個人化最佳化模型目前僅供選取使用者提早存取。
透過運用監控機器學習和深入學習中的最新技術,自動個人化可讓企業使用者(行銷人員)定義業務目標,並運用其客戶資料來訓練業務導向模型以提供個人化優惠方案並最大化KPI。
為了充分發揮使用自動個人化的優點,需注意一些重要假設和限制。
自動個人化會學習選件、使用者資訊和情境資訊之間的複雜功能互動,以向使用者建議個人化選件。 特徵是模型的輸入。
有3種功能:
功能類型 | 如何為模型新增功能 |
---|---|
決策物件(placementID、activityID、decisionScopeID) | 傳送至AEP的決策管理意見反應事件的一部分 |
區段 | 建立「排名AI」模型時,可新增0-50個區段作為功能 |
內容資料 | 傳送至AEP的決策意見反應事件的一部分。 要添加到架構的可用上下文資料:商務詳細資訊,渠道詳細資訊,應用程式詳細資訊, Web詳細資訊,環境詳細資訊,設備詳細資訊, placeContext |
模型分為兩個階段:
以下是簡化的範例,以說明自動個人化背後的基本理念。 假設我們有一個資料集,可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和回應的值為0或1。 當查看圖1中的藍色框和橙色框時,我們可以發現,對於offer_1,當feature_1和feature_2具有相同值時,響應更可能為1;而對於offer_2,當feature_1為0且feature_2為1時,標籤更可能為1。 我們也可以看到在紅色方塊中,feature1為0且feature2為1且回應為0時,會提供offer1。 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可能是更好的建議。
基本上,這是學習和記憶歷史特徵互動並運用這些互動來產生個人化預測的想法。
當沒有足夠的資料可提供建議時,就會發生冷啟動問題。 針對自動個人化,有兩種冷啟動問題。
每週都會對模型進行重新訓練,以了解最新的功能互動,並減輕模型效能下降的影響。