Indata och utdata i kundens AI

I följande dokument beskrivs de olika händelser, indata och utdata som krävs och som används i kundens AI.

Komma igång getting-started

Här är stegen för att bygga benägenhetsmodeller och identifiera målgrupper för personaliserad marknadsföring i kundens AI:

Här är några exempelkonfigurationer för din första modell. Exemplmodellen, som är inbyggd i det här dokumentet, använder en AI-modell för att förutsäga vem som kan komma att konvertera för en detaljhandelsverksamhet inom de kommande 30 dagarna. Indatauppsättningen är en Adobe Analytics-datauppsättning.

Dataöversikt data-overview

I följande avsnitt beskrivs de olika händelser, indata och utdata som krävs och som används i kundens AI.

Kundens AI fungerar genom att analysera följande datauppsättningar för att förutsäga bortfall (när en kund sannolikt kommer att sluta använda produkten) eller konvertering (när en kund sannolikt kommer att göra ett köp).

Du kan lägga till flera datauppsättningar från olika källor om varje datauppsättning har samma identitetstyp (namnutrymme), till exempel ett ECID. Mer information om hur du lägger till flera datauppsättningar finns i användarhandboken för Kund-AI.

I följande tabell beskrivs några vanliga termer som används i det här dokumentet:

AI-indata för kund customer-ai-input-data

För indatauppsättningar, som Adobe Analytics och Adobe Audience Manager, mappas händelser direkt i de här standardfältgrupperna (Commerce, Web, Application och Search) som standard under anslutningsprocessen. Tabellen nedan visar händelsefälten i standardfältgrupperna för kund-AI.

Mer information om mappning av Adobe Analytics-data eller Audience Manager-data finns i Analytics-fältmappningar eller i handboken för fältmappningar från Audience Manager.

Du kan använda Experience Event- eller Consumer Experience Event XDM-scheman för indatamängder som inte fylls i via någon av de ovanstående anslutningarna. Ytterligare XDM-fältgrupper kan läggas till när schemat skapas. Fältgrupperna kan tillhandahållas av Adobe som standardfältgrupperna eller en anpassad fältgrupp, som matchar datarepresentationen i plattformen.

Standardfältgrupper som används av kundens AI standard-events

Experience Events används för att fastställa olika kundbeteenden. Beroende på hur era data är strukturerade kanske händelsetyperna som listas nedan inte omfattar alla kundens beteenden. Det är upp till er att avgöra vilka fält som har de data som behövs för att tydligt och entydigt identifiera webb- eller annan kanalspecifik användaraktivitet. Beroende på ditt förutsägelsemål kan de obligatoriska fälten som behövs ändras.

Kund-AI använder händelserna i dessa fyra standardfältgrupper som standard: Commerce, Web, Application och Search. Det är inte nödvändigt att ha data för varje händelse i de standardfältgrupper som anges nedan, men vissa händelser krävs för vissa scenarier. Om du har några händelser i standardfältgrupperna tillgängliga rekommenderar vi att du inkluderar dem i ditt schema. Om du till exempel vill skapa en AI-modell för kunder för att förutsäga köphändelser, kan det vara bra att ha data från fältgrupperna för Commerce och webbsidesinformation.

Om du vill visa en fältgrupp i plattformsgränssnittet väljer du fliken Schemas till vänster och sedan fliken Field groups.

Dessutom kan kundens AI använda prenumerationsdata för att skapa bättre kundmodeller. Prenumerationsdata krävs för varje profil som använder datatypen Subscription. De flesta fälten är valfria, men för en optimal omsättningsmodell rekommenderar vi att du anger data för så många fält som möjligt, till exempel startDate, endDate och andra relevanta uppgifter. Kontakta ditt kontoteam om du vill ha ytterligare support för den här funktionen.

Lägga till anpassade händelser och profilattribut add-custom-events

Om du har information som du vill inkludera utöver standardhändelsefälten 🔗som används av kundens AI, kan du använda den anpassade händelsekonfigurationen för att förstärka de data som används av modellen.

När anpassade händelser ska användas

Anpassade händelser är nödvändiga när de datauppsättningar som valts i datauppsättningsurvalssteget innehåller ingen av standardhändelsefälten som används av kundens AI. Kundens AI behöver information om minst en annan användarbeteendehändelse än resultatet.

Anpassade händelser är användbara för:

De bästa kandidaterna för anpassade händelser är data som innehåller domänkunskap som kan vara prediktiv för resultatet. Exempel på anpassade händelser är:

Här följer ett urval av branschspecifika exempel på anpassade evenemang:

Anpassade händelser måste representera användarinitierade åtgärder för att kunna väljas. "Skicka med e-post" är till exempel en åtgärd som initieras av en marknadsförare och inte av användaren, så den bör inte användas som en anpassad händelse.

Historiska data

Kunds-AI kräver historiska data för modellutbildning. Den varaktighet som krävs för att data ska finnas i systemet bestäms av två nyckelelement: resultatfönstret och den berättigade populationen.

Som standard söker AI efter en användare att ha haft aktivitet de senaste 45 dagarna om ingen tillämplig populationsdefinition anges under programkonfigurationen. Dessutom kräver kundens AI minst 500 kvalificerande och 500 icke-kvalificerande händelser (totalt 1 000) från historiska data baserat på en förutsedd måldefinition.

I följande exempel visas hur du använder en enkel formel som hjälper dig att fastställa den minsta mängden data som krävs. Om du har fler data än minimikraven är det troligt att modellen ger mer korrekta resultat. Om du har mindre än minimiantalet som krävs kommer modellen att misslyckas eftersom det inte finns tillräckligt med data för modellutbildning.

Kundens AI använder en överlevnadsmodell för att uppskatta sannolikheten för en händelse som inträffar vid en viss tidpunkt och identifiera påverkande faktorer, tillsammans med övervakad inlärning som definierar positiva och negativa populationer, och beslutsbaserade träd som lightgbm för att generera ett sannolikhetsresultat.

Formel:

Så här avgör du den minsta tid som krävs för data som finns i systemet:

** Om det finns fler än ett villkor för att definiera den berättigade populationen är uppföljningsfönstret längst.

Exempel:

Även om Kundens AI kräver en viss tid för att data ska finnas i systemet fungerar det också bäst med aktuella data. Genom att använda nyare beteendedata är det troligt att kundens AI ger en mer korrekt uppskattning av en användares framtida beteende.

Kundens AI-utdata customer-ai-output-data

Kund-AI genererar flera attribut för enskilda profiler som anses berättigade. Det finns två sätt att förbruka poängen (utdata) baserat på vad du har etablerat. Om du har en kundprofilaktiverad datauppsättning i realtid kan du ta del av insikter från kundprofilen i realtid i segmentbyggaren. Om du inte har någon profilaktiverad datauppsättning kan du hämta kundens AI-datauppsättning som finns tillgänglig i datasjön.

Du kan hitta utdatauppsättningen på arbetsytan för datauppsättningar för plattformen. Alla AI-utdatauppsättningar för kunder börjar med namnet AI-poäng för kund - NAME_OF_APP. På samma sätt börjar alla kundens AI-utdatascheman med namnet kundens AI-schema - appens_namn.

Tabellen nedan beskriver de olika attribut som finns i utdata från kundens AI:

Nästa steg next-steps

När du har förberett dina data och sett till att alla dina autentiseringsuppgifter och scheman finns på plats, se Konfigurera en AI-instans som vägleder dig genom en stegvis självstudiekurs för att skapa en AI-instans för kunder.