Customer AI中的輸入和輸出
以下檔案概述Customer AI中使用的不同必要事件、輸入和輸出。
快速入門 getting-started
以下是在Customer AI中建立傾向模型並識別個人化行銷目標對象的步驟：
-
概述使用案例：傾向模型如何協助識別個人化行銷的目標對象？ 我的業務目標與達成目標的對應策略為何？ 傾向性模型在此過程中適合什麼？
-
排定使用案例的優先順序：哪一項是業務的最高優先順序？
-
根據這些區段採取針對性的業務動作。 監視結果，並反複執行要改善的動作。
以下是第一個模型的設定範例。 本檔案中建立的範例模型使用Customer AI模型來預測誰可能在未來30天內轉換零售業務。 輸入資料集是Adobe Analytics資料集。
模型型別：轉換
身分：確認每個資料集的身分資料行已設為通用身分。
commerce.purchases.value等於鉛筆結果時段： 30天。
為設定檔 啟用：必須啟用此項才能在分段中使用模型輸出。
資料概觀 data-overview
以下章節概述Customer AI中使用的不同必要事件、輸入和輸出。
Customer AI的運作方式是藉由分析以下資料集來預測流失率（客戶何時可能停止使用產品）或轉換率（客戶何時可能購買）傾向分數：
- 使用Analytics來源聯結器的Adobe Analytics資料
- 使用Audience Manager來源聯結器的Adobe Audience Manager資料
- 體驗事件資料集
- 取用者體驗事件資料集
如果每個資料集共用相同的身分型別（名稱空間）（例如ECID），您可以新增來自不同來源的多個資料集。 如需新增多個資料集的詳細資訊，請瀏覽Customer AI使用手冊。
下表概述本檔案使用的一些常見術語：
Experience Event的資料。 結構描述的資料行為由結構描述的類別定義，該類別在首次建立時指派給結構描述。 XDM類別說明結構描述必須包含的最小屬性數量，才能代表特定的資料行為。meta:intendedToExtend屬性識別。Customer AI輸入資料 customer-ai-input-data
對於輸入資料集(如Adobe Analytics和Adobe Audience Manager)，依預設，各自的來源聯結器會在連線過程中直接對應這些標準欄位群組(Commerce、Web、應用程式和搜尋)中的事件。 下表顯示Customer AI預設標準欄位群組中的事件欄位。
如需對應Adobe Analytics資料或Audience Manager資料的詳細資訊，請造訪Analytics欄位對應或Audience Manager欄位對應指南。
對於未透過上述聯結器之一填入的輸入資料集，您可以使用體驗事件或取用者體驗事件XDM結構描述。 可在架構建立過程中新增其他XDM欄位群組。 欄位群組可以透過Adobe提供，例如標準欄位群組或自訂欄位群組，其符合Platform中的資料表示。
Customer AI使用的標準欄位群組 standard-events
體驗事件是用來判斷各種客戶行為。 視您的資料結構而定，下列事件型別可能不會涵蓋客戶的所有行為。 您可以自行決定哪些欄位具備必要資料，可清楚且明確地識別Web或其他通道專屬使用者活動。 視您的預測目標而定，所需的必要欄位可能會有所變更。
Customer AI預設會使用這四個標準欄位群組中的事件：Commerce、Web、應用程式和搜尋。 下列標準欄位群組中不需要每個事件的資料，但在某些情況下需要特定事件。 如果您的標準欄位群組中有任何可用事件，建議將其納入結構描述中。 例如，如果您想要建立用於預測購買事件的Customer AI模型，則擁有Commerce和網頁詳細資料欄位群組中的資料會很有用。
若要在Platform UI中檢視欄位群組，請選取左側邊欄上的 結構描述 標籤，然後選取 欄位群組 標籤。
-
commerce.order.purchaseID -
productListItems.SKU
-
commerce.productListViews.value -
productListItems.SKU
-
commerce.checkouts.value -
productListItems.SKU
-
commerce.purchases.value -
productListItems.SKU
-
commerce.productListRemovals.value -
productListItems.SKU
-
commerce.productListOpens.value -
productListItems.SKU
-
commerce.productViews.value -
productListItems.SKU
web.webPageDetails.nameweb.webInteraction.linkClicks.value-
application.applicationCloses.value -
application.name
-
application.crashes.value -
application.name
-
application.featureUsages.value -
application.name
-
application.firstLaunches.value -
