Detalhes do modelo de pontuação de propensão da IA do cliente
Visão geral do modelo model-overview
- Nome e versão do modelo: modelo de pontuação de propensão da IA do cliente
- Finalidade do modelo: o modelo foi criado para fornecer insights acionáveis aos profissionais de marketing e às equipes de engajamento do cliente, prevendo a probabilidade de um consumidor executar determinada ação, como fazer uma compra, se inscrever em uma assinatura ou participar de uma campanha por email. As saídas permitem que as empresas otimizem a segmentação de público e personalizem as interações do consumidor com base nos comportamentos previstos.
- Usuários pretendidos: os principais usuários deste modelo são profissionais de marketing, analistas de dados e equipes de engajamento do cliente que usam o Real-Time CDP para impulsionar estratégias de marketing orientadas por dados.
- Casos de uso: esse modelo é usado principalmente para segmentação do consumidor, marketing direcionado e previsão de churn. As empresas usam esse modelo para prever a intenção de compra do consumidor, otimizar campanhas de marketing e aprimorar os esforços de personalização. Por exemplo, uma empresa de comércio eletrônico pode usar o modelo para identificar compradores de alta intenção e oferecer promoções exclusivas.
- Pontos problemáticos: os profissionais de marketing geralmente têm dificuldades em identificar os consumidores certos e em otimizar os esforços de engajamento. Esse modelo reduz as suposições ao fornecer uma abordagem orientada por dados para o direcionamento do consumidor, garantindo que os recursos de marketing sejam alocados com eficiência.
- Possível uso incorreto: o modelo não deve ser usado para casos de uso de alto risco, como pontuação de crédito financeiro, diagnóstico médico ou avaliações legais. Além disso, o modelo não deve ser usado na previsão de comportamentos pessoalmente sensíveis (como condições de saúde, preferências políticas).
Detalhes do modelo model-details
- Tipo de modelo: este é um modelo de classificação de aprendizado supervisionado que prevê a probabilidade de ocorrência de um evento (como compra, churn, envolvimento) de acordo com os dados históricos do consumidor. Ele é treinado usando árvores de decisão de aumento de gradiente (GBDT) com regressão logística para pontuações de propensão do modelo.
- Entrada: o modelo processa dados comportamentais do consumidor, atributos demográficos e interações históricas. Isso inclui dados como frequência de visita ao site, histórico de compras anteriores, envolvimento com emails de marketing e informações demográficas.
- Saída: o modelo gera uma pontuação entre 0 e 100, em que valores mais altos indicam uma probabilidade maior de o evento previsto ocorrer entre o coorte de população pontuado. Além disso, fornece pontuações de importância de recursos, permitindo que os profissionais de marketing entendam quais fatores influenciaram a previsão.
Exemplo de entrada
{
"customer_id": 12345,
"past_purchases": 3,
"last_visit_days": 7,
"email_click_rate": 0.4
}
Exemplo de saída
{
"customer_id": 12345,
"SCORE": 89
}
Treinamento de modelo model-training
- Dados de treinamento e pré-processamento: o conjunto de dados de treinamento para cada cliente é originado diretamente de seus próprios dados na Adobe Experience Platform. Isso inclui interações históricas do cliente, registros transacionais, logs de envolvimento comportamental e informações demográficas, conforme coletadas e armazenadas na instância do Adobe Experience Platform. O conjunto de dados aproveita dados específicos do cliente ao longo do período escolhido, capturando suas tendências sazonais exclusivas e os padrões de engajamento. Antes de usar, o conjunto de dados de cada cliente passa por um pré-processamento adaptado às suas características de dados, incluindo manipulação de valor ausente, codificação categórica, dimensionamento de recursos, detecção de valores atípicos e engenharia de recursos para garantir a qualidade e a usabilidade ideais para seu caso de uso específico.
- Os dados do consumidor usados para treinamento não são usados entre clientes.
- Especificações de treinamento: o modelo aproveita LightGBM usando GBM, otimizado para dados estruturados. Ele é treinado em sequências históricas de eventos do cliente para identificar padrões comportamentais preditivos.
- Estruturas de treinamento: o modelo foi desenvolvido com o LightGBM e o scikit-learn e está hospedado na infraestrutura em nuvem da IA do Adobe.
