よくある質問の決定 decisioning-faq
このページでは、Adobe Journey Optimizer の決定機能に関するよくある質問への回答を示します。
キャッピングルール capping-rules
任意の 1 つの条件が満たされるとすぐにオファーがキャッピングされます。複数のキャッピングルールが存在する際、任意のルールがしきい値に達すると、オファーは表示されなくなります。
例：
1 つのオファーに 2 つのキャッピングルールを定義する場合：
- プロファイルあたり週 5 回
- すべてのユーザーをまたいで合計 100 回
合計キャップの 100 にまだ達していなくても、ユーザーが 1 週間に 5 回オファーを見た後は、オファーはユーザーに表示されなくなります。同様に、合計インプレッション数が 100 に達すると、オファーはすべてのユーザーに対して表示されなくなります。
詳しくは、キャッピングルールを参照してください。
ランキング式 ranking-formulas
AI モデルを設定する際、データセットとオーディエンスの両方が異なる目的を果たします。
- データセット：モデルの最適化ターゲットとして機能するコンバージョンイベント（クリック数、注文数、売上高）をキャプチャします。
- オーディエンス：モデルが顧客セグメントメンバーシップに基づいてレコメンデーションをパーソナライズできるようにする予測変数として機能します。
オーディエンスは、モデルの範囲を制限または拡張しません。代わりに、様々な顧客セグメントをまたいでパーソナライズされた予測を行うモデルの機能を向上させるコンテキスト属性を提供します。
効果的なパーソナライズされた最適化モデルのパフォーマンスを得るには、両方のコンポーネントが必要です。
自動最適化モデルは、パーソナライズされた最適化モデルが過去 30 日間のトラフィックデータを使用するかどうかに関係なく、過去 14 日間のトラフィックデータに基づいて、次に使用可能な最適なオファーにトラフィックを配信します。
複数のオファーが同時に削除され、残りのオファーの 14 日間または 30 日間の期間内のトラフィックデータが最小限である場合、モデルは、ランダムな配分パターンや、制限されたインプレッションデータに基づいてより高いコンバージョン率のオファーにバイアスをかけるなど、最適ではない動作を示すことがあります。
ベストプラクティス：オファーコレクションを大幅に変更する際は、残りのオファーにモデルの有効性を維持するのに十分な履歴パフォーマンスデータがあることを確認します。
AI モデルでは、次のトレーニングサイクルで新しく使用可能になったオファーを特定し、テストを開始します。
- 自動最適化では、次のトレーニングサイクルで新しいオファーを特定し、テストを開始します。自動最適化トレーニングは、1 日に 3～4 回、約 6 時間ごとに実行されます。
- パーソナライズされた最適化では、新しいオファーがオファー戦略に追加されると、そのオファーを特定し、テストを開始します。これらは、ランダム探索トラフィックに含まれます。その後、これらのオファーは、毎週行われるモデルの次のトレーニングサイクルでパーソナライズされます。
特定すると、両方のモデルは、パフォーマンスをテストし、その有効性に関するデータを収集するために、すぐに一部の訪問者に新しいオファーの配信を開始します。
詳しくは、自動最適化モデルとパーソナライズされた最適化モデルを参照してください。
自動最適化モデルとパーソナライズされた最適化モデルの両方で、専用のコントロール母集団を必要としない「探索 - 活用」戦略を採用しています。
- 初期フェーズ：モデルは 100％の探索から開始し、様々なオファーをテストしてベースラインのパフォーマンスデータを確立します。
- アダプティブ最適化：行動イベントが蓄積され、予測精度が向上するにつれて、モデルは探索と活用のバランスを自動的に取ります。
- 継続的な学習：システムは、代替手段のテストを継続しながら、パフォーマンスの高いオファーにトラフィックを段階的に割り当てます。
これにより、個別のコントロール母集団を必要とせずに、すべてのトラフィックをまたいで継続的な学習と最適化が確保されます。
アドビでは、効果的なモデルパフォーマンスを確保するために、次の最小しきい値をお勧めします。
- オファー／項目あたり週 1,000 のインプレッション
- オファー／項目あたり週 100 のコンバージョンイベント
デフォルトでは、システムは、インプレッション数が 1,000 未満またはコンバージョンイベント数が 50 未満のオファー／項目に対してパーソナライズされたモデルを作成しようとしません。
| note |
|---|
| NOTE |
| 大規模なオファーカタログ（最大 300 個のオファー）と制限のあるビジネスルールを備えた実稼動環境では、一部のオファーが絶対しきい値の下限（30 日あたり 250 のインプレッションと 25 のコンバージョン）にアプローチする場合があります。これらは、モデルトレーニングの最小データ要件を表していますが、最適なパフォーマンスを保証するものではありません。 |
詳しくは、データ収集要件を参照してください。
AI モデルは、オファーが個別の顧客セグメントにアピールする際に、より大きなパーソナライゼーションのメリットを生成します。オファーが非常に類似している場合、一般的には 2 つの結果が生じます。
- 同等のパフォーマンス：オファーのパフォーマンスは同等で、トラフィック分布はほぼ均等です。
- 優位なオファー：わずかな違いにより、すべてのセグメントで 1 つのオファーが他のオファーよりもパフォーマンスが優れ、トラフィックの大部分をキャプチャします。
| note |
|---|
| NOTE |
| オファーの差別化は、バランスの取れたトラフィック分布を保証するものではありません。客観的に優れた価値提案（例えば、100 ユーロの割引と 50 ユーロの割引）を持つオファーは、通常、パーソナライゼーションの取り組みに関係なく、すべての顧客セグメントで優位になります。 |
ベストプラクティス：AI モデルの有効性を最大限に高めるために、明確な顧客セグメントの環境設定に合わせた、意味のある差別化を図ったオファーをデザインします。
トラフィックの異常は、30 日間のローリングウィンドウ内で比例的にモデルに組み込まれ、一時的なトラフィックの変動時にモデルの安定性を確保します。短期間のスパイクやドロップは、モデルの予測やパフォーマンスに大きな影響を与えることはありません。
一時的なトラフィックスパイク（例えば、1 日のトラフィックの 2 倍）は、異常なトラフィックが 30 日間のデータセットのごく一部を占めるので、モデル全体のパフォーマンスにほとんど影響を与えません。