application.name
-
application.installs.value
-
application.name
-
application.launches.value
-
application.name
-
application.upgrades.value
-
application.name
search.keywords此外，Customer AI可使用訂閱資料來建立更好的流失模型。 每個使用訂閱資料型別格式的設定檔都需要訂閱資料。 大部分欄位都是選用欄位，但若是最佳流失模型，強烈建議您為儘可能多的欄位提供資料，例如， startDate、endDate，以及任何其他相關詳細資訊。 如需此功能的額外支援，請洽詢您的帳戶團隊。
新增自訂事件和設定檔屬性 add-custom-events
若除了Customer AI使用的預設標準事件欄位之外，您還有其他要納入的資訊，您可以使用自訂事件組態來增加模型使用的資料。
自訂事件的使用時機
當在資料集選擇步驟中選擇的資料集包含Customer AI使用的預設事件欄位中的 none 時，需要自訂事件。 Customer AI需要結果以外的至少一個使用者行為事件相關資訊。
自訂事件對以下專案有所幫助：
-
將領域知識或先前的專業知識整合到模型中。
-
改善預測模型品質。
-
獲得其他深入分析和詮釋。
自訂事件的最佳候選者是包含領域知識（可預測結果）的資料。 自訂事件的一些一般範例包括：
-
註冊帳戶
-
訂閱Newsletter
-
致電客戶服務
以下是業界特定的自訂事件範例：
註冊會員卡
手機優惠券。
串流影片。
購買忠誠度點數。
若要選取自訂事件，該事件必須代表使用者起始的動作。 例如，「電子郵件傳送」是由行銷人員而非使用者起始的動作，因此不應作為自訂事件使用。
歷史資料
Customer AI需要歷史資料才能進行模型訓練。 資料在系統中存在的所需期間由兩個關鍵要素決定：結果視窗與適用母體。
根據預設，如果在應用程式設定期間未提供合格的母體定義，Customer AI會尋找過去45天內有活動的使用者。 此外，根據預測的目標定義，Customer AI至少需要500個符合資格和500個非符合資格事件（總計1000個）。
下列範例示範如何使用簡單的公式，協助您判斷所需的最小資料量。 如果您的資料超過最低需求，則模型可能會提供更準確的結果。 如果您的數量少於所需的最小數量，模型將會失敗，因為沒有足夠的資料進行模型訓練。
Customer AI採用生存模型來估計特定時間發生事件的機率，並識別影響因素，同時使用定義正面和負面母體的監督學習，以及類似lightgbm的決策型樹狀結構來產生機率分數。
公式：
若要決定系統中現有資料的最短所需持續時間：
-
建立功能所需的最少資料為30天。 比較30天的資格回顧期間：
-
如果資格回顧期間大於30天，資料需求=資格回顧期間+結果期間。
-
否則，資料需求= 30天+結果視窗。
-
**如果定義適用母體的條件超過一個，則適用回顧期間為最長。
範例：
-
您想要預測客戶在未來30天內是否可能為過去60天內進行某些網路活動的客戶購買手錶。
-
資格回顧期間= 60天
-
結果期間= 30天
-
所需資料= 60天+ 30天= 90天
-
-
您想要預測使用者在未來7天 內是否可能購買手錶而不提供明確的合格母體。 在此情況下，符合資格的母體會預設為「過去45天內有活動的人」，而結果期間為7天。
-
資格回顧期間= 45天
-
結果期間= 7天
-
所需資料= 45天+ 7天= 52天
-
-
您想要預測客戶在未來7天內是否可能為過去7天內進行某些網路活動的客戶購買手錶。
-
資格回顧期間= 7天
-
建立功能所需的最少資料= 30天
-
結果期間= 7天
-
所需資料= 30天+ 7天= 37天
-
雖然Customer AI要求資料在系統中存在的最短時間，但它也最能處理最近的資料。 透過使用較新的行為資料，Customer AI可能會對使用者的未來行為產生更準確的預測。
Customer AI輸出資料 customer-ai-output-data
Customer AI會針對視為符合資格的個別設定檔產生數個屬性。 根據您已布建的內容，有兩種方式可使用分數（輸出）。 如果您有已啟用即時客戶個人檔案的資料集，則可以在區段產生器中使用即時客戶個人檔案的深入分析。 如果您沒有啟用設定檔的資料集，您可以下載資料湖中可用的Customer AI輸出資料集。
您可以在Platform 資料集 工作區中找到輸出資料集。 所有Customer AI輸出資料集都以名稱 Customer AI分數 — NAME_OF_APP 開頭。 同樣地，所有的Customer AI輸出結構描述都以名稱 Customer AI結構描述 — Name_of_app 開頭。
下表說明可在Customer AI輸出中找到的各種屬性：
這些是個人資料可能會轉換或流失的預測原因。 這些因素由下列屬性組成：
- 程式碼：對設定檔的預測分數產生正面影響的設定檔或行為屬性。
- 值：設定檔或行為屬性的值。
- 重要性：表示設定檔或行為屬性對預測分數（低、中、高）的權重
後續步驟 next-steps
準備資料並確保所有認證和結構描述都就緒後，請參閱設定Customer AI執行個體指南，該指南會逐步引導您建立建立Customer AI執行個體。