決定に関するよくある質問 decisioning-faq
このページでは、Adobe Journey Optimizerの意思決定機能に関するよくある質問に対する回答を示します。
キャッピングルール capping-rules
オファーは、（いずれかの単一の条件が満たされた とすぐに制限され す。 複数のキャッピングルールが存在する場合、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 つのオファーに対して 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
- すべてのユーザーの合計 100 倍
オファーは、1 週間に 5 回表示されると、合計キャップである 100 にまだ達していない場合でも、ユーザーに表示されなくなります。 同様に、合計 100 件のインプレッションに達すると、すべてのユーザーに対してオファーが表示されなくなります。
詳細情報：キャッピングルール キャッピングルール 。
ランキング式 ranking-formulas
AI モデル を設定する場合、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：モデルの最適化目標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：顧客セグメントメンバーシップに基づいてモデルが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者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が提供されます。
効果的な パーソナライズされた最適化モデル 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。
どちらのモデルも、過去 30 日間のトラフィックデータに基づいて、次に最適なオファーにトラフィックを提供します。
複数のオファーが同時に削除され、残りのオファーの 30 日間のウィンドウ内のトラフィックデータが最小限の場合、モデルは、ランダムな配分パターンや、限られたインプレッションデータに基づいて、コンバージョン率が高いオファーにバイアスをかけるなど、最適でない動作を示す場合があります。
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場合は、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 モデルは、次のトレーニングサイクルで新しく利用可能なオファーを特定し、テストを開始します。
- 自動最適化：毎日
- パーソナライズされた最適化：毎週
識別されると、両方のモデルが、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、一部の訪問者に対する新しいオファーの提供を直ちに開始します。
自動最適化 および パーソナライズされた最適化 モデルについて説明します。
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、「探索 – 利用」戦略が採用されており、専用のコントロール母集団は不要です。
- 初期フェーズ：モデルは 100% の調査から始め、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。
- 適応最適化：行動イベントが蓄積し、予測の精度が向上すると、モデルは自動的に探索と活用のバランスを取ります。
- 継続的な学習：システムは、代替テストを続行しながら、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、別々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にわたって継続的な学習と最適化が確実に行われます。
Adobeでは、効果的なモデルのパフォーマンスを確保するために、次の最小しきい値を推奨します。
- 1 週間あたりのオファー/項目あたり 1,000 インプレッション数
- オファー/項目ごとに週 100 個のコンバージョンイベント
デフォルトでは、インプレッション数が 1,000 件未満またはコンバージョンイベントが 50 件未満のオファー/アイテムに対しては、パーソナライズされたモデルの作成が試行されません。
| note 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使用する実稼動環境では、一部のオファーが絶対的なしきい値の下限（30 日間に 250 のインプレッションと 25 のコンバージョン）に近づく場合があります。 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、オファーが様々な顧客セグメントにアピールする際に、パーソナライゼーションのメリットを大きく生み出します。 オファーの類似度が非常に高い場合、一般的には次の 2 つの結果が生じます。
- 同等のパフォーマンス：オファーは同じように実行され、ほぼ同じトラフィック分配を受信します。
- 支配的なオファー：小さな違いにより、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優れ、トラフィックの大部分をキャプチャします。
| note note |
|---|
| NOTE |
| オファーの差別化は、バランスのとれたトラフィック配分を保証するものではありません。 値の提案が客観的に優れているオファー（例えば、100 ユーロの割引と 50 ユーロの割引）は、パーソナライゼーションの取り組みに関係なく、通常、すべての顧客セグメントで優位に立ちます。 |
ベストプラクティス：デザインは、AI モデルの効果を最大化するために、顧客セグメントの個別の環境設定に合わせて、意味のある差別化を行います。
トラフィックの異常値は、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ます。これにより、一時的なトラフィック変動の際にモデルの安定性が確保されます。 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を大きく妨げません。
異常なトラフィックは 30 日のデータセットのごく一部に相当するため、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）はモデル全体のパフォーマンスに与える影響は最小限です。