自動個人化利用受監督的機器學習和深度學習中的尖端技術,讓業務使用者(行銷人員)能夠定義業務目標,並利用其客戶資料來訓練業務導向的模型,以提供個人化優惠並最大化KPI。
為了最大化使用自動個人化的優勢,請注意一些重要假設和限制。
該模型會學習優惠方案、使用者資訊和內容資訊之間的複雜功能互動,以向一般使用者建議個人化優惠方案。 特徵是模型的輸入。
共有3種功能:
功能型別 | 如何新增特徵至模型 |
---|---|
決策物件(placementID、activityID、decisionScopeID) | 傳送至AEP的決定管理意見體驗事件的一部分 |
對象 | 建立排名AI模型時,可以新增0到50個對象作為功能 |
內容資料 | 傳送至AEP的決定回饋體驗事件的一部分。 可新增到結構描述的可用內容資料:商務詳細資訊、通道詳細資訊、應用程式詳細資訊、網頁詳細資訊、環境詳細資訊、裝置詳細資訊、placeContext |
模型有兩個階段:
以下是一個簡化的範例,說明自動個人化背後的基本概念。 假設我們有資料集,用來儲存使用者和選件之間的歷史互動,如圖1所示。 有:
feature_1、feature_2和回應的值是0或1。 檢視圖1中的藍色方框和橘色方框時,我們可以發現,對於offer_1,當feature_1和feature_2具有相同的值時,回應更有可能是1,而對於offer_2,當feature_1為0和feature_2為1時,標籤更有可能是1。 我們也可以看到在紅色方塊中,當feature_1為0且feature_2為1且回應為0時,會提供offer_1。 根據我們在橘色方塊中看到的模式,當feature_1為0且feature_2為1時,offer_2可能是較好的建議。
基本上,這是學習和記憶歷史功能互動,並套用這些互動以產生個人化預測的構想。
當沒有足夠的資料來進行建議時,就會發生冷啟動問題。 對於自動個人化,有兩種型別的冷啟動問題。
模型將接受重新培訓,以學習最新功能互動,並每週減緩模型效能的下降。