決策常見問答 decisioning-faq

一旦​符合任何單一條件，優惠就會設定上限。 當存在多個上限規則時，一旦任何規則達到其臨界值，就會停止顯示選件。

範例：
如果您為優惠定義兩個上限規則：

• 每週每個設定檔5次
• 所有使用者的總共100倍

使用者一週看過5次選件後，即使總上限尚未達到100，選件將停止向使用者顯示。 同樣地，一旦達到100總曝光數，選件就會停止向所有使用者顯示。

深入瞭解上限規則。

設定AI模型時，資料集和對象都有不同的用途。

• 資料集：擷取做為模型最佳化目標的轉換事件（點按數、訂購、收入）。
• 對象：作為預測變數的功能，可讓模型根據客戶區段成員資格來個人化建議。

對象不會限制或擴大模型的範圍。 相反地，他們提供上下文屬性，這些屬性可改善模型在不同客戶區段做出個人化預測的能力。

這兩個元件都需要有效個人化最佳化模型模型效能。

自動最佳化模型會根據過去14天的流量資料，提供流量給下一個最佳可用優惠，無論個人化最佳化模型是否使用過去30天的流量資料。

當同時移除數個選件且剩餘選件在14天或30天範圍內具有最低的流量資料時，模型可能會表現出次佳行為，包括隨機分佈模式或根據有限的曝光資料而傾向於轉換率較高的選件。

最佳實務：大幅修改優惠方案集合時，請確認剩餘的優惠方案具有足夠的歷史效能資料，以維持模型有效性。

AI模型會在下一個訓練週期中識別並開始測試新提供的選件：

• 自動最佳化​會在下一個訓練週期中識別並開始測試新優惠方案。 自動最佳化訓練每天進行3至4次，大約每6小時一次。
• 個人化最佳化​會在新優惠方案新增至優惠方案策略時，識別並開始測試新優惠方案。 它們將會包含在隨機探索流量中。 然後，這些選件將在模型的下一個培訓週期中進行個人化，每週進行一次。

在識別之後，這兩種模型都會立即開始向某些訪客提供新優惠方案，以測試其效能並收集其成效的相關資料。

深入瞭解自動最佳化和個人化最佳化模型。

自動最佳化和個人化最佳化模型都採用「探索 — 開發」策略，無需專用控制組。

• 初始階段：模型從100%探索開始，測試不同的選件以建立基準效能資料。
• 自我調整最佳化：隨著行為事件累積和預測準確度提高，模型會自動平衡探索和開發。
• 持續學習：系統會在繼續測試替代方案的同時，逐步將更多流量分配給高效能的優惠方案。

這可確保所有流量的持續學習和最佳化，而不需要單獨的控制組。

Adobe建議遵循以下最低臨界值，以確保有效模型效能：

• 每週每個選件/專案1,000次曝光數
• 每週每個選件/專案100個轉換事件

依預設，系統不會嘗試為曝光次數少於1,000次或轉換事件少於50次的優惠/專案建立個人化模型。

深入瞭解資料收集需求。

當優惠方案吸引不同的客戶區段時，AI模型會產生更佳的個人化好處。 如果選件非常類似，通常會有兩種結果：

• 相等的效能：選件的執行方式相同，而且接收大致相等的流量分佈。
• 主要選件：細微的差異會導致一個選件在所有區段上勝過其他選件，擷取大部分流量。

最佳實務：設計具有明顯差異的優惠方案，符合不同的客戶區段偏好設定，以發揮AI模型的最大效益。

流量異常會在30天滾動時段內按比例納入模型中，這可在暫時流量波動期間提供模型穩定性。 短期的尖峰或下降不會大幅干擾模型預測或效能。

暫時的流量尖峰（例如，每日流量的兩倍）對整體模型效能的影響最小，因為異常流量代表30天資料集的一小部分。