Blueprint per data science personalizzata per l’arricchimento dei profili
Il blueprint di data science personalizzato per l'arricchimento dei profili illustra come utilizzare i dati per addestrare, distribuire e valutare modelli per fornire informazioni di apprendimento automatico su Experience Platform e Real-Time Customer Data Platform da strumenti di data science e apprendimento automatico.
Le informazioni modellate possono essere acquisite in Experience Platform per arricchire il profilo cliente in tempo reale. Esempi di informazioni basate sull’apprendimento automatico includono valutazione del ciclo di vita, affinità per prodotto e categoria, propensione alla conversione o all’abbandono.
Casi di utilizzo
- Estrarre informazioni approfondite e individuare eventuali pattern dai dati dei clienti, quindi addestrare e valutare i modelli utilizzando questi dati.
- Arricchire il profilo cliente in tempo reale con elementi di conoscenza e attributi basati su modelli, per una personalizzazione più granulare e una migliore ottimizzazione del percorso
- Addestrare e valutare i modelli per determinare informazioni sui clienti, come valore del ciclo di vita del cliente, propensione alla conversione o all’abbandono, affinità per prodotti e contenuti e valutazione del coinvolgimento
Architettura
Guardrail
- Per i guardrail dettagliati e le latenze end-to-end durante l'acquisizione dei risultati della data science in Experience Platform e nel profilo cliente in tempo reale, fare riferimento ai guardrail di acquisizione dati e al diagramma di latenza a cui si fa riferimento nel documento sui guardrail di distribuzione.
Fasi di implementazione
- Creare schemi per i dati da acquisire.
- Creare set di dati per i dati da acquisire.
- Acquisire dati in Experience Platform.
Per i risultati del modello da acquisire nel profilo cliente in tempo reale, assicurati di effettuare le seguenti operazioni prima di acquisire i dati:
- Configurare correttamente le identità e i relativi spazi dei nomi nello schema, affinché i dati acquisiti possano essere uniti in un profilo unificato.
- Attivare lo schema e i set di dati per il profilo.
Considerazioni sull’implementazione
-
Nella maggior parte dei casi i risultati del modello devono essere acquisiti come attributi di profilo, e non come eventi di esperienza. I risultati del modello possono essere semplici stringhe di attributi. Se devi acquisire più risultati del modello, è preferibile utilizzare un campo di tipo mappa o array.
-
Il set di dati dello snapshot di profilo giornaliero (esportazione giornaliera dei dati degli attributi del profilo unificato) può essere utilizzato per addestrare i modelli sui dati degli attributi di profilo. La documentazione sui set di dati dello snapshot del profilo è disponibile qui.
-
Per estrarre i dati da Experience Platform è possibile utilizzare i seguenti metodi
-
Data Access SDK
- I dati sono in formato non elaborato.
- I dati di eventi esperienza di profilo restano nello stato non elaborato e non unificato.
-
Destinazioni RTCDP
- I dati in uscita possono includere solo attributi di profilo e appartenenze ai segmenti.
-
Documentazione correlata
Articoli di blog correlati
- Intelligenza artificiale per contenuti e commerce: personalizzazione delle interazioni con i clienti tramite Content Intelligence
- Un'analisi introduttiva dei dati esplorativi sull'Adobe Experience Platform
- Apprendimento automatico nei prodotti Adobe Experience per ottimizzare l’esperienza utente
- Segmentation.AI: Automated Audience-Clustering-as-a-Service in Adobe Experience Platform