In questa pagina: scopri le competenze CX Enterprise Coworker disponibili per prendere decisioni in Adobe Journey Optimizer: scopri perché un’offerta è stata o non è stata mostrata a un profilo o a un segmento e come creare, spiegare, simulare e ottimizzare le regole di idoneità e le formule di classificazione, con istruzioni dettagliate, prompt di esempio e best practice.
Le funzionalità Decisioning di Adobe Journey Optimizer consentono di spiegare le decisioni relative alle offerte e di creare, testare e ottimizzare le regole di idoneità e le formule di classificazione tramite prompt in linguaggio naturale. Utilizza Decisioning Explainer per capire perché un’offerta è stata mostrata o meno a un profilo o a un segmento. Utilizza Regole e classificazione per creare e simulare regole di idoneità e formule di classificazione prima di applicarle alla strategia decisionale.
Ulteriori informazioni:
- Competenze dei collaboratori per Journey Optimizer: panoramica delle competenze dei collaboratori tra Percorsi, fedeltà, gestione dei contenuti e decisioni in Journey Optimizer.
- Documentazione di Coworker: panoramica delle funzionalità Campagne, Chat e Progetti di Coworker.
- Guida all’interfaccia utente di Chat con i collaboratori: come accedere e navigare in Chat con i collaboratori.
Esplora decisioni decisioning-explainer
Decisioning Explainer risponde, in linguaggio naturale, al motivo per cui un’offerta specifica è stata o non è stata mostrata a un determinato profilo — o, più in generale, al motivo per cui un segmento di profili non visualizza un’offerta. Percorre l’intero stack decisionale per il profilo (o segmento) e l’intervallo di tempo richiesti: quali offerte erano idonee, quale regola di idoneità ha incluso o escluso ciascuna di esse, se la limitazione della frequenza o dell’affaticamento ha eliminato l’offerta, i punteggi di classificazione finali e quale strategia o modello di intelligenza artificiale le ha prodotte e su quale pool di candidati (raccolta di elementi) è stato valutato il profilo.
Questo affronta una sfida comune per gli esperti di marketing: spiegare perché un’offerta si è classificata al di sopra di un’altra o perché una decisione di offerta specifica è avvenuta nello stesso modo. Decisioning Explainer è di sola lettura: spiega le decisioni ma non modifica le regole, le formule di classificazione o le strategie di selezione.
Casi d’uso principali
“Il profilo X non era idoneo per questa offerta?”
“Quale regola di idoneità ha escluso questo cliente?”
“Mostrami per quali offerte il profilo X era idoneo il 3 giugno.”
“Quante volte il cliente ha visto questa offerta?”
“L’offerta era limitata al profilo X?”
“Quali offerte sono attualmente soppresse per il profilo X a causa di vincoli di limitazione?”
“Qual è stato il punteggio di classificazione per ogni offerta in questa decisione?”
“Perché l’offerta A è stata superiore all’offerta B per questo profilo?”
“Quali fattori hanno influenzato maggiormente il risultato della classificazione?”
“Quali offerte sta ricevendo questo segmento?”
“Perché il segmento di fedeltà non visualizza questa offerta?”
Best practice per la richiesta di informazioni
- ID di riferimento quando noti: fornisci l’ID profilo, il nome dell’offerta o del segmento per ottenere una traccia precisa anziché una risposta generale.
- Includi un intervallo di tempo: specifica una data o un intervallo di date quando ti chiedi perché la visibilità di un’offerta è cambiata, in modo che il collaboratore possa eseguire correttamente l’ambito della traccia.
- Richiedi direttamente la suddivisione della classificazione: se desideri ottenere dettagli sul punteggio, chiedi esplicitamente il punteggio della classificazione o i fattori che hanno influenzato il risultato.
- Utilizza le domande a livello di segmento per le tendenze: quando indaghi il motivo per cui un gruppo di profili non visualizza un’offerta, chiedi informazioni sul segmento anziché su un singolo profilo per ottenere il motivo principale.
Regole e classificazione rules-ranking
Rules & Ranking offre agli esperti di marketing assistenza basata sull’intelligenza artificiale per creare, comprendere e testare la logica decisionale, senza dover scrivere o convalidare manualmente la sintassi PQL. Include quattro funzionalità di base: creazione di regole in linguaggio naturale, spiegazione di regole e formule di classificazione in inglese semplice, simulazione rispetto a un massimo di 3 profili di test e ottimizzazione PQL. Ha l’ambito delle regole di idoneità e delle formule di classificazione, non crea né modifica strategie di selezione o criteri di decisione.
Casi d’uso principali
“Creare una regola di idoneità destinata ai membri fedeltà nel livello 2 o superiore.”
“Scrivere una regola PQL che escluda i clienti che hanno effettuato un acquisto negli ultimi 7 giorni.”
“Modificare questa regola per escludere anche i clienti nell’elenco di soppressione.”
“Funzionamento effettivo di questa formula di classificazione?”
“Destinatario e esclusione di questa regola di idoneità?”
“Riepilogare la regola in una sola frase.”
“Perché l’offerta di livello A è superiore all’offerta B per questo cliente?”
“La regola è troppo restrittiva per una campagna di consapevolezza generalizzata?”
“Quale condizione in questa regola sta filtrando la maggior parte dei profili?”
“Questa regola viene passata per un profilo in cui livello_fedeltà = gold?”
“Quali profili superano questa regola di idoneità: [profilo A, profilo B, profilo C]?”
“Perché questo profilo non supera il controllo di idoneità?”
“Generare profili di test per questa regola di idoneità.”
“Generare profili di casi edge che sottopongono a test di stress questa condizione.”
“Simulare questa formula di classificazione tra queste offerte e profili.”
“Quale offerta risulterebbe più elevata per questo profilo data la formula?”
“gold Confrontare questa regola di idoneità rispetto al cliente di livello base”.
“La regola sta raggiungendo i limiti di dimensione di PQL. Riuscire a ridurla?”
Best practice per la richiesta di informazioni
- Fornisci la condizione di destinazione in modo esplicito: durante la creazione o la modifica di una regola, specifica il pubblico, l’attributo o la condizione di esclusione desiderati.
- Fai riferimento direttamente alla regola o alla formula: quando chiedi una spiegazione, una simulazione o un’ottimizzazione, assicurati che la regola o la formula che intendi sia aperta o chiaramente identificata.
- Richiedi casi limite: durante la simulazione, chiedi a Coworker di generare profili di casi limite per testare una condizione, non solo quelle tipiche.
- Rivedi prima di pubblicare: controlla la logica e i risultati della simulazione di una regola generata o ottimizzata prima di pubblicarla.
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.