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:
-
Gevallen van het gebruik van het overzicht: Hoe zouden de aandrijvingsmodellen helpen om doelpubliek voor gepersonaliseerde marketing te identificeren? Wat zijn mijn bedrijfsdoelstellingen en overeenkomstige tactieken om het doel te bereiken? Waar kan de propensiteitsmodellering in dit proces passen?
-
Prioriteit geven aan gebruiksgevallen: welke zijn de hoogste prioriteiten voor het bedrijf?
-
Modellen maken in Customer AI: bekijk dit snelle zelfstudie en verwijzen naar onze UI-hulplijn voor een stapsgewijs proces om een model te bouwen.
-
Segmenten maken modelresultaten gebruiken.
-
Voer gerichte bedrijfsacties uit die op deze segmenten worden gebaseerd. De resultaten controleren en de acties doorlopen om deze te verbeteren.
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.
Modeltype: Conversie
Identiteit: Zorg ervoor dat de identiteitskolom voor elke gegevensset is ingesteld op een gemeenschappelijke identiteit.
commerce.purchases.value
is gelijk aan potloodVenster Uitvoer: 30 dagen.
Inschakelen voor profiel: Dit moet worden ingeschakeld als de uitvoer van het model in segmentatie moet worden gebruikt.
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:
- Adobe Analytics-gegevens gebruiken met de Bronconnector voor analyse
- Adobe Audience Manager-gegevens gebruiken met de Audience Manager-bronaansluiting
- Gegevensset Experience Event
- Gegevensverzameling over ervaringen met consumenten
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 Handleiding voor AI-gebruikers van klant.
In de volgende tabel wordt een aantal gangbare terminologie beschreven die in dit document wordt gebruikt:
Experience Event
. Het gegevensgedrag van een schema wordt bepaald door de klasse van het schema, die aan een schema wordt toegewezen wanneer het eerst wordt gecreeerd. De klassen XDM beschrijven het kleinste aantal eigenschappen een schema moet bevatten om een bepaald gegevensgedrag te vertegenwoordigen.meta:intendedToExtend
kenmerk.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 (Handel, 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 over het in kaart brengen van de gegevens van Adobe Analytics of van de Audience Manager gegevens, bezoek de het gebiedsafbeeldingen van de Analyse of Audience Manager hulplijn voor veldtoewijzingen.
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 hoe uw gegevens gestructureerd zijn, 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: Handel, Web, Toepassing en Zoeken. 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. Bijvoorbeeld, als u een model van AI van de Klant voor het voorspellen van aankoopgebeurtenissen wilde tot stand brengen, is het nuttig om gegevens van de de detailsgebiedgroepen van de Handel en van de Web-pagina te hebben.
Als u een veldgroep wilt weergeven in de interface van het platform, selecteert u de optie Schemas op de linkerspoorstaaf, gevolgd door de Field groups tab.
-
commerce.order.purchaseID
-
productListItems.SKU
-
commerce.productListViews.value
-
productListItems.SKU
-
commerce.checkouts.value
-
productListItems.SKU
-
commerce.purchases.value
-
productListItems.SKU
-
commerce.productListRemovals.value
-
productListItems.SKU
-
commerce.productListOpens.value
-
productListItems.SKU
-
commerce.productViews.value
-
productListItems.SKU
web.webPageDetails.name
web.webInteraction.linkClicks.value
-
application.applicationCloses.value
-
application.name
-
application.crashes.value
-
application.name
-
application.featureUsages.value
-
application.name
-
application.firstLaunches.value
-
application.name
-
application.installs.value
-
application.name
-
application.launches.value
-
application.name
-
application.upgrades.value
-
application.name
search.keywords
Bovendien kan de AI van de Klant abonnementsgegevens gebruiken om betere modellen van de Koor te bouwen. Abonnementsgegevens zijn nodig voor elk profiel dat de Subscription indeling van gegevenstype. De meeste velden zijn optioneel, maar voor een optimaal chroommodel is het zeer raadzaam gegevens te verstrekken voor zoveel mogelijk velden, zoals: startDate
, endDate
en alle andere relevante gegevens. Neem contact op met uw accountteam voor extra ondersteuning voor deze functie.
Aangepaste gebeurtenissen en profielkenmerken toevoegen add-custom-events
Als u over informatie beschikt die u naast de standaardinstelling wilt opnemen standaardgebeurtenisvelden gebruikt door AI van de Klant, kunt u gebruiken aangepaste gebeurtenisconfiguratie 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 bevatten none van de standaardvelden voor gebeurtenissen die door de AI van de Klant 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:
-
Het opnemen van domeinkennis of voorafgaande expertise in het model.
