Invoer en uitvoer in AI van de Klant

In het volgende document worden de verschillende vereiste gebeurtenissen, invoer en uitvoerbestanden beschreven die in de AI van de Klant worden gebruikt.

Aan de slag getting-started

Hier volgen de stappen voor het samenstellen van nevenmodellen en het identificeren van doelgroepen voor gepersonaliseerde marketing in Customer AI:

Hier zijn voorbeeldconfiguraties voor uw eerste model. Het voorbeeldmodel, dat in dit document is ingebouwd, gebruikt een AI-model van de Klant om te voorspellen wie in de komende 30 dagen waarschijnlijk zal converteren voor een handelsbedrijf. De inputdataset is een dataset van Adobe Analytics.

Overzicht van gegevens data-overview

In de volgende secties wordt een overzicht gegeven van de verschillende vereiste gebeurtenissen, invoer en uitvoerbestanden die in de AI van de Klant worden gebruikt.

De AI van de klant werkt door de volgende datasets te analyseren om te voorspellen (wanneer een klant waarschijnlijk zal stoppen met het gebruik van het product) of de conversie (wanneer een klant waarschijnlijk een aankoop zal doen) eigenschapscores:

U kunt veelvoudige datasets van verschillende bronnen toevoegen als elk van de datasets het zelfde identiteitstype (namespace) zoals ECID deelt. Voor meer informatie bij het toevoegen van veelvoudige datasets, bezoek de AI gebruikersgids van de Klant.

In de volgende tabel wordt een aantal gangbare terminologie beschreven die in dit document wordt gebruikt:

Invoergegevens van AI van de klant customer-ai-input-data

Voor inputdatasets, zoals Adobe Analytics en Adobe Audience Manager, wijzen de respectieve bronschakelaars direct de gebeurtenissen in deze standaardgebiedsgroepen (Commerce, Web, Toepassing, en Onderzoek) door gebrek tijdens het verbindingsproces in kaart. In de onderstaande tabel worden de gebeurtenisvelden weergegeven in de standaardveldgroepen voor Klanten-AI.

Voor meer informatie bij het in kaart brengen van de gegevens van Adobe Analytics of van de Audience Manager, bezoek de het gebiedsafbeeldingen van de Analyse of Audience Manager gids van de het gebiedsafbeeldingen.

U kunt de Gebeurtenis van de Ervaring of de Gebeurtenis XDM schema's van de Ervaring voor inputdatasets gebruiken die niet via één van de bovengenoemde schakelaars worden bevolkt. Extra XDM gebiedsgroepen kunnen tijdens het proces van de schemaverwezenlijking worden toegevoegd. De veldgroepen kunnen door Adobe worden verstrekt zoals de standaardgebiedsgroepen of een groep van het douanegebied, die de gegevensvertegenwoordiging in het Platform aanpast.

Door de AI van de Klant gebruikte standaardveldgroepen standard-events

De Gebeurtenissen van de ervaring worden gebruikt om diverse klantengedrag te bepalen. Afhankelijk van de structuur van uw gegevens, omvatten de hieronder vermelde gebeurtenistypen mogelijk niet alle gedragingen van uw klant. Het is aan u om te bepalen welke gebieden de noodzakelijke gegevens hebben die nodig zijn om Web of andere kanaal-specifieke gebruikersactiviteit duidelijk en ondubbelzinnig te identificeren. Afhankelijk van uw voorspellingsdoel, kunnen de vereiste gebieden veranderen die nodig zijn.

Klant-AI gebruikt standaard de gebeurtenissen in deze vier standaardveldgroepen: Commerce, Web, Application en Search. Het is niet nodig om voor elke gebeurtenis gegevens te hebben in de hieronder vermelde standaardveldgroepen, maar voor bepaalde scenario's zijn bepaalde gebeurtenissen vereist. Als u gebeurtenissen in de beschikbare standaardveldgroepen hebt, is het raadzaam deze op te nemen in uw schema. Als u bijvoorbeeld een AI-model van de klant wilt maken voor het voorspellen van aankoopgebeurtenissen, is het handig om gegevens te hebben van de veldgroepen Commerce en Webpagina details.

Als u een veldgroep wilt weergeven in de gebruikersinterface van het platform, selecteert u de tab Schemas in de linkertrack, gevolgd door de tab Field groups .

Bovendien kan de AI van de Klant abonnementsgegevens gebruiken om betere modellen van de Koor te bouwen. Abonnementsgegevens zijn nodig voor elk profiel met de gegevensindeling Subscription . De meeste velden zijn echter optioneel voor een optimaal chroommodel. Het wordt echter ten zeerste aanbevolen gegevens op te geven voor zoveel mogelijk velden, zoals startDate , endDate en alle andere relevante details. Neem contact op met uw accountteam voor extra ondersteuning voor deze functie.

