Ciência de dados personalizada para blueprint de enriquecimento de perfil
O blueprint de ciência de dados personalizada para enriquecimento de perfil ilustra como os dados podem ser usados para treinar, implantar e pontuar modelos para fornecer insights de aprendizado de máquina sobre o Experience Platform e o Real-Time Customer Data Platform a partir de ciência de dados e ferramentas de aprendizado de máquina.
Os insights modelados podem ser assimilados em Experience Platform para enriquecer o perfil do cliente em tempo real. Exemplos de insights de aprendizado de máquina incluem pontuação de valor vitalício, afinidade de categorias e produtos, propensão à conversão ou ao churn.
Casos de uso
- Extraia insights e descubra padrões a partir de dados do cliente; treine e pontue modelos de acordo com esses dados.
- Aprimore o Perfil de cliente em tempo real com insights e atributos orientados por modelos para uma personalização mais detalhada e jornadas aperfeiçoadas.
- Treine e classifique modelos para determinar insights do cliente, como valor vitalício do cliente, propensão à conversão ou à rotatividade, afinidade de conteúdos e produtos e classificação de engajamentos.
Arquitetura
Medidas de proteção
- Para obter medidas de proteção detalhadas e latências de ponta a ponta ao assimilar resultados de ciência de dados no Experience Platform e o Perfil do Cliente em Tempo Real, consulte as medidas de proteção de assimilação de dados e o diagrama de latência referenciado no documento de medidas de proteção de implantação.
Etapas de implantação
- Crie esquemas para que os dados sejam assimilados.
- Crie conjuntos de dados para que os dados sejam assimilados.
- Assimilar dados em Experience Platform.
Para que os resultados do modelo sejam assimilados no Perfil do cliente em tempo real, faça o seguinte antes da assimilar dados:
- Configure as identidades corretas e os namespaces de identidade no esquema para assegurar que os dados assimilados possam aderir a um perfil unificado.
- Habilite os esquemas e conjuntos de dados para o perfil.
Considerações de implantação
-
Na maioria dos casos, o resultado do modelo deve ser assimilado como atributos de perfil, e não como eventos de experiência. Os resultados do modelo podem ser uma cadeia de caracteres de atributo simples. Se houver vários resultados de modelo a assimilar, é recomendável usar um campo de tipo matriz ou mapa.
-
O conjunto de dados de instantâneo de perfil diário, que é uma exportação diária dos dados de atributo de perfil unificado, pode ser aproveitado para treinar modelos em dados de atributo de perfil. A documentação do conjunto de dados de instantâneo de perfil pode ser acessada aqui.
-
Para extrair dados de Experience Platform, os seguintes métodos podem ser usados
-
SDK de acesso a dados
- Os dados estão na forma de arquivo bruto
- Os dados do evento de experiência de perfil permanecem em seu estado bruto e não unificado.
-
Destinos da RTCDP
- É possível fazer a saída de atributos de perfil e associações de segmento.
-
Documentação relacionada
Publicações do blog relacionadas
- IA de conteúdo e comércio: A personalização de suas interações com clientes por meio da inteligência de conteúdo
- Uma Introdução à Análise de Dados Exploratórios no Adobe Experience Platform
- Caminho direto para os produtos da Adobe Experience: aprendizado de máquina para experiência do usuário elevada
- Segmentation.AI: Automated Audience-Clustering-as-a-Service no Adobe Experience Platform