-
De kwaliteit van het voorspellende model verbeteren.
-
Meer inzichten en interpretaties verzamelen.
De beste kandidaten voor aangepaste gebeurtenissen zijn gegevens die domeinkennis bevatten die het resultaat kunnen voorspellen. Algemene voorbeelden van aangepaste gebeurtenissen zijn onder andere:
-
Registreren voor account
-
Abonneren op nieuwsbrief
-
Maak een vraag aan de klantendienst
Hieronder volgt een selectie industriespecifieke voorbeelden van aangepaste gebeurtenissen:
Aanmelden voor clubkaart
Mobiele coupon knippen.
Video streamen.
Koop loyaliteitspunten.
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.
Formule:
De minimaal vereiste gegevensduur in het systeem bepalen:
-
De minimale gegevens die nodig zijn om functies te maken, zijn 30 dagen. Vergelijk het terugkijkvenster voor geschiktheid met 30 dagen:
-
Als het terugkijkvenster van de geschiktheid meer dan 30 dagen is, het gegevensvereiste = verkiesbaarheids terugkijkvenster + resultaatvenster.
-
Anders is de gegevensvereiste gelijk aan 30 dagen + resultaatvenster.
-
** Als er meer dan één voorwaarde is voor het bepalen van de in aanmerking komende populatie, is het terugkijkvenster van geschiktheid het langste.
Voorbeelden:
-
U wilt voorspellen of een klant waarschijnlijk in de komende 30 dagen een horloge zal kopen voor hen die één of andere Webactiviteit in de laatste 60 dagen hebben.
-
Geschiktheidsterugkijkvenster = 60 dagen
-
Outcome window = 30 dagen
-
Vereiste gegevens = 60 dagen + 30 dagen = 90 dagen
-
-
U wilt voorspellen of de gebruiker waarschijnlijk de komende 7 dagen een horloge zal kopen zonder een expliciete in aanmerking komende bevolking. In dit geval is de in aanmerking komende populatie standaard "diegenen die de afgelopen 45 dagen actief zijn geweest" en is het resultaatvenster 7 dagen.
-
Geschikt terugkijkvenster = 45 dagen
-
Outcome window = 7 dagen
-
Vereiste gegevens = 45 dagen + 7 dagen = 52 dagen
-
-
U wilt voorspellen of de klant waarschijnlijk in de komende 7 dagen een horloge zal kopen voor hen die één of andere Webactiviteit in de laatste 7 dagen hebben.
-
Geschiktheidsterugkijkvenster = 7 dagen
-
Minimale gegevens die vereist zijn om functies te maken = 30 dagen
-
Outcome window = 7 dagen
-
Vereiste gegevens = 30 dagen + 7 dagen = 37 dagen
-
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 Real-time dataset van het Profiel van de Klant hebt toegelaten, kunt u inzichten van het Profiel van de Klant in real time in Segment Builder. Als u geen profiel-toegelaten dataset hebt, kunt u De AI-uitvoer van de klant downloaden dataset beschikbaar op het data Lake.
U kunt de outputdataset in het Platform vinden Gegevenssets werkruimte. Alle AI-uitvoergegevenssets van de klant beginnen met de naam AI-scores van klant - NAME_OF_APP. Evenzo beginnen alle AI-uitvoerschema's van de Klant met de naam AI-schema van klant - Naam_van_app.
In de onderstaande tabel worden de verschillende kenmerken beschreven die in de uitvoer van AI van de Klant zijn aangetroffen:
Dit zijn voorspelde redenen waarom een profiel waarschijnlijk zal omzetten of draaien. Deze factoren bestaan uit de volgende kenmerken:
- Code: het profiel of gedragskenmerk dat de voorspelde score van een profiel positief beïnvloedt.
- Waarde: de waarde van het profiel of gedragskenmerk.
- Belang: geeft het gewicht van het profiel of gedragskenmerk op de voorspelde score aan (laag, gemiddeld, hoog)
Volgende stappen next-steps
Wanneer u uw gegevens hebt voorbereid en ervoor zorgt dat al uw referenties en schema's aanwezig zijn, raadpleegt u de Een AI-instantie van een klant configureren gids, die u door een geleidelijke leerprogramma begeleidt om een instantie van de Klant te creëren AI.