Sur cette page : Découvrez les compétences CX Enterprise Coworker disponibles pour la prise de décision dans Adobe Journey Optimizer, en comprenant pourquoi une offre a été présentée ou non à un profil ou à un segment, et en créant, expliquant, simulant et optimisant des règles d’éligibilité et des formules de classement, avec des conseils détaillés, des exemples d’invites et des bonnes pratiques.
En savoir plus :
- Compétences des collègues pour Journey Optimizer - Présentation des compétences des collègues dans les Parcours, la fidélité, la gestion de contenu et la prise de décision dans Journey Optimizer.
- Documentation des collègues — Présentation des fonctionnalités des campagnes, conversations et projets des collègues.
- Guide de l’interface utilisateur du Chat des collègues — comment accéder au Chat des collègues et y naviguer.
Explicateur de prise de décision decisioning-explainer
Decisioning Explicer répond, en langage naturel, à la question de savoir pourquoi une offre spécifique a été présentée ou non à un profil donné ou, plus largement, pourquoi un segment de profils ne voit pas d’offre. Elle décrit la pile de prise de décision complète pour le profil (ou segment) et la fenêtre temporelle demandés : les offres éligibles, les règles d’éligibilité incluses ou exclues, la limitation de la fréquence ou de la fatigue ayant supprimé l’offre, les scores de classement finaux et la stratégie ou le modèle d’IA qui les ont générés, ainsi que le pool de candidats (collection d’éléments) en fonction duquel le profil a été évalué.
Cela permet de relever un défi courant pour les marketeurs : expliquer pourquoi une offre s’est classée au-dessus d’une autre ou pourquoi une décision d’offre spécifique s’est produite de la manière dont elle s’est produite. Decisioning Explicer est en lecture seule. Il explique les décisions, mais ne modifie pas les règles, les formules de classement ni les stratégies de sélection.
Cas d’utilisation clés
-
Pourquoi une offre spécifique a été présentée ou non
Exemples d’invites :
- « Pourquoi les 12345 du profil ont-ils vu l’offre X le 15 mai ? »
- « Le profil X n’était-il pas éligible à cette offre ? »
- « Quelle règle d’éligibilité a exclu ce client ? »
- « Montrez-moi à quelles offres le profil X était éligible le 3 juin. »
-
Pourquoi la visibilité d’une offre a changé au fil du temps
Exemples d’invites :
- « Pourquoi l’offre Y a-t-elle cessé de s’afficher pour les clients récurrents au cours des 7 derniers jours ? »
- « Combien de fois ce client a-t-il vu cette offre ? »
- « Cette offre était-elle limitée pour le profil X ? »
- « Quelles offres sont actuellement supprimées pour le profil X en raison de contraintes de limitation ? »
-
Comment une offre a été classée ou sélectionnée
Exemples d’invites :
- « Découvrez comment l’offre Z a été sélectionnée par rapport aux autres offres éligibles pour ce profil. »
- « Quel était le score de classement de chaque offre dans cette décision ? »
- « Pourquoi l’offre A s’est-elle classée au-dessus de l’offre B pour ce profil ? »
- « Quels facteurs ont le plus influencé le résultat du classement ? »
-
Explications au niveau du segment
L’explicateur de prise de décision peut agréger cette logique sur un segment plutôt que sur un seul profil, ce qui fait apparaître la raison dominante pour laquelle un groupe de profils ne voit pas d’offre.
Exemples d’invites :
- « Pour les clients de cette audience, quelle est la raison la plus courante de leur exclusion ? »
- « Quelles offres ce segment reçoit-il réellement ? »
- « Pourquoi mon segment de fidélité ne voit-il pas cette offre ? »
Bonnes pratiques en matière de promotion
- Identifiants de référence lorsqu’ils sont connus : indiquez l’identifiant de profil, le nom de l’offre ou le nom du segment pour obtenir une trace précise plutôt qu’une réponse générale.
- Inclure une fenêtre temporelle : spécifiez une date ou une période lorsque vous demandez pourquoi la visibilité d’une offre a changé, afin que vos collègues puissent correctement définir la portée de la trace.
- Demandez directement la répartition du classement : si vous souhaitez obtenir les détails de la notation, demandez explicitement le score de classement ou les facteurs qui ont influencé le résultat.
- Utiliser des questions au niveau du segment pour les tendances : lorsque vous recherchez les raisons pour lesquelles un groupe de profils ne voit pas d’offre, posez-vous des questions sur le segment plutôt que sur un seul profil pour obtenir la raison dominante.
