Anpassad datavetenskap för en plan för profilberikning

Senast uppdaterad: 5 maj 2025

Skapat för:

  • Utvecklare
  • Användare

Anpassad datavetenskap för profilberikning illustrerar hur data kan användas för att utbilda, distribuera och poängsätta modeller för maskininlärningsinsikter om Experience Platform och Real-Time Customer Data Platform från datavetenskap och maskininlärningsverktyg.

Modellerade insikter kan hämtas till Experience Platform för att berika kundprofilen i realtid. Exempel på maskininlärningsinsikter är poängsättning för livstid, produkt- och kategoritillhörighet, benägenhet att konvertera eller benägenhet att försvinna.

Användningsfall

  • Extrahera insikter och upptäck mönster från kunddata, utbildnings- och poängmodeller utifrån dessa data.
  • Berika kundprofilen i realtid med modelldrivna insikter och attribut för mer detaljerad personalisering och optimerade resor.
  • Train- och Score-modeller för att fastställa kundinsikter som kundens livstidsvärde, benägenhet att konvertera eller tappa plats, produkt- och innehållstillhörighet samt engagemangsmätningar.

Arkitektur

Referensarkitektur för Custom Data Science for Profile Enrichment Blueprint

Skyddsräcken

  • Detaljerade skyddsförslag och sluttider för inmatning av datavetenskapsresultat till Experience Platform och kundprofilen i realtid finns i säkerhetsbeskrivningarna för datainmatning och tidsdiagram som refereras i dokumentet distributionsskyddsdokument.

Implementeringssteg

  1. Skapa scheman för data som ska importeras.
  2. Skapa datauppsättningar för data som ska importeras.
  3. Infoga data i Experience Platform.

För att modellresultat ska kunna hämtas till kundprofilen i realtid måste du göra följande innan du hämtar in data:

  1. Konfigurera rätt identiteter och identitetsnamnutrymmen i schemat för att säkerställa att inkapslade data kan sammanfogas till en enhetlig profil.
  2. Aktivera scheman och datauppsättningar för profilen.

Implementeringsöverväganden

  • I de flesta fall bör modellresultat anges som profilattribut och inte upplevas som händelser. Modellresultaten kan vara enkla attributsträngar. Om det finns flera modellresultat som ska importeras rekommenderar vi att du använder ett matris- eller mappningstypsfält.

  • Den dagliga ögonblicksbildsdatauppsättningen, som är en daglig export av data för enhetliga profilattribut, kan utnyttjas för att utbilda modeller i profilattributdata. Datadokumentet för ögonblicksbilder av profiler kan nås här.

  • Följande metoder kan användas för att extrahera data från Experience Platform

    • SDK för dataåtkomst

      • Data finns i råfilsformat
      • Data för händelser för profilupplevelse förblir i oförenat råformat.

    • RTCDP-mål

      • Profilattribut och segmentmedlemskap kan komprimeras.