Sie befinden sich hier:
Konfigurieren einer Kaufneigungsvorlage (Beta)
Konfigurieren Sie die Vorlage "Kaufneigung" (Beta), um automatisch die Datentransformationen, Ausgabedatenmodellobjekte und das Prognosemodell zu erstellen, die zum Generieren von Kaufneigungsbewertungen erforderlich sind. Fragen Sie die Bewertungen ab, um die Wahrscheinlichkeit eines Kunden für einen Kauf innerhalb Ihres angegebenen Prognosefensters zu bewerten.
Erforderliche Editionen
| Verfügbarkeit: Alle Editionen, die von Data 360 unterstützt werden. Siehe Data 360-Editionsverfügbarkeit. |
| ERFORDERLICHE BENUTZERBERECHTIGUNGEN | |
|---|---|
| Zulassen, dass Benutzer Modelle in AI-Modellen verwalten | Ermöglicht Ihnen das Erstellen, Aktualisieren und Löschen von Modellen in AI-Modellen. |
| BERECHTIGUNGSSÄTZE | |
|---|---|
| Data Cloud-Architekt | Zugriff auf Administratorebene auf alle Funktionen von AI-Modellen, einschließlich der Möglichkeit, Modelle zu erstellen, zu aktualisieren, zu löschen und zu aktivieren. |
| Data Cloud-Benutzer | Eingeschränkter Zugriff zum Verwenden eines Modells, einschließlich des Abrufens von Prognosen und der aus einem Modell abgeleiteten Verbesserungen. |
Einrichten und Abfragen der Vorlage
-
Konfigurieren und führen Sie die Vorlage aus.
- Klicken Sie auf App Launcher, suchen Sie nach Data Cloud und wählen Sie es aus.
- Klicken Sie auf die Registerkarte AI-Modelle.
- Klicken Sie im Abschnitt "Prognose" auf Aus Vorlage erstellen.
- Wählen Sie Kaufneigung aus und klicken Sie dann auf Weiter.
-
Geben Sie einen Namen und eine Beschreibung für Ihre Vorlagenkonfiguration an.
Das System benennt alle generierten Datentransformationen und Modellvermögenswerte anhand des von Ihnen angegebenen Konfigurationsnamens.
- Wählen Sie den Zieldatenbereich, das auszuwertende Produkt und den Zeithorizont (Prognosefenster) aus. Geben Sie optional eine Produktkategorie an.
- Klicken Sie zum Ausführen der Vorlagenkonfiguration auf Train (Zug).
-
Überwachen Sie die Vorlageninstallation.
Navigieren Sie zum Überwachen der Vorlageninstallation unter "Setup" zu App Hub > Bewertungen und Vorlagen.
https://<org-domain-url>/lightning/setup/AppHub/home (Organisations-Setup → App Hub)
https://<org-domain-url>/lightning/setup/ScoringFramework/home (Organisations-Setup → Bewertung)
https://<org-domain-url>/lightning/setup/TemplateStudio/home (Organisations-Setup → Vorlagen)
- Die Vorlageninstallationen erstellen die folgenden sieben Datenbestände: 3 Transformationen, 3 Ausgabe-DMOs und 1 Modell. Wechseln Sie zu den folgenden Data 360-Registerkarten, um zu überprüfen, ob alle Datenbestände erfolgreich erstellt und ausgeführt wurden: DataTransformations, Datenmodellobjekt und AI-Modelle.
-
Propensity Training Transform (Transformation des Propensitätstrainings)
-
Propensity Inference Transform (Umwandeln der Propensitätsableitung)
-
Propensity Scoring Transformation (Umwandeln der Propensitätsbewertung)
-
Propensity-Bewertungsmodell
-
PropensityTraining__dlm(Ausgabe-DMO)
-
PropensityInference__dlm (Ausgabe-DMO)
-
PropensityScoring__dlm (Ausgabe-DMO)
Vermögenswertnamen variieren je nach dem von Ihnen angegebenen Konfigurationsnamen. Wenn Sie Ihre Konfiguration beispielsweise "Shirt" nennen, erstellt die Vorlage automatisch diese Datenbestände.
Definition der Shirt-Bewertungsumwandlung
ShirtPropensityScoringData1__dlm
Shirt – Propensity Scoring Model (Modell für die Prognosebewertung)
-
Abfrageneigungsbewertungen.
Führen Sie zum Validieren der generierten Bewertungen, die die Kaufwahrscheinlichkeit in Ihrem angegebenen Prognosefenster prognostizieren, eine Abfrage für das
PropensityScoring__dlm
Data-Lake-Objekt (DLO) im Abfrage-Editor. Führen Sie beispielsweise diese Abfrage in Ihrem Datenbereich aus, um die ersten 1.000 Datensätze zurückzugeben.SELECT Id__c, ProductPropensityScore__c FROM PropensityScoringData__dlm ORDER BY Id__c DESC LIMIT 1000Ersetzen Sie PropensityScoringData__dlm durch den Namen Ihres Ausgabe-DMOs durch Prognosen. Beispiel: ShirtPropensityScoringData1__dlm.
