顧客 AI 傾向スコアリングモデルの詳細
モデルの概要 model-overview
- モデル名とバージョン：顧客 AI 傾向スコアリングモデル
- モデルの目的：このモデルは、購入、サブスクリプションへの新規登録、メールキャンペーンとのエンゲージメントなど、消費者が特定のアクションを実行する可能性を予測することで、マーケターと顧客エンゲージメントチームに実用的なインサイトを提供するように設計されています。 出力を使用すると、企業はオーディエンスのセグメント化を最適化し、予測された行動に基づいて消費者とのインタラクションをパーソナライズできます。
- 対象ユーザー：このモデルの主なユーザーは、Real-Time CDP を活用してデータ駆動型のマーケティング戦略を推進するマーケティング専門家、データアナリストおよびカスタマーエンゲージメントチームです。
- ユースケース：このモデルは主に、消費者のセグメント化、ターゲットマーケティングおよびチャーン予測に使用されます。 企業はこのモデルを活用して、消費者の購入意図を予測し、マーケティングキャンペーンを最適化し、パーソナライゼーションの取り組みを強化します。 例えば、e コマース会社では、このモデルを使用して、意図の高い買い物客を識別し、排他的なプロモーションを提供する場合があります。
- 課題：マーケターは、多くの場合、ターゲット設定する適切な消費者を特定し、エンゲージメントの取り組みを最適化することに苦労します。 このモデルは、消費者ターゲティングに対してデータ駆動型のアプローチを提供し、マーケティングリソースが効率的に割り当てられるようにして、推測を減らします。
- 潜在的な誤用：このモデルは、金融信用スコアリング、医療診断、法的評価など、リスクの高いユースケースに使用しないでください。 さらに、このモデルは個人的に敏感な行動（健康状態、政治的好みなど）の予測に使用すべきではありません。
モデルの詳細 model-details
- モデルタイプ：これは、過去の消費者データに基づいて、イベント（購入、チャーン、エンゲージメントなど）が発生する確率を予測する、監視付きの学習分類モデルです。 傾向スコアをモデル化するためのロジスティック回帰を含んだグラデーションブーストのデシジョンツリー（GBDT）を使用してトレーニングします。
- 入力：モデルは、消費者の行動データ、人口統計学的属性および過去のインタラクションを処理します。 これには、web サイトの訪問頻度、過去の購入履歴、マーケティングメールのエンゲージメント、人口統計情報などのデータが含まれます。
- 出力：モデルは、0 ～ 100 のスコアを出力します。この値が高い場合、スコアが付いた母集団コホート内で発生する予測イベントの可能性が高いことを示します。 さらに、機能の重要度スコアが提供されるので、マーケターは予測に影響を与えた要因を理解できます。
入力例
{
"customer_id": 12345,
"past_purchases": 3,
"last_visit_days": 7,
"email_click_rate": 0.4
}
出力例
{
"customer_id": 12345,
"SCORE": 89
}
モデルトレーニング model-training
- トレーニングデータと前処理：各カスタマーのトレーニングデータセットは、Adobe Experience Platform内の独自のデータから直接得られます。 これには、顧客の履歴インタラクション、トランザクションレコード、行動エンゲージメントログ、Adobe Experience Platform インスタンスで収集および保存された人口統計情報が含まれます。 データセットでは、選択した期間にお客様固有のデータを活用し、独自の季節的なトレンドとエンゲージメントパターンをキャプチャします。 使用する前に、各顧客のデータセットには、欠落値処理、カテゴリエンコーディング、機能のスケーリング、異常値検出、機能エンジニアリングなど、データ特性に合わせてカスタマイズされた前処理が行われ、特定のユースケースに最適な品質と操作性が確保されます。
- トレーニングに使用される消費者データは、顧客間では使用されません。
- トレーニング仕様：モデルでは、構造化データ用に最適化された GBM を使用して LightGBM を活用します。 予測行動パターンを特定するために、過去の顧客イベントシーケンスに基づいてトレーニングを行います。
- トレーニングフレームワーク：モデルは LightGBM と scikit-learn を使用して開発され、Adobe AI クラウドインフラストラクチャでホストされます。
- トレーニングインフラストラクチャ:Databricks クラスター。
モデル評価 model-evaluation
