Entrada y salida en Customer AI
En el siguiente documento se describen los diferentes eventos, entradas y resultados necesarios que se utilizan en la inteligencia artificial aplicada al cliente.
Introducción getting-started
Estos son los pasos para crear modelos de tendencia e identificar audiencias objetivo para el marketing personalizado en la inteligencia artificial aplicada al cliente:
-
Describir casos de uso: ¿cómo ayudarían los modelos de tendencia a identificar audiencias de destino para el marketing personalizado? ¿Cuáles son mis objetivos comerciales y las tácticas correspondientes para lograr el objetivo? ¿Dónde puede encajar el modelado de tendencia en este proceso?
-
Priorizar casos de uso: ¿cuáles son las prioridades más altas para la empresa?
-
Generar modelos en la inteligencia artificial aplicada al cliente: vea este tutorial rápido y consulte nuestra guía de interfaz de usuario para obtener un proceso paso a paso con el fin de crear un modelo.
-
Generar segmentos utilizando los resultados del modelo.
-
Realice acciones comerciales dirigidas en función de estos segmentos. Monitorice los resultados e itere las acciones para mejorar.
Estas son algunas configuraciones de ejemplo para su primer modelo. El modelo de ejemplo, creado en este documento, utiliza un modelo de inteligencia artificial aplicada al cliente para predecir quién tiene probabilidades de realizar la conversión para un negocio minorista en los próximos 30 días. El conjunto de datos de entrada es un conjunto de datos Adobe Analytics.
Tipo de modelo: Conversión
Identidad: Asegúrese de que la columna de identidad de cada conjunto de datos esté configurada para ser una identidad común.
commerce.purchases.value
igual a lápizVentana de resultados: 30 días.
Habilitar para el perfil: debe habilitarse para que la salida del modelo se utilice en la segmentación.
Resumen de datos data-overview
En las siguientes secciones se describen los diferentes eventos, entradas y resultados necesarios que se utilizan en la inteligencia artificial aplicada al cliente.
La inteligencia artificial aplicada al cliente funciona analizando los siguientes conjuntos de datos para predecir la pérdida (cuando es probable que un cliente deje de usar el producto) o la conversión (cuando es probable que un cliente realice una compra) puntuaciones de tendencia:
- Datos de Adobe Analytics que usan el conector de origen de Analytics
- Datos de Adobe Audience Manager que usan el conector de origen del Audience Manager
- Conjunto de datos de evento de experiencia
- Conjunto de datos de evento de experiencia del consumidor
Puede agregar varios conjuntos de datos de diferentes fuentes si cada uno de los conjuntos de datos comparte el mismo tipo de identidad (área de nombres), como un ECID. Para obtener más información sobre cómo agregar varios conjuntos de datos, visite la Guía del usuario de inteligencia artificial aplicada al cliente.
En la tabla siguiente se describen algunos términos comunes utilizados en este documento:
Experience Event
. El comportamiento de datos de un esquema se define mediante la clase del esquema, que se asigna a un esquema cuando se crea por primera vez. Las clases XDM describen el número más pequeño de propiedades que debe contener un esquema para representar un comportamiento de datos determinado.meta:intendedToExtend
.Datos de entrada de Customer AI customer-ai-input-data
Para conjuntos de datos de entrada, como Adobe Analytics y Adobe Audience Manager, los respectivos conectores de origen asignan directamente los eventos en estos grupos de campos estándar (Commerce, Web, Aplicación y Búsqueda) de forma predeterminada durante el proceso de conexión. La siguiente tabla muestra los campos de evento de los grupos de campos estándar predeterminados para la inteligencia artificial aplicada al cliente.
Para obtener más información sobre la asignación de datos de Adobe Analytics o de datos de Audience Manager, visite las asignaciones de campos de Analytics o la guía de asignaciones de campos del Audience Manager 1}.
Puede utilizar esquemas XDM de evento de experiencia o de evento de experiencia del consumidor para conjuntos de datos de entrada que no se rellenen a través de uno de los conectores anteriores. Se pueden agregar grupos de campos XDM adicionales durante el proceso de creación del esquema. Los grupos de campos se pueden proporcionar mediante Adobes como los grupos de campos estándar o un grupo de campos personalizados, que coincide con la representación de datos en la plataforma.
Grupos de campos estándar utilizados por Customer AI standard-events
Los eventos de experiencia se utilizan para determinar varios comportamientos de cliente. Según la estructura de los datos, es posible que los tipos de evento enumerados a continuación no abarquen todos los comportamientos del cliente. Depende de usted determinar qué campos tienen los datos necesarios para identificar de forma clara e inequívoca la actividad del usuario web o de otro canal específico. Según el objetivo de predicción, los campos obligatorios que se necesitan pueden cambiar.
