摘要和优势

祝贺您并感谢您花时间学习数据科学工作区和Adobe Experience Platform!
在本单元中,您学习了如何使用数据科学工作区从JupyterLab中的Adobe Experience Platform读取数据到数据框架中。 然后,您构建了一个功能管道,在管道中过滤掉与模型相关的数据,并对这些数据做了一些可视化操作。 您还使用ML模型创建了菜谱,然后可以轻松地重复使用该菜谱,以培训和评分客户及其行为。 最后,该模型的输出是针对客户的推荐列表,然后该用户档案成为其Adobe Experience Platform实时客户的一部分,以便这些推荐可用于在线上和线下渠道个性化客户体验。

如今的消费者希望品牌知道自己是谁,并在每次与品牌接触时个性化。 要提供卓越的客户体验,品牌必须了解和预测客户需求。 通过数据科学工作区,您可以随时间进一步了解客户的习惯,并提出个性化、相关的建议,从而提高转化率并将客户转变为品牌拥护者。

优点

让我们强调将数据科学工作区与Adobe Experience Platform结合使用的好处:

  • 如今,数据科学家花费大量时间对来自不同来源的数据进行建模。 在向数据科学家询问有关此问题的问题时,他们通常会回答,他们80%的时间花在理解和建模数据上。 在Adobe Experience Platform,所有数据都已基于XDM建模,这意味着数据科学家现在能够将80%的时间用于创建和优化模型。
  • 借助数据科学工作区和Adobe Experience Platform,数据科学家的另一个问题以优雅的方式得到解决。 如今,当数据科学家构建了一个模型来提供实例倾向得分时,挑战是尽可能快地将这些倾向得分加入用于与客户交谈的各种应用程序中。 这需要大量自定义工作流和集成,并且通常是一个大障碍。 在Adobe Experience Platform,任何型号的输出都可以立即写回实时客户用户档案,连接到Adobe Experience Platform的任何应用程序都可以从该处消耗。 这样,模型的影响就会放大,并确保在全渠道世界中实现智能个性化。
  • 为了实现以上几点,数据科学工作区优惠数据科学家2个SDK从Platform读取数据并将数据写回Platform。
  • 借助Adobe Experience Platform,数据科学成为体验工作流程的核心部分,不再是生态系统中的一个孤岛。

您现在可以:

  • 利用开箱即用的功能(如随时可使用基于XDM建模的数据并激活所有渠道的洞察),加快实现价值的速度。
  • 通过将模型运行为非技术利益相关方的自助服务方法和服务,在整个组织内发挥作用,扩大您的数据科学工作。
  • 使用机器学习和预测建模来了解和预测客户在一段时间内的行为和偏好,从而在适当的时间为交叉销售和追加销售提供个性化的产品建议。
  • 让推荐成为实时客户用户档案的一部分,以创建可实时使用的更全面的客户用户档案
  • 在整个客户旅程中利用推荐,创造引人入胜的全渠道体验,从而提高购买意图和客户满意度。
  • 通过传统人口统计、数字数据等多种数据类型,将个性化体验转变为新兴渠道数据,如聊天机器人和智能设备。

看看这个

返回模块8

返回到所有模块

在此页面上