Aangepaste gebeurtenissen en profielkenmerken toevoegen add-custom-events

Als u informatie hebt u wenst om naast de standaard standaardgebeurtenisgebiedente omvatten die door Klant AI worden gebruikt, kunt u de configuratie van de douanegebeurtenisgebruiken om de gegevens te verhogen die door het model worden gebruikt.

Wanneer moet u aangepaste gebeurtenissen gebruiken?

De gebeurtenissen van de douane zijn noodzakelijk wanneer de datasets die in de stap van de datasetselectie worden gekozen niets van de standaardgebeurtenisgebieden bevatten die door Klant AI worden gebruikt. De AI van de Klant heeft informatie over minstens één gebeurtenis van het gebruikersgedrag buiten het resultaat nodig.

Aangepaste gebeurtenissen zijn handig voor:

De beste kandidaten voor aangepaste gebeurtenissen zijn gegevens die domeinkennis bevatten die het resultaat kunnen voorspellen. Algemene voorbeelden van aangepaste gebeurtenissen zijn onder andere:

Hieronder volgt een selectie industriespecifieke voorbeelden van aangepaste gebeurtenissen:

Aangepaste gebeurtenissen moeten door de gebruiker geïnitieerde acties vertegenwoordigen om te kunnen worden geselecteerd. Bijvoorbeeld, "E-mail verzendt"is een actie die door een teller en niet door de gebruiker in werking wordt gesteld, zodat zou het niet als douanegebeurtenis moeten worden gebruikt.

Historische gegevens

Voor modeltraining zijn historische gegevens vereist. De vereiste duur voor het bestaan van gegevens binnen het systeem wordt bepaald door twee sleutelelementen: het resultaatvenster en de in aanmerking komende populatie.

Standaard zoekt de AI van de Klant naar een gebruiker die in de laatste 45 dagen activiteit heeft gehad als er geen definitie van de in aanmerking komende populatie is opgegeven tijdens de toepassingsconfiguratie. Daarnaast vereist de AI van de Klant minimaal 500 gekwalificeerde en 500 niet-kwalificerende gebeurtenissen (in totaal 1000) op basis van historische gegevens op basis van een voorspelde doeldefinitie.

In de volgende voorbeelden wordt het gebruik van een eenvoudige formule getoond waarmee u de minimale hoeveelheid vereiste gegevens kunt bepalen. Als u meer gegevens hebt dan minimaal vereist, levert uw model waarschijnlijk nauwkeurigere resultaten op. Als u minder dan het vereiste minimumbedrag hebt, zal het model ontbreken, aangezien er niet genoeg gegevens voor modelopleiding zijn.

De AI van de Klant gebruikt een overlevingsmodel om de waarschijnlijkheid te schatten van een gebeurtenis die op een bepaald ogenblik voorkomt en beïnvloedende factoren te identificeren, naast onder toezicht leren die positieve en negatieve populaties bepaalt, en op besluit-gebaseerde bomen zoals lightgbm om een kansscore te produceren.

Formule:

De minimaal vereiste gegevensduur in het systeem bepalen:

** Als er meer dan één voorwaarde is voor het bepalen van de in aanmerking komende populatie, is het terugkijkvenster van geschiktheid het langste.

Voorbeelden:

Hoewel de AI van de Klant een minimumperiode vereist om de gegevens binnen het systeem te bestaan, werkt het ook het best met recente gegevens. Door gebruik te maken van recentere gedragsgegevens zal de AI van de Klant waarschijnlijk een nauwkeurigere voorspelling geven van het toekomstige gedrag van een gebruiker.

AI-uitvoergegevens van klant customer-ai-output-data

De AI van de Klant produceert verscheidene attributen voor individuele profielen die als verkiesbaar worden beschouwd. Er zijn twee manieren om de score (output) te verbruiken op basis van wat u hebt voorzien. Als u een in real time Klantprofiel-Toegelaten dataset in real time hebt, kunt u inzichten van het Profiel van de Klant in real time in de Bouwer van het Segmentverbruiken. Als u geen profiel-toegelaten dataset hebt, kunt u de output van de Klant AIdataset downloaden beschikbaar op het gegevensmeer.

U kunt de outputdataset in de 2} werkruimte van de Datasets van het Platform {vinden. Alle de outputdatasets beginnen van de Klant AI met de naam Scores van de Klant - NAME_OF_APP. Op dezelfde manier beginnen alle de outputschema's van AI van de Klant met het naam Schema van de Klant AI - Name_of_app.

In de onderstaande tabel worden de verschillende kenmerken beschreven die in de uitvoer van AI van de Klant zijn aangetroffen:

Volgende stappen next-steps

Zodra u uw gegevens voorbereidt en ervoor zorgt dat al uw geloofsbrieven en schema's op zijn plaats zijn, verwijs naar vorm een gids van de Instantie van de Klant AI, die u door een geleidelijke leerprogramma loopt om een instantie van de Klant te creëren AI.