La inteligencia artificial aplicada al cliente utiliza los eventos en estos cuatro grupos de campos estándar de forma predeterminada: Commerce, Web, Aplicación y Búsqueda. No es necesario tener datos para cada evento en los grupos de campos estándar enumerados a continuación, pero se requieren ciertos eventos para ciertos escenarios. Si tiene disponibles eventos en los grupos de campos estándar, se recomienda incluirlos en el esquema. Por ejemplo, si desea crear un modelo de inteligencia artificial aplicada al cliente para predecir eventos de compra, resulta útil tener datos de los grupos de campos Commerce y Detalles de página web.
Para ver un grupo de campos en la interfaz de usuario de Platform, seleccione la pestaña Esquemas en el carril izquierdo, seguida de la pestaña Grupos de campos.
-
commerce.order.purchaseID
-
productListItems.SKU
-
commerce.productListViews.value
-
productListItems.SKU
-
commerce.checkouts.value
-
productListItems.SKU
-
commerce.purchases.value
-
productListItems.SKU
-
commerce.productListRemovals.value
-
productListItems.SKU
-
commerce.productListOpens.value
-
productListItems.SKU
-
commerce.productViews.value
-
productListItems.SKU
web.webPageDetails.name
web.webInteraction.linkClicks.value
-
application.applicationCloses.value
-
application.name
-
application.crashes.value
-
application.name
-
application.featureUsages.value
-
application.name
-
application.firstLaunches.value
-
application.name
-
application.installs.value
-
application.name
-
application.launches.value
-
application.name
-
application.upgrades.value
-
application.name
search.keywords
Además, la inteligencia artificial aplicada al cliente puede utilizar los datos de suscripción para crear mejores modelos de pérdida. Se necesitan datos de suscripción para cada perfil que use el formato de tipo de datos Subscription. La mayoría de los campos son opcionales; sin embargo, para lograr un modelo de pérdida óptimo, se recomienda que proporcione datos para tantos campos como sea posible, como startDate
, endDate
y cualquier otro detalle relevante. Póngase en contacto con el equipo de su cuenta para obtener soporte adicional sobre esta función.
Añadir eventos personalizados y atributos de perfil add-custom-events
Si tiene información que desea incluir además de los campos de evento estándar predeterminados que usa la inteligencia artificial aplicada al cliente, puede usar la configuración de evento personalizada para aumentar los datos que usa el modelo.
Cuándo utilizar eventos personalizados
Los eventos personalizados son necesarios cuando los conjuntos de datos elegidos en el paso de selección de conjuntos de datos contienen none de los campos de evento predeterminados utilizados por la inteligencia artificial aplicada al cliente. La inteligencia artificial aplicada al cliente necesita información sobre al menos un evento de comportamiento del usuario que no sea el resultado.
Los eventos personalizados son útiles para lo siguiente:
-
Incorporar conocimientos de dominio o experiencia previa en el modelo.
-
Mejora de la calidad del modelo predictivo.
-
Obtención de información e interpretaciones adicionales.
Los mejores candidatos para los eventos personalizados son los datos que contienen conocimientos de dominio que pueden ser predictivos del resultado. Algunos ejemplos generales de eventos personalizados son:
-
Registrarse para obtener cuenta
-
Suscribirse a la newsletter
-
Realizar una llamada al servicio de atención al cliente
A continuación se muestra una selección de ejemplos de eventos personalizados específicos del sector:
Suscríbete a la tarjeta del club
Cupón móvil de clip.
Transmitir vídeo.
. Compre puntos de fidelidad.
Los eventos personalizados deben representar acciones iniciadas por el usuario para poder seleccionarse. Por ejemplo, "Envío de correo electrónico" es una acción iniciada por un experto en marketing y no por el usuario, por lo que no debe utilizarse como evento personalizado.
Datos históricos
La inteligencia artificial aplicada al cliente requiere datos históricos para la formación de modelos. La duración necesaria para que los datos existan dentro del sistema está determinada por dos elementos clave: la ventana de resultados y la población elegible.
De forma predeterminada, la inteligencia artificial aplicada al cliente busca un usuario que haya tenido actividad en los últimos 45 días si no se proporciona ninguna definición de población apta durante la configuración de la aplicación. Además, la inteligencia artificial aplicada al cliente requiere un mínimo de 500 eventos clasificatorios y 500 no clasificatorios (1000 en total) a partir de datos históricos basados en una definición de objetivo predicha.
