Frågor och svar om beslut decisioning-faq
På den här sidan hittar du svar på vanliga frågor om beslutsfunktioner i Adobe Journey Optimizer.
Begränsningsregler capping-rules
Ett erbjudande har ett tak så snart ett enskilt villkor är uppfyllt. När det finns flera regler för begränsning av antalet prenumerationer upphör erbjudandet att visas när en regel når sitt tröskelvärde.
Exempel:
Om du definierar två regler för begränsning av ett erbjudande:
- 5 gånger per profil och vecka
- 100 gånger totalt för alla användare
Erbjudandet kommer att upphöra att visas för en användare när de har sett det fem gånger i veckan, även om det totala taket på 100 inte har uppnåtts än. På samma sätt upphör erbjudandet att visas för alla användare när 100 totala visningar har uppnåtts.
Läs mer om begränsning av regler.
Rankningsformler ranking-formulas
När du konfigurerar AI-modeller har både datauppsättningar och målgrupper olika syften.
- Datauppsättningar: Hämta konverteringshändelser (klick, order, intäkter) som fungerar som optimeringsmål för modellen.
- Publiker: Funktion som prediktorvariabler som gör att modellen kan anpassa rekommendationer baserat på medlemskap i kundsegment.
Målgrupperna begränsar inte eller utökar inte modellens omfång. I stället tillhandahåller de sammanhangsberoende attribut som förbättrar modellens förmåga att skapa personaliserade prognoser över olika kundsegment.
Båda komponenterna krävs för effektiva personaliserade optimeringsmodeller med modellprestanda.
Båda modellerna levererar trafik till nästa bästa tillgängliga erbjudande baserat på trafikdata från de senaste 30 dagarna.
När flera erbjudanden tas bort samtidigt och de återstående erbjudandena har minimala trafikdata inom 30-dagarsfönstret kan modellen uppvisa ett ooptimalt beteende, inklusive slumpmässiga distributionsmönster eller avvikelser mot erbjudanden med högre konverteringsgrad baserat på begränsade visningsdata.
Bästa praxis: När erbjudandesamlingar ändras avsevärt bör du kontrollera att återstående erbjudanden har tillräckliga historiska prestandadata för att behålla modellens effektivitet.
AI-modeller identifierar och börjar testa nya erbjudanden i nästa utbildningscykel:
- Automatisk optimering: Daglig
- Anpassad optimering: Varje vecka
När båda modellerna har identifierats börjar de leverera nya erbjudanden till vissa besökare omedelbart för att testa deras prestanda och samla in uppgifter om deras effektivitet.
Läs mer om modellerna automatisk optimering och personlig optimering.
Både automatisk optimering och personaliserade optimeringsmodeller har en strategi där man kan utnyttja saker och ting som eliminerar behovet av dedikerade kontrollgrupper.
- Inledande fas: Modeller börjar med 100 % utforskande, och testar olika erbjudanden för att upprätta baslinjeprestandadata.
- Adaptiv optimering: När beteendehändelser ackumuleras och förutsägelsenoggrannheten förbättras balanserar modellerna automatiskt utforskande och utnyttjande.
- Pågående inlärning: Systemet tilldelar progressivt mer trafik till högpresterande erbjudanden samtidigt som det fortsätter att testa alternativen.
Detta garanterar kontinuerlig inlärning och optimering över all trafik utan att särskilda kontrollgrupper behövs.
Adobe rekommenderar följande minimitrösklar för att säkerställa effektiva modellprestanda:
- 1 000 visningar per erbjudande/artikel per vecka
- 100 konverteringshändelser per erbjudande/artikel per vecka
Som standard försöker systemet inte skapa personaliserade modeller för erbjudanden/artiklar med färre än 1 000 visningar eller 50 konverteringshändelser.
| note note |
|---|
| NOTE |
| I produktionsmiljöer med stora erbjudandekataloger (~300 erbjudanden) och begränsande affärsregler kan vissa erbjudanden närma sig lägre absoluta tröskelvärden (250 visningar och 25 konverteringar per 30 dagar). Dessa utgör de lägsta datakraven för modellutbildning, men garanterar kanske inte optimala prestanda. |
Läs mer om datainsamlingskrav.
AI-modeller genererar större personaliseringsfördelar när erbjudanden passar olika kundsegment. När erbjudandena liknar varandra i hög grad är det två typiska utfall:
- Motsvarande prestanda: Erbjudandena fungerar likadant och får ungefär samma trafikfördelning.
- Dominerande erbjudande: Mindre skillnader gör att ett erbjudande presterar bättre än andra i alla segment, vilket fångar huvuddelen av trafiken.
| note note |
|---|
| NOTE |
| Offertdifferentieringen garanterar inte en balanserad trafikfördelning. Erbjudanden med objektivt sett oöverträffade priser (t.ex. 100 euro i rabatt jämfört med 50 euro) kommer normalt att dominera i alla kundsegment oavsett personaliseringsgrad. |
Bästa praxis: Designa erbjuder med meningsfull differentiering som är anpassad efter olika kundsegmentsinställningar för att maximera AI-modellens effektivitet.
Trafikavvikelser införlivas i modellen proportionellt i det 30-dagars rullande fönstret, vilket ger modellstabilitet vid tillfälliga trafikfluktuationer. Kortsiktiga toppar och fall påverkar inte modellens prognoser eller prestanda nämnvärt.
En tillfällig trafiktoppning (till exempel två gånger den dagliga trafiken) har minimal effekt på den totala modellprestandan eftersom den onormala trafiken utgör en liten del av den 30-dagars datauppsättningen.