- Infraestrutura de treinamento: Databricks clusters.
Avaliação do modelo model-evaluation
- Métricas e procedimentos de avaliação: a eficácia do modelo é medida usando AUC-ROC. Como a IA do cliente está direcionando uma grande variedade de casos de uso de clientes, o intervalo operacional não pode ser conhecido. Portanto, usamos uma métrica AUC que é independente de alcance e orçamento.
- Dados de avaliação e pré-processamento: os dados de avaliação incluem registros de consumidor de controle e são pré-processados de forma semelhante aos dados de treinamento com etapas de normalização, codificação e limpeza de recursos para corresponder às expectativas de formato de entrada. Depois que a janela de resultados passar, poderemos executar uma avaliação final de desempenho.
Implantação do modelo model-deployment
- Implantação do modelo: o modelo está hospedado nos serviços de IA da Adobe Experience Platform e integrado a vários aplicativos da Adobe. Ele está disponível por meio de endpoints de API, permitindo acesso perfeito para previsões em tempo real e processamento em lote em fluxos de trabalho de marketing e envolvimento do consumidor.
- Monitoramento de modelo: o modelo é monitorado continuamente por meio do monitoramento de modelo para ver o descompasso da configuração de treinamento. Treinos periódicos (uma vez a cada 3 meses) são executados automaticamente.
- Atualização de modelo: o modelo é retreinado uma vez a cada vários meses (no máximo uma vez a cada 6 meses) usando dados atualizados de interação com o consumidor para garantir relevância contínua. O novo treinamento periódico ajuda a reduzir a deriva de dados e as flutuações sazonais que podem afetar a precisão preditiva.
Explicabilidade explainability
Explicabilidade do modelo: o modelo usa o SHapley Additive Explanations (SHAP) para quantificar o impacto de cada recurso de entrada em suas previsões, fornecendo transparência em como os atributos do consumidor influenciam as pontuações de propensão. Os valores SHAP permitem tanto a interpretabilidade global, identificando os fatores mais influentes em todas as previsões, quanto a interpretabilidade local, explicando previsões individuais para consumidores específicos. O modelo também oferece suporte a Local Interpretable Model-Agnostic Explanations (LIME).
Equidade e viés fairness-and-bias
- Integridade do modelo: este modelo é treinado em dados comportamentais anônimos associados a IDs de cookies, sem acesso a atributos demográficos protegidos, como idade, gênero ou etnia. Como tal, a medição direta da equidade entre grupos sensíveis não é viável. Os esforços de mitigação de polarização incluem a normalização da frequência de atividade do usuário, a supressão de recursos excessivamente dominantes e a realização de verificações de calibração de pontuação entre coortes. Consideramos o viés de recenticidade e monitoramos o viés de exposição avaliando as previsões do modelo no tráfego de validação aleatório. As avaliações contínuas estão em vigor para detectar e reduzir a amplificação de polarização e os loops de feedback durante a implantação do modelo.
- Vieses de dados: o conjunto de dados é predominantemente originário de usuários de alto engajamento, o que pode introduzir viés de seleção. Para atenuar isso, o modelo aplica estratégias de amostragem. Dependendo do caso de uso, os clientes devem considerar como possíveis distorções nas saídas do modelo podem se alinhar ou afetar a aplicação desejada.
Robustez robustness
Robustez do modelo: o modelo mantém uma forte generalização para novos registros de consumidor. O desempenho permanece estável em diferentes segmentos de consumidores, mas mostra uma pequena degradação quando o comportamento do usuário se desvia significativamente dos padrões históricos.
Considerações éticas ethical-considerations
Considerações éticas associadas ao modelo: este modelo destina-se a casos de uso de marketing. Os clientes devem ter mais cuidado ao aplicá-lo em domínios confidenciais ou regulamentados, como crédito ou emprego. As saídas são probabilísticas e derivadas de dados comportamentais, que podem refletir vieses históricos ou de representação. Os clientes são incentivados a aplicar a supervisão humana. A Adobe Experience Platform segue as diretrizes da IA responsável, garantindo que os modelos sejam submetidos a auditorias de viés, testes de equidade e supervisão humana antes da implantação. Para obter mais informações, reveja os Princípios éticos da IA da Adobe.
recommendation-more-help
8959a20a-a58f-4057-9f82-870706c576e9