Decisioning常见问题 decisioning-faq

一旦​满足任何单个条件，优惠就会达到上限。 如果存在多个上限规则，则当任何规则达到其阈值时，将停止显示选件。

示例：
如果为优惠定义两个上限规则：

• 每配置文件每周5次
• 所有用户的总和为100倍

当用户一周浏览5次时，即使尚未达到100的总上限，也会停止向用户显示选件。 同样，一旦达到100次总展示次数，选件将停止向所有用户显示。

了解有关上限规则的更多信息。

在配置AI模型时，数据集和受众都有不同的用途。

• 数据集：捕获用作模型优化目标的转化事件（点击次数、订单数、收入）。
• 受众：用作预测变量，使模型能够根据客户区段成员资格对推荐进行个性化。

受众不会限制或扩大模型的范围。 相反，它们提供上下文属性，提高模型在不同客户区段做出个性化预测的能力。

这两个组件都是有效的个性化优化模型模型性能所必需的。

这两种模型都会根据过去30天的流量数据，将流量提供给下一个最佳的可用选件。

当多个选件同时被移除且剩余选件在30天窗口内具有最小流量数据时，该模型可能表现出次优行为，包括基于有限展示数据的随机分布模式或偏向具有较高转化率的选件。

最佳实践：在显着修改优惠集合时，请验证剩余优惠是否有足够的历史性能数据来保持模型有效性。

AI模型会在下一个培训周期中识别并开始测试新提供的产品：

• 自动优化：每日
• 个性化优化：每周

两个模型一旦识别，将立即开始向某些访客提供新选件，以测试其性能并收集有关其效果的数据。

了解有关自动优化和个性化优化模型的更多信息。

自动优化和个性化优化模型都采用“探索 — 利用”策略，消除了对专用控制组的需要。

• 初始阶段：模型从100%探索开始，测试不同的选件以建立基线性能数据。
• 自适应优化：随着行为事件的积累和预测精度的提高，模型会自动平衡探索和开发。
• 持续学习：系统在继续测试替代方案的同时，逐步为高性能选件分配更多流量。

这可确保所有流量的持续学习和优化，而无需单独的控制组。

Adobe建议使用以下最低阈值以确保有效模型性能：

• 每选件/项目每周展示1,000次
• 每周每个选件/项目100个转化事件

默认情况下，系统不会尝试为展示次数少于1,000次或转化事件少于50次的优惠/项目构建个性化模型。

了解有关数据收集要求的更多信息。

当选件吸引不同的客户群体时，AI模型可提供更好的个性化优势。 如果选件非常相似，则通常会出现两种结果：

• 等效性能：选件的性能相同，并且接收大致相同的流量分配。
• 主要选件：次要差异会导致一个选件在所有区段上的表现优于其他选件，从而捕获大部分流量。

最佳实践：设计有意义的优惠，与不同的客户区段偏好保持一致，以最大限度地提高AI模型有效性。

在30天滚动窗口内按比例将流量异常纳入模型中，这可在临时流量波动期间提供模型稳定性。 短期的峰值或下降不会显着破坏模型预测或性能。

临时流量尖峰（例如，每日流量的两倍）对整体模型性能影响最小，因为异常流量在30天数据集中所占比例很小。