개인화된 최적화 모델

주의

현재 개인화된 최적화 모델을 사용하면 사용자를 선택하기만 하면 조기 액세스에서 사용할 수 있습니다.

개요

자동화된 개인화는 감독 기계 학습 및 심층 학습에서 첨단 기술을 활용하여 비즈니스 사용자(마케터)가 비즈니스 목표를 정의하고 고객 데이터를 활용하여 비즈니스 중심 모델을 교육하여 개인화된 오퍼를 제공하고 KPI를 극대화할 수 있습니다.

주요 모델 가정 및 제한 사항

자동 개인화 사용의 이점을 극대화하기 위해 알고 있어야 하는 몇 가지 주요 가정 및 제한 사항이 있습니다.

  • 오퍼가 서로 다르기 때문에 사용자는 고려 중인 오퍼 간에 서로 다른 환경 설정을 갖게 됩니다. 오퍼가 너무 유사하면 응답이 임의 것처럼 표시되므로 결과 모델에 미치는 영향이 줄어듭니다.
    예를 들어, 한 은행에 색상에 유일한 차이가 있는 두 개의 신용 카드 오퍼가 있는 경우, 어느 카드가 추천되는지는 중요하지 않을 수 있지만, 각 카드에 다른 용어가 있는 경우, 특정 고객이 하나를 선택하고 더 영향력 있는 모델을 만들기 위해 오퍼 간에 충분한 차이를 제공하는 이유에 대해 이유가 됩니다.
  • 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 교육을 받은 모델은 세그먼트 B의 사용자에 대한 예측을 생성하는 데 사용되면 모델 성능에 영향을 줄 수 있습니다.
  • 짧은 시간 동안 오퍼 성능이 크게 변경되지 않습니다 이 모델은 매주 업데이트되고 성능에 대한 변경 사항이 모델 업데이트로 전달됩니다. 예를 들어, 한 제품이 전에 매우 유명했지만, 공개 보고서는 그 제품이 우리 건강에 해롭다고 인식하며, 이 제품은 굉장히 빨리 인기가 없게 됩니다. 이 시나리오에서는 모델이 사용자 행동의 변화로 업데이트될 때까지 모델이 이 제품을 계속 예측할 수 있습니다.

작동 방법

자동 개인화는 오퍼, 사용자의 정보 및 상황별 정보 간의 복잡한 기능 상호 작용을 학습하여 최종 사용자에게 개인화된 오퍼를 추천합니다. 피쳐는 모델에 입력됩니다.

다음과 같은 3가지 유형의 기능이 있습니다.

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

이 모델에는 다음 두 단계가 있습니다.

  • 에서 오프라인 모델 교육 1단계 모델은 역사적 자료를 통해 특징적인 상호 작용을 학습하고 암기하는 과정을 통해 학습됩니다.
  • 에서 온라인 추론 단계, 후보 오퍼는 모델에서 생성된 실시간 점수를 기반으로 순위가 지정됩니다. 사용자 및 오퍼에 대한 기능을 포함하기 어려운 기존의 공동 작업 필터링 기법과 달리, 자동 개인화는 깊은 학습 기반 추천 방법이며, 복잡하고 비선형 기능 상호 작용 패턴을 포함 및 배울 수 있습니다.

다음은 자동 개인화 이면의 기본 아이디어를 보여주는 간단한 예입니다. 그림 1에 표시된 사용자와 오퍼 간의 내역 상호 작용을 저장하는 데이터 세트가 있다고 가정합니다. 다음 항목이 있습니다.

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

feature_1, feature_2 및 응답 값은 0 또는 1입니다. 그림 1의 파란색 상자 및 주황색 상자를 보면 offer_1의 경우 feature_1 및 feature_2의 값이 동일하면 응답이 1이 될 가능성이 높고 offer_2의 경우 feature_1이 0이고 feature_2가 1인 경우 레이블이 1이 될 가능성이 높습니다. 또한 빨간색 상자에서 feature_1이 0이고 feature_2이 1이고 응답이 0인 경우 offer_1이 제공됩니다. 주황색 상자에 표시되는 패턴을 기반으로 feature_1이 0이고 feature_2가 1인 경우 offer_2가 더 좋습니다.

기본적으로, 이것은 배우고, 역사적인 특징의 상호작용을 암기하며, 이를 적용하여 개인화된 예측을 생성하는 생각입니다.

시작 준비 문제

권장 사항을 제공할 데이터가 충분하지 않은 경우 콜드 시작 문제가 발생합니다. 자동 개인화의 경우 두 가지 유형의 콜드 스타트 문제가 있습니다.

  • 내역 데이터가 없는 새 등급 전략을 만든 후​인 경우 는 데이터를 수집하는 동안 일정 기간 동안 오퍼를 임의로 제공하고 데이터는 첫 번째 모델을 교육하는 데 사용됩니다.
  • A 첫 번째 모델이 릴리즈되면​를 지정하면, 총 트래픽의 10%가 무작위 서비스에 할당되고 트래픽의 90%가 모델 권장 사항에 사용됩니다. 따라서 순위 전략에 새 오퍼가 추가되면 트래픽의 10%의 일부로 전달됩니다. 이러한 오퍼에 대해 수집된 데이터는 모델이 계속 업데이트되므로 트래픽의 90% 중에서 선택된 횟수를 결정합니다.

재교육

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

이 페이지에서는