用Customer AI发现见解
客户人工智能，作为智能服务的一部分，为营销人员提供了利用Adobe Sensei来预测客户下一步动向的能力。 Customer AI 用于生成自定义倾向分数，如个人档案大规模的流失率和转化率。无需将业务需求转换为机器学习问题、选择算法、培训或部署，即可实现上述目标。
本文档用作在Intelligent Services客户人工智能用户界面中与服务实例见解交互的指南。
快速入门
为了利用客户人工智能的分析，您需要具有运行状态成功的服务实例。 要创建新服务实例，请访问配置客户人工智能实例。 如果您最近创建了一个服务实例，但该实例仍在训练和评分中，请留出24小时以使它完成运行。
服务实例概述
在Adobe Experience Platform UI的左侧导航中选择 服务。 出现 服务 浏览器并显示可用的智能服务。 在客户人工智能的容器中，选择 打开。
此时会显示“客户人工智能服务”页面。 此页面列出了客户人工智能的服务实例并显示其相关信息，包括实例名称、倾向类型、实例运行频率以及上次更新状态。
选择服务实例名称以开始。
接下来，将显示该服务实例的见解页面，其中具有选择 最新得分 或 性能摘要 的选项。 默认选项卡 最新得分 提供数据的可视化图表。 本指南中对可视化图表以及您可以对数据执行的操作进行了更详细的说明。
绩效摘要 选项卡显示每个倾向存储段的实际客户流失率或转化率。 若要了解详细信息，请参阅有关性能摘要量度的部分。
服务实例详细信息
有两种方法可以查看服务实例详细信息：在仪表板中或在服务实例中。
服务实例仪表板
要查看仪表板中服务实例详细信息的概览，请选择一个服务实例容器，从而避免附加到名称的超链接。 这将打开一个提供其他详细信息的右边栏。 这些控件包含以下内容：
- 编辑：选择 编辑 允许您修改现有的服务实例。 您可以编辑实例的名称、描述和评分频率。
- 克隆：选择 克隆 将复制当前选择的服务实例设置。 然后，您可以修改工作流以进行细微的调整，并将其重命名为新实例。
- 删除：您可以删除服务实例，包括任何历史运行。
- 数据源：此实例使用的数据集的链接。
- 运行频率：评分运行的频率和时间。
- 得分定义：您为此实例配置的目标快速概述。
显示更多分析下拉列表
查看服务实例的其他详细信息的第二种方法位于分析页面中。 选择右上方的 显示更多 以填充下拉列表。 其中列出了详细信息，例如得分定义、创建时间、倾向类型和使用的数据集。 有关列出的任何属性的详细信息，请访问配置客户人工智能实例。
Customer AI数据集预览弹出框
如果客户人工智能使用了多个数据集，则会提供一个标记为 Multiple 的超链接，其后跟有括号()中的数据集数。
选择多个数据集链接将打开客户人工智能数据集预览弹出框。 预览中的每种颜色表示一个数据集，如数据集列左侧的颜色键中所示。 在此示例中，您可以看到只有 数据集1 包含PROP1列。
编辑实例
要编辑实例，请在右上角导航中选择 编辑。
此时将显示“编辑”对话框，允许您编辑实例的名称、描述、状态和评分频率。 要确认更改并关闭对话框，请选择右下角的 保存。
更多操作
更多操作 按钮位于 编辑 旁边的右上角导航区域中。 选择 更多操作 将打开一个下拉菜单，允许您选择以下操作之一：
- 克隆：选择 克隆 将复制服务实例设置。 然后，您可以修改工作流以进行细微的调整，并将其重命名为新实例。
- 删除：删除实例。
- 访问得分：选择 访问得分 将打开一个对话框，其中提供了指向下载客户人工智能得分教程的链接，该对话框还提供了进行API调用所需的数据集ID。
- 查看运行历史记录：将显示一个对话框，其中包含与服务实例关联的所有评分运行的列表。
评分汇总 scoring-summary
评分摘要显示评分的用户档案总数，并将它们分类为包含高、中和低倾向的分段。 根据得分范围确定倾向时段，低值小于24，中值为25至74，高值大于74。 每个存储桶都有一个与图例对应的颜色。
您可以将鼠标悬停在环上的任何颜色上以查看附加信息，例如属于某个存储段的配置文件百分比和总数。
得分分布
分数分布 卡会根据分数为您提供群体的可视化摘要。 您在分数分布卡中看到的颜色表示生成的倾向分数的类型。 将鼠标悬停在任何评分分配上会提供属于该分配的准确计数。
