Perguntas frequentes sobre decisão decisioning-faq
Esta página fornece respostas a perguntas frequentes sobre os recursos do Decisioning no Adobe Journey Optimizer.
Regras de limite capping-rules
Uma oferta é limitada assim que qualquer única condição for atendida. Quando existem várias regras de limite, a oferta para de ser exibida assim que qualquer regra atinge seu limite.
Exemplo:
Se você definir duas regras de limitação para uma oferta:
- 5 vezes por perfil por semana
- 100 vezes o total em todos os usuários
A oferta deixará de ser exibida para um usuário depois de tê-la visto 5 vezes em uma semana, mesmo que o limite total de 100 ainda não tenha sido atingido. Da mesma forma, quando o total de 100 impressões é atingido, a oferta deixa de ser exibida para todos os usuários.
Saiba mais sobre regras de limitação.
Fórmulas de classificação ranking-formulas
Ao configurar modelos de IA, os conjuntos de dados e os públicos-alvo atendem a finalidades distintas.
- Conjuntos de dados: capture eventos de conversão (cliques, pedidos, receita) que sirvam como destinos de otimização para o modelo.
- Públicos-alvo: Função como variáveis preditoras que permitem que o modelo personalize recomendações com base na associação do segmento do cliente.
Os públicos-alvo não restringem ou expandem o escopo do modelo. Em vez disso, eles fornecem atributos contextuais que melhoram a capacidade do modelo de fazer previsões personalizadas em diferentes segmentos de clientes.
Ambos os componentes são necessários para o desempenho eficaz do modelo modelos de otimização personalizados.
Ambos os modelos fornecerão o tráfego para a próxima melhor oferta disponível com base nos dados de tráfego dos últimos 30 dias.
Quando várias ofertas são removidas simultaneamente e as demais ofertas têm dados de tráfego mínimos na janela de 30 dias, o modelo pode exibir um comportamento abaixo do ideal, incluindo padrões de distribuição aleatórios ou tendência a ofertas com taxas de conversão mais altas com base em dados de impressão limitados.
Prática recomendada: ao modificar coleções de ofertas significativamente, verifique se as ofertas restantes têm dados históricos de desempenho suficientes para manter a eficácia do modelo.
Os modelos de IA identificam e começam a testar as ofertas recém-disponíveis em seu próximo ciclo de treinamento:
- Otimização automática: diariamente
- Otimização personalizada: semanalmente
Uma vez identificados, ambos os modelos começarão a distribuir as novas ofertas para alguns visitantes imediatamente, a fim de testar seu desempenho e coletar dados sobre sua eficácia.
Saiba mais sobre otimização automática e otimização personalizada modelos.
Os modelos de otimização automática e personalizada empregam uma estratégia de "exploração-exploração" que elimina a necessidade de grupos de controle dedicados.
- Fase inicial: os modelos começam com 100% de exploração, testando diferentes ofertas para estabelecer dados de desempenho da linha de base.
- Otimização adaptável: à medida que os eventos comportamentais se acumulam e a precisão da previsão melhora, os modelos equilibram automaticamente a exploração e a exploração.
- Aprendizado contínuo: o sistema aloca progressivamente mais tráfego para ofertas de alto desempenho, enquanto continua testando alternativas.
Isso garante aprendizagem e otimização contínuas em todo o tráfego, sem a necessidade de grupos de controle separados.
A Adobe recomenda os seguintes limites mínimos para garantir o desempenho eficaz do modelo:
- 1.000 impressões por oferta/item por semana
- 100 eventos de conversão por oferta/item por semana
Por padrão, o sistema não tentará criar modelos personalizados para ofertas/itens com menos de 1.000 impressões ou 50 eventos de conversão.
| note note |
|---|
| NOTE |
| Em ambientes de produção com grandes catálogos de ofertas (cerca de 300 ofertas) e regras comerciais restritivas, algumas ofertas podem se aproximar de limites absolutos mais baixos (250 impressões e 25 conversões por 30 dias). Estes representam os requisitos mínimos de dados para o treinamento de modelos, mas podem não garantir o desempenho ideal. |
Saiba mais sobre requisitos de coleta de dados.
Os modelos de IA geram maiores benefícios de personalização quando as ofertas atraem segmentos de clientes distintos. Quando as ofertas são altamente semelhantes, dois resultados são típicos:
- Desempenho equivalente: as ofertas têm desempenho idêntico e recebem distribuição de tráfego aproximadamente igual.
- Oferta dominante: pequenas diferenças fazem com que uma oferta tenha um desempenho melhor que outras em todos os segmentos, capturando a maioria do tráfego.
| note note |
|---|
| NOTE |
| A diferenciação da oferta não garante uma distribuição de tráfego equilibrada. As ofertas com propostas de valor objetivamente superiores (por exemplo, desconto de 100 € versus desconto de 50 €) normalmente dominarão todos os segmentos de clientes, independentemente dos esforços de personalização. |
Prática recomendada: crie ofertas com diferenciação significativa que se alinhem a preferências de segmentos de clientes distintos para maximizar a eficácia do modelo de IA.
As anomalias de tráfego são incorporadas ao modelo proporcionalmente na janela contínua de 30 dias, o que fornece estabilidade ao modelo durante flutuações temporárias de tráfego. Picos ou quedas de curto prazo não interrompem significativamente as previsões ou o desempenho do modelo.
Um pico temporário de tráfego (por exemplo, o dobro do tráfego diário) tem efeito mínimo no desempenho geral do modelo porque o tráfego anômalo representa uma pequena fração do conjunto de dados de 30 dias.