현재 개인화된 최적화 모델을 사용하면 사용자를 선택하기만 하면 조기 액세스에서 사용할 수 있습니다.
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.
자동 개인화 사용의 이점을 극대화하기 위해 알고 있어야 하는 몇 가지 주요 가정 및 제한 사항이 있습니다.
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.
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.
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.
권장 사항을 제공할 데이터가 충분하지 않은 경우 콜드 시작 문제가 발생합니다. 자동 개인화의 경우 두 가지 유형의 콜드 스타트 문제가 있습니다.
모델은 최신 기능 상호 작용을 학습하고 모델 성능 저하를 매주 완화하도록 재교육됩니다.