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.
자동 개인화를 사용할 때의 이점을 극대화하기 위해 몇 가지 주요 가정과 알아 두어야 할 제한 사항이 있습니다.
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 |
---|---|
의사 결정 개체(placementID, activityID, decisionScopeID) | AEP로 전송된 의사 결정 관리 피드백 경험 이벤트의 일부 |
대상자 | 순위 AI 모델을 만들 때 0~50개의 대상을 기능으로 추가할 수 있습니다 |
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.
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.
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 문제는 추천을 하기에 충분한 데이터가 없을 때 발생합니다. 자동 개인화의 경우 두 가지 유형의 콜드 스타트 문제가 있습니다.
모델은 최신 기능 상호 작용을 학습하고 매주 모델 성능 저하를 완화하도록 다시 교육됩니다.