Règles et classement rules-ranking
Règles et classement fournit aux marketeurs une assistance optimisée par l’IA pour créer, comprendre et tester la logique de prise de décision, sans avoir à écrire ou à valider manuellement la syntaxe PQL. Il couvre quatre fonctionnalités principales : création de règles en langage naturel, explication des règles en anglais brut et des formules de classement, simulation par rapport à jusqu’à 3 profils de test et optimisation de PQL. Il s’étend aux règles d’éligibilité et aux formules de classement. Il ne crée ni ne modifie les stratégies de sélection ou les politiques de décision.
Cas d’utilisation clés
-
Création de règles en langage naturel
Transformez une description en langage clair en syntaxe de règle d’éligibilité PQL, pour les nouvelles règles comme pour les modifications apportées aux règles existantes.
Exemples d’invites :
- « Pouvez-vous créer une règle d’éligibilité qui cible les utilisateurs répondant aux conditions XYZ ? »
- « Créez une règle d’éligibilité ciblant les membres du programme de fidélité de niveau 2 ou supérieur. »
- « Créez une règle PQL qui exclut les clients et clientes qui ont effectué un achat au cours des 7 derniers jours. »
- « Modifiez cette règle pour exclure également les clients de la liste de suppression. »
-
Explication des règles et des formules en anglais brut
Expliquez le rôle d’une règle d’éligibilité ou d’une formule de classement existante (ce qu’elle inclut ou exclut, et la signification de chaque condition) sans avoir à lire la syntaxe PQL.
Exemples d’invites :
- « Pouvez-vous m’expliquer cette règle en langage naturel ? »
- « À quoi sert cette formule de classement ? »
- « Qui est ciblé par cette règle d’éligibilité et qui est-ce qu’elle exclut ? »
- « Résumez cette règle en une seule phrase. »
- « Pourquoi l’offre A se classe-t-elle au-dessus de l’offre B pour ce client ? »
- « Cette règle est-elle trop restrictive pour une vaste campagne de sensibilisation ? »
- « Quelle condition de cette règle filtre le plus de profils ? »
-
Simulation
Exécutez une règle d’éligibilité ou une formule de classement par rapport à un maximum de 3 profils de test (saisis manuellement ou générés par l’IA, y compris les cas Edge) et obtenez des résultats de réussite/échec avec la condition d’échec spécifique ou une liste classée d’offres avec des scores numériques.
Exemples d’invites :
- « Simuler cette règle avec des profils de test. »
- « Cette règle est-elle acceptée pour un profil où loyalty_tier = gold ? »
- « Quels profils transmettent cette règle d’éligibilité : [profil A, profil B, profil C] ? »
- « Pourquoi ce profil n’a-t-il pas réussi la vérification d’éligibilité ? »
- « Générer des profils de test pour cette règle d’éligibilité. »
- « Générer des profils de cas de périphérie qui testent cette condition. »
- « Simulez cette formule de classement sur ces offres et profils. »
- « Quelle offre serait la plus élevée pour ce profil compte tenu de cette formule ? »
- « Comparez le comportement de cette règle d’éligibilité pour un client Gold par rapport à un client Silver par rapport à un client Basic tier. »
-
Optimisation de
Réécrivez une règle ou une formule existante avec une syntaxe plus concise pour respecter les limites de taille du PQL de Journey Optimizer, sans modifier sa logique ou son résultat.
Exemples d’invites :
- « Optimisez cette règle PQL pour moi. »
- « Cette règle atteint les limites de taille de PQL. Pouvez-vous la raccourcir ? »
Bonnes pratiques en matière de promotion
- Indiquez explicitement la condition cible : lors de la création ou de la modification d’une règle, indiquez l’audience, l’attribut ou la condition d’exclusion exacts que vous souhaitez.
- Référencez directement la règle ou la formule : lorsque vous demandez une explication, une simulation ou une optimisation, assurez-vous que la règle ou la formule que vous voulez utiliser est ouverte ou clairement identifiée.
- Demander les cas de périphérie : lors de la simulation, demandez à votre collègue de générer des profils de cas de périphérie pour tester une condition, et pas seulement des cas types.
- Vérifier avant publication : vérifiez la logique et les résultats de simulation d’une règle générée ou optimisée avant de la publier.
This section contains structured knowledge intended to support interpretation, retrieval, and question answering related to this topic.