Los siguientes ejemplos muestran el uso de una fórmula simple que ayuda a determinar la cantidad mínima de datos necesaria. Si tiene más datos que el requisito mínimo, es probable que el modelo proporcione resultados más precisos. Si tiene menos de la cantidad mínima requerida, el modelo fallará, ya que no hay suficientes datos para la formación del modelo.
La inteligencia artificial aplicada al cliente emplea un modelo de supervivencia para estimar la probabilidad de que un evento se produzca en un momento determinado e identificar los factores que influyen, junto con el aprendizaje supervisado que define las poblaciones positivas y negativas y árboles basados en decisiones como lightgbm
para generar una puntuación de probabilidad.
fórmula:
Para decidir la duración mínima requerida de los datos existentes en el sistema:
-
El mínimo de datos necesario para crear funciones es de 30 días. Comparar la ventana retrospectiva de idoneidad con 30 días:
-
Si la ventana retrospectiva de idoneidad es mayor de 30 días, la necesidad de datos = ventana retrospectiva de idoneidad + ventana de resultado.
-
De lo contrario, el requisito de datos = 30 días + ventana de resultado.
-
** Si hay más de una condición para definir la población elegible, la ventana retrospectiva de idoneidad es la más larga.
Ejemplos:
-
Desea predecir si es probable que un cliente compre un reloj en los próximos 30 días para aquellos que hayan realizado alguna actividad en la web en los últimos 60 días.
-
Ventana retrospectiva de idoneidad = 60 días
-
Ventana de resultado = 30 días
-
Datos necesarios = 60 días + 30 días = 90 días
-
-
Desea predecir si es probable que el usuario compre un reloj en los próximos 7 días sin que proporcione una población elegible explícita. En este caso, la población elegible toma como valor predeterminado "aquellos que han tenido actividad en los últimos 45 días" y la ventana de resultado es de 7 días.
-
Ventana retrospectiva de idoneidad = 45 días
-
Ventana de resultado = 7 días
-
Datos necesarios = 45 días + 7 días = 52 días
-
-
Desea predecir si es probable que el cliente compre un reloj en los próximos 7 días para aquellos que hayan realizado alguna actividad en la web en los últimos 7 días.
-
Ventana retrospectiva de idoneidad = 7 días
-
Datos mínimos necesarios para crear funciones = 30 días
-
Ventana de resultado = 7 días
-
Datos necesarios = 30 días + 7 días = 37 días
-
Aunque la inteligencia artificial aplicada al cliente requiere un período mínimo de tiempo para que los datos existan en el sistema, también funciona mejor con datos recientes. Al utilizar datos de comportamiento más recientes, es probable que la inteligencia artificial aplicada al cliente genere una predicción más precisa del comportamiento futuro de un usuario.
Datos de salida de Customer AI customer-ai-output-data
La inteligencia artificial aplicada al cliente genera varios atributos para perfiles individuales que se consideran aptos. Existen dos maneras de consumir la puntuación (salida) en función de lo que haya aprovisionado. Si tiene un conjunto de datos habilitado para el Perfil del cliente en tiempo real, puede consumir datos del Perfil del cliente en tiempo real en Generador de segmentos. Si no tiene un conjunto de datos con perfil habilitado, puede descargar el conjunto de datos de salida de inteligencia artificial aplicada al cliente disponible en el lago de datos.
Puede encontrar el conjunto de datos de salida en el área de trabajo de la plataforma Conjuntos de datos. Todos los conjuntos de datos de salida de inteligencia artificial aplicada al cliente comienzan con el nombre Puntuaciones de inteligencia artificial aplicada al cliente - NAME_OF_APP. Del mismo modo, todos los esquemas de salida de inteligencia artificial aplicada al cliente comienzan con el nombre Esquema de inteligencia artificial aplicada al cliente - Name_of_app.
La siguiente tabla describe los distintos atributos que se encuentran en la salida de la inteligencia artificial aplicada al cliente:
Estas son las razones previstas por las que un perfil es probable que se convierta o se pierda. Estos factores están compuestos por los siguientes atributos:
- Código: el perfil o atributo de comportamiento que influye positivamente en la puntuación prevista de un perfil.
- Valor: Valor del perfil o atributo de comportamiento.
- Importancia: Indica el peso del perfil o atributo de comportamiento en la puntuación predicha (baja, media, alta)
Pasos siguientes next-steps
Una vez que prepare los datos y se asegure de que todas sus credenciales y esquemas están en su lugar, consulte la guía Configurar una instancia de inteligencia artificial aplicada al cliente, que le guiará por un tutorial paso a paso para crear una instancia de inteligencia artificial aplicada al cliente.