍼가 충분히 다르므로 사용자는 오퍼 간에 서로 다른 환경 설정을 고려하게 됩니다. 오퍼가 너무 유사하면 응답이 무작위로 표시되므로 결과 모델의 영향이 줄어듭니다.
    예를 들어, 은행에 색상이 다른 두 개의 신용 카드 오퍼가 있는 경우, 어떤 카드가 권장되는지는 중요하지 않을 수 있지만, 각 카드에 다른 용어가 있는 경우, 특정 고객이 하나를 선택하고 오퍼 간에 충분한 차이를 제공하여 보다 효과적인 모델을 구축하는 이유에 대한 근거를 제공합니다.
  • 사용자 트래픽 구성이 안정적입니다.. 모델 교육 및 예측 중에 사용자 트래픽 구성이 크게 변경되면 모델 성능이 저하될 수 있습니다. 예를 들어 모델 교육 단계에서 세그먼트 A의 사용자에 대한 데이터만 사용할 수 있지만 교육된 모델은 세그먼트 B의 사용자에 대한 예측을 생성하는 데 사용된다고 가정할 경우 모델 성능에 영향을 줄 수 있습니다.
  • 오퍼 공연은 짧은 기간 동안 크게 변경되지 않습니다 이 모델은 매주 업데이트되며 모델 업데이트 시 성능에 대한 변경 사항이 전달됩니다. 예를 들어, 이전에는 제품이 매우 인기 있었지만, 공개 보고서를 통해 해당 제품이 우리 건강에 해롭다는 사실이 확인되어 이 제품이 매우 빠르게 인기 없게 됩니다. 이 시나리오에서는 모델이 사용자 동작의 변경으로 업데이트될 때까지 모델이 이 제품을 계속 예측할 수 있습니다.

작동 방법

이 모델은 오퍼, 사용자 정보 및 컨텍스트 정보 간의 복잡한 기능 상호 작용을 학습하여 최종 사용자에게 개인화된 오퍼를 추천합니다. 피쳐는 모델에 대한 입력입니다.

기능에는 세 가지 유형이 있습니다.

기능 유형 모델에 기능을 추가하는 방법
세그먼트 순위 AI 모델을 만들 때 0~50개의 세그먼트를 기능으로 추가할 수 있습니다
의사 결정 개체(placementID, activityID, decisionScopeID) AEP로 전송된 의사 결정 관리 피드백 경험 이벤트의 일부
컨텍스트 데이터 AEP로 전송된 의사 결정 피드백 경험 이벤트의 일부입니다. 스키마에 추가할 수 있는 컨텍스트 데이터: 상거래 세부 정보, 채널 세부 정보, 애플리케이션 세부 정보, 웹 세부 정보, 환경 세부 정보, 장치 세부 정보, placeContext

이 모델에는 다음 두 가지 단계가 있습니다.

  • 다음에서 오프라인 모델 교육 단계, 모형은 역사적 데이터에서의 특징 상호 작용을 학습하고 암기하여 훈련된다.
  • 다음에서 온라인 추론 단계에서 후보 오퍼는 모델에서 생성한 실시간 점수를 기반으로 순위가 지정됩니다. 자동 개인화는 사용자와 오퍼를 위한 기능을 포함하기 어려운 기존의 협업 필터링 기법과 달리 딥러닝 기반의 추천 방법으로, 복잡하고 비선형적인 기능 상호 작용 패턴을 포함하고 학습할 수 있다.

다음은 자동 개인화의 기본 아이디어를 설명하는 간단한 예입니다. 사용자와 오퍼 간의 과거 상호 작용을 저장하는 데이터 세트가 있다고 가정해 봅시다(그림 1 참조). 다음이 있습니다.

  • 두 개의 오퍼, offer_1 및 offer_2,
  • feature_1 및 feature_2, 두 피쳐
  • 응답 열.

feature_1, feature_2 및 response 의 값은 0 또는 1 입니다. 그림 1의 파란색 상자와 주황색 상자를 보면 offer_1의 경우 feature_1과 feature_2가 동일한 값을 가질 때 응답이 1일 가능성이 더 높고, offer_2의 경우 feature_1이 0이고 feature_2가 1일 때 레이블이 1일 가능성이 더 높습니다. 또한 빨간색 상자에서 feature_1 이 0 이고 feature_2 가 1 이고 응답이 0 인 경우 offer_1 이 제공된다는 것을 알 수 있습니다. 주황색 상자에 표시되는 패턴을 기반으로 feature_1 이 0 이고 feature_2 가 1 일 때 offer_2 가 더 나은 권장 사항입니다.

기본적으로, 이는 역사적 특징적 상호 작용을 학습하고 암기하여 이를 적용하여 개인화된 예측을 생성한다는 개념이다.

콜드-스타트 문제

콜드 스타트 문제는 추천을 하기에 충분한 데이터가 없을 때 발생합니다. 자동 개인화의 경우 두 가지 유형의 콜드 스타트 문제가 있습니다.

  • 내역 데이터 없이 새 순위 전략을 만든 후​는 일정 기간 동안 데이터를 수집하기 위해 임의로 제공되며 데이터는 첫 번째 모델을 교육하는 데 사용됩니다.
  • 첫 번째 모델이 릴리스된 후, 전체 트래픽의 10%가 무작위 서비스에 할당되며, 트래픽의 90%가 모델 추천에 사용됩니다. 따라서 순위 전략에 새 오퍼가 추가되면 트래픽의 10%의 일부로 제공됩니다. 이러한 오퍼에 수집된 데이터는 모델이 계속 업데이트될 때 트래픽의 90% 중에서 선택되는 횟수를 결정합니다.

재교육

모델은 최신 기능 상호 작용을 학습하고 매주 모델 성능 저하를 완화하도록 다시 교육됩니다.

이 페이지에서는