Wechseln Sie zunächst zur Registerkarte "Datentransformationen" und überprüfen Sie, ob diese Datenbestände vorhanden sind, um zu überprüfen, ob Ihre Vorlagen-Datenbestände anhand Ihres Konfigurationsnamens erfolgreich erstellt und ausgeführt wurden. Wechseln Sie dann zur Registerkarte "AI-Modelle" und überprüfen Sie, ob Ihr Modell aktiv ist. Überprüfen Sie, ob Ihre Vorlage die sieben Datenbestände anhand Ihres Konfigurationsnamens erstellt hat.
Überlegungen
Datenanforderungen
Verwenden Sie mindestens 6 Monate Kaufverlaufs- und verhaltensbasierte Interaktionsdaten wie "Durchsuchen" und "Einkaufswagenereignisse" für die Einzelpersonen in Ihrem Datenbereich. Für den Modellgenerator sind mindestens 400 Datensätze zum Erstellen eines Modells erforderlich. Begrenzter Transaktionsverlauf oder spärliche Interaktionsdaten können zu Bewertungen führen, die nicht den Kaufabsichten entsprechen.
Einzelpersonen ohne Kaufverlauf oder minimale Interaktionsdaten erhalten Bewertungen mit geringer Konfidenz. Behandeln Sie diese Bewertungen als unzureichende Daten und nicht als niedrigen Kaufabsichtswert. Produkte benötigen historische Vertriebsdaten, um aussagekräftige Tendenzbewertungen zu erhalten.
Bewertungsinterpretation
Der Wert ProductPropensityScore__c stellt die relative Wahrscheinlichkeit dar, mit der eine Einzelperson das angegebene Produkt oder die angegebene Produktkategorie im konfigurierten Prognosefenster kauft. Die meisten Einzelpersonen erhalten niedrige Bewertungen, da die Basiskaufrate für ein einzelnes Produkt in der Regel unter 5 % liegt.
Segmentieren Sie Bewertungen nach Dezil oder Perzentil für die Aktivierung. Richten Sie sich beispielsweise an die besten 10–20 % der bewerteten Einzelpersonen, statt einen festen numerischen Schwellenwert anzuwenden. Bewertungsverteilungen variieren je nach Produkt und Datenvolumen.
Zeithorizont und Frische
Das Prognosefenster wirkt sich auf die Prognosen des Modells aus. Kürzere Fenster begünstigen aktuelle Verhaltenssignale wie aktive Einkaufswagenereignisse, während längere Fenster historische Kaufmuster stärker belasten.
Bewertungen sind Zeitpunktprognosen und werden nach Ablauf des Prognosefensters unzuverlässig. Führen Sie die Rückschlusstransformation in einem Rhythmus aus, der dem konfigurierten Prognosefenster entspricht oder kürzer ist, um die Bewertungen aktuell zu halten.
Planung und Ausführung
Die Vorlage erstellt Batch-Datentransformationen vom Typ "Training", "Rückschluss" und "Bewertung", die nacheinander ausgeführt werden. Die Transformationen werden nicht automatisch nach der ersten Erstellung geplant. Führen Sie die Transformationen und das Modell-Neutraining manuell erneut aus oder planen Sie sie, um die Bewertungen auf dem aktuellen Stand zu halten. Die Ausführungszeit erhöht sich mit dem Datenvolumen.
Dezimalreihe
Die Vorlage generiert Bewertungen für jede Kombination aus Einzelperson und Produkt oder Einzelperson und Produktkategorie. Das Ausgabe-DMO (PropensityScoring__dlm) kann erheblich wachsen, wenn ein Datenbereich viele Einzelpersonen und Produkte enthält. Planen Sie Ihre Speicher- und Abfragestrategie entsprechend.
Jede Vorlagenkonfiguration zielt auf ein Produkt oder eine Produktkategorie ab. Wenn Sie mehrere Produkte bewerten möchten, erstellen Sie für jedes Produkt eine separate Konfiguration oder wählen Sie während der Konfiguration eine Produktkategorie aus.
Kreditverbrauch
Die Vorlage verbraucht Gutschriften, wenn sie Transformationen für Trainings- und Bewertungsdaten erstellt. Da diese Vorlage deterministisch ist, werden keine Agentengutschriften verwendet.
Andere
Die Vorlage unterstützt nur die unter "Kaufneigung (Beta)" aufgeführten Data Cloud-Standardobjekte und -felder. Sie können der Modellkonfiguration keine benutzerdefinierten DMOs oder benutzerdefinierten Felder hinzufügen. Die Bewertung erfolgt nur als Batch. Echtzeit-Ereignisbewertungen werden nicht unterstützt.