For complete understanding, this information should be combined with the documentation on this page. Neither source is intended to stand alone; the page describes the feature, while this section provides additional context that helps disambiguate terminology, intent, applicability, and constraints.
- TL;DR: This page documents two CX Coworker skills for Decisioning in Adobe Journey Optimizer: Decisioning Explainer, which explains in natural language why a specific offer was or wasn’t shown to a profile or segment; and Rules & Ranking, which creates, explains, simulates, and optimizes eligibility rules and ranking formulas in natural language, without requiring PQL syntax.
Intents
- Understand why a specific offer was or wasn’t shown to a profile.
- Understand why an offer’s visibility to a customer or segment changed over time.
- Understand how an offer was ranked or selected over other eligible offers.
- Get an aggregated explanation of why a segment of profiles isn’t seeing an offer.
- Create a new eligibility rule, or edit an existing one, from a plain-language description.
- Get a plain-English explanation of what an existing eligibility rule or ranking formula does.
- Simulate an eligibility rule or ranking formula against test profiles.
- Rewrite a rule or formula to fit within PQL size limits without changing its logic.
Glossary
- Decisioning Explainer (product-specific): CX Coworker skill that explains, in natural language, why an offer was or wasn’t shown to a profile or segment, by tracing eligibility, capping, ranking, and candidate pool evaluation.
- Rules & Ranking (product-specific): CX Coworker skill that creates, explains, simulates, and optimizes Decisioning eligibility rules and ranking formulas using natural language, without requiring the marketer to write or read PQL syntax directly.
- Eligibility rule: a condition that includes or excludes an offer as a candidate for a given profile; Decisioning Explainer identifies which rule included or excluded each candidate offer, and Rules & Ranking can create, explain, simulate, or optimize the rule itself.
- Ranking formula: the logic used to score and order eligible offers; Rules & Ranking can create, explain, simulate, or optimize a ranking formula, the same way it does for eligibility rules.
- Capping: frequency or fatigue suppression logic that can prevent an otherwise-eligible offer from being shown; Decisioning Explainer can identify when capping suppressed an offer.
- Candidate pool (item collection): the set of offers a profile is evaluated against during a decisioning event; Decisioning Explainer reports which candidate pool was used.
- PQL (Profile Query Language): the expression syntax underlying Decisioning eligibility rules and ranking formulas; Rules & Ranking generates, explains, and optimizes PQL without the marketer needing to write or validate it manually.
Guardrails
- Decisioning Explainer and Rules & Ranking are both available for all customers who have access to Coworker and Decisioning.
- Decisioning Explainer is read-only: it explains decisions but does not modify rules, ranking formulas, or selection strategies.
- Rules & Ranking simulation supports up to 3 test profiles at a time, manually entered or AI-generated.
- Rules & Ranking is scoped to eligibility rules and ranking formulas; it does not create or edit selection strategies or decision policies.
Terminology
- Do not confuse: “eligibility” (whether an offer qualifies as a candidate) is distinct from “ranking” (how qualifying candidates are ordered) and “capping” (frequency/fatigue suppression applied after eligibility and ranking) — Decisioning Explainer reports on all three separately.
- Do not confuse: Decisioning Explainer explains why a decision already made turned out the way it did for a real profile or segment; Rules & Ranking explains, creates, simulates, or optimizes the rule or formula configuration itself, independent of any specific real-world decisioning event.
FAQ
- Can Decisioning Explainer explain a decision for a single profile? Yes, ask why a specific profile did or didn’t see a specific offer, on a specific date.
- Can Decisioning Explainer explain decisions across a segment? Yes, it can aggregate the explanation across a segment to surface the dominant reason a group of profiles isn’t seeing an offer.
- Does Decisioning Explainer show ranking scores? Yes, it can return the final ranking score for each offer and which strategy or AI model produced it.
- Can Decisioning Explainer change a rule or ranking formula? No, it is read-only and does not modify decisioning configuration.
- Can Rules & Ranking create a brand-new eligibility rule from scratch? Yes, describe the target audience or condition in plain language and it generates the PQL rule.
- Can Rules & Ranking explain a rule someone else built? Yes, it can explain any existing eligibility rule or ranking formula in plain English, including what it includes, excludes, and each condition’s meaning.
- How many test profiles can Rules & Ranking simulate against at once? Up to 3, manually entered or AI-generated, including edge cases.
- Does Rules & Ranking change a rule’s logic when optimizing it? No, PQL optimization only makes the syntax more concise to fit size limits; it preserves the original logic and outcome.