- 評価指標および手順：モデルの有効性は、AUC-ROC を使用して測定されます。 顧客 AI は非常に幅広い顧客ユースケースをターゲットにしているので、運用範囲を把握することはできません。 そのため、リーチや予算に依存しない指標 AUC を使用します。
- 評価データと前処理：評価データには、除外した消費者レコードが含まれ、機能の正規化、エンコーディング、クリーニングの手順を備えたトレーニングデータと同様に前処理され、入力形式の期待に合わせます。 結果ウィンドウが終了したら、最終的なパフォーマンス評価を実行できます。
モデルの導入 model-deployment
- モデルのデプロイメント：モデルはAdobe Experience Platform AI サービスでホストされ、様々なAdobe アプリケーションと統合されます。 API エンドポイントを介して利用でき、マーケティングおよび消費者エンゲージメントワークフロー全体でリアルタイムの予測とバッチ処理に対するシームレスなアクセスを可能にします。
- モデルの監視：モデルは、トレーニング設定からのドリフトを確認するために、モデルの監視を通じて継続的に監視されます。 定期的な再トレーニング（3 か月に 1 回）は自動的に実行されます。
- モデルの更新：更新された消費者インタラクションデータを使用して、数か月に 1 回（6 か月に 1 回） モデルを再トレーニングし、継続的な関連性を確保します。 定期的な再トレーニングは、予測精度に影響を与える可能性のあるデータのドリフトと季節変動を軽減するのに役立ちます。
説明可能性 explainability
モデルの説明可能性：モデルは SHapley Additive Explanations （SHAP）を活用して、各入力機能が予測に与える影響を定量化し、消費者の属性が傾向スコアにどのように影響するかを透明性で示します。 SHAP 値を使用すると、すべての予測で最も影響力のある要因を特定するグローバルな解釈可能性と、特定の消費者に対する個々の予測を説明するローカルな解釈可能性の両方が可能になります。 このモデルは、Local Interpretable Model-Agnostic Explanations （LIME）もサポートしています。
公平性と偏見 fairness-and-bias
- モデルの公平性：このモデルは、年齢、性別、民族などの保護された人口統計学的属性にアクセスすることなく、Cookie ID に関連付けられた匿名化された行動データに基づいてトレーニングされます。 したがって、機密性の高いグループ間で公平を直接測定することは不可能です。 バイアスの軽減には、ユーザーアクティビティの頻度の標準化、過度に支配的な機能の抑制、コホート間でのスコアのキャリブレーションチェックの実施が含まれます。 我々は、ランダム化されたホールドアウトトラフィックに関するモデル予測を評価することにより、リーセンシーバイアスを考慮し、露出バイアスを監視する。 バイアスの増幅とフィードバックループを検出し、モデルの導入時に低減するための継続的な評価が行われています。
- データバイアス：データセットは主にエンゲージメントの高いユーザーから得られるので、選択バイアスが生じる可能性があります。 これを軽減するために、モデルはサンプリング戦略を適用します。 ユースケースに応じて、モデル出力に含まれる潜在的なバイアスが、意図したアプリケーションにどのように合致するか、または意図したアプリケーションにどのような影響を与えるかを検討する必要があります。
堅牢性 robustness
モデルの堅牢性：モデルは、新しい消費者レコードに対して強力な一般化を維持します。 パフォーマンスは様々な消費者セグメントで安定していますが、ユーザーの行動が過去のパターンから大きく逸脱すると、パフォーマンスがわずかに低下します。
倫理的考慮事項 ethical-considerations
モデルに関連する倫理的考慮事項：このモデルは、マーケティング上のユースケースを対象としており、クレジットや雇用など、機密性の高いドメインや規制されたドメインに適用する場合は、顧客は注意を払う必要があります。 出力は確率的で、行動データから派生します。これは、履歴や表示上のバイアスを反映している場合があります。 お客様は人間による監督を適用することをお勧めします。 Adobe Experience Platformは責任ある AI ガイドラインに従い、モデルがデプロイメント前にバイアス監査、公正テスト、人間による監督を受けることを保証します。 詳しくは、Adobe AI 倫理原則 を参照してください。
recommendation-more-help
8959a20a-a58f-4057-9f82-870706c576e9