影响因素
对于每个得分分段，将生成一张卡片，其中显示该分段的前10个影响因素。 影响因素会为您提供有关客户属于各种分数存储桶原因的更多详细信息。
影响因素明细
将鼠标悬停在任何主要影响因素上会进一步细分数据。 将为您概述为什么某些用户档案属于倾向存储桶。 根据因素，可以为您提供数字、分类或布尔值。 下面的示例按区域显示分类值。
此外，通过使用深入分析，您可以比较分布系数（如果它出现在两个或更多倾向分段中），并使用这些值创建更具体的区段。 以下示例说明了第一个用例：
您可以看到，转化倾向较低的用户档案最近访问adobe.com网页的可能性较小。 “上次web访问间隔天数”因子的覆盖率仅为8%，而中倾向性用户档案的覆盖率则为26%。 使用这些数字，您可以比较系数每个时段内的分配。 此信息可用于推断Webvisit中的回访间隔在低倾向性存储桶中的影响较小，因为它在中倾向性存储桶中的影响较小。
创建区段
选择低、中、高倾向的任何分段中的 创建区段 按钮，会将您重定向到区段生成器。
区段生成器用于定义区段。 从“分析”页面中选择 创建区段 时，客户人工智能会自动将所选分段信息添加到该区段。 要完成创建区段，只需填写位于区段生成器用户界面右边栏中的 Name 和 Description 容器。 为区段指定名称和描述后，选择右上方的 保存。
要在Platform UI中查看新区段，请在左侧导航中选择 区段。 此时会显示 浏览 页面并显示所有可用区段。
历史绩效 historical-performance
性能摘要 选项卡显示实际客户流失率或转化率，这些流失率或转化率被划分到客户人工智能评分的每个倾向分段中。
最初，仅显示预期汇率（虚线）。 当评分运行尚未发生并且数据尚不可用时，会显示预期比率。 但是，一旦结果窗口过去，预计比率将替换为实际比率（实线）。
将鼠标悬停在这些行上会显示该时段中该天的日期和实际/预期费率。
您可以筛选所显示的预期速率和实际速率的时间范围。 选择 日历图标
个人评分运行率
性能摘要 选项卡的下半部分显示每个评分运行的结果。 选择右上方的下拉日期以显示不同评分运行的结果。
根据您预测的是流失还是转化，分数分布图形将显示每个增量中流失/转化和未流失/转化的用户档案分布。
模型评估 model-evaluation
除了在历史绩效选项卡上跟踪一段时间内的预测和实际结果外，营销人员还可以通过模型评估选项卡提高模型质量的透明度。 您可以使用提升和收益图来确定使用预测模型与随机定位之间的差异。 此外，您还可以确定在每次得分截止值时捕获多少积极结果。 这对于细分以及使投资回报率与营销行动相协调非常有用。
提升图
提升图可衡量使用预测模型而不是随机定位的改进情况。
高质量的模型指标包括：
- 前几位小数中的提升值较高。 这意味着该模型能够很好地识别具有最高兴趣行为倾向的用户。
- 提升值降序。 这意味着得分较高的客户比得分较低的用户更有可能采取感兴趣的行动。
收益图
累积收益表衡量通过定位分数超过特定阈值而捕获的积极结果的百分比。 在按倾向性得分从高到低对客户进行分类后，群体被分为十分位，即10个大小相等的群组。 一个完美的模型能把所有积极结果都纳入最高分的十分位数中。 基线随机定位方法可按照组规模的比例捕获积极结果 — 以30%的用户为目标将获得30%的结果。
高质量的模型指标包括：
- 累积收益很快接近100%。
- 该模型的累计收益曲线更接近图表的左上角。
- 累积收益表可用于确定分段和定位的得分截止值。 例如，如果该模型在前两个得分十分位数中捕获了70%的积极结果，则以百分位得分> 80的用户为目标，预计将捕获大约70%的积极结果。
AUC（曲线下的区域）
AUC反映了得分排名与预测目标发生之间的关系强度。 0.5的 AUC 意味着模型并不比随机猜测好。 AUC 为1意味着该模型可以完美地预测谁将执行相关操作。
后续步骤
本文档概述了客户人工智能服务实例提供的见解。 您现在可以继续阅读有关在客户人工智能中下载得分的教程，或浏览提供的其他Adobe智能服务指南。
其他资源
以下视频概述了如何使用客户人工智能查看模型和影响因素的输出。