Usted estĆ” aquĆ:
Configurar una plantilla PropensiĆ³n a comprar (Beta)
Configure la plantilla PropensiĆ³n a comprar (beta) para crear automĆ”ticamente las transformaciones de datos, los objetos del modelo de datos de salida y el modelo predictivo requerido para generar puntuaciones de propensiĆ³n. Consulte las puntuaciones para evaluar la posibilidad de que un cliente realice una compra dentro de su plazo de predicciĆ³n especificado.
Ediciones necesarias
| Disponible en: Todas las ediciones compatibles con Data 360. Consulte Disponibilidad de Data 360. |
| PERMISOS DE USUARIO REQUERIDOS | |
|---|---|
| Permitir a los usuarios gestionar modelos en modelos de IA | Le permite crear, actualizar y eliminar modelos en Modelos de IA. |
| CONJUNTOS DE PERMISOS | |
|---|---|
| Arquitecto de Data Cloud | Acceso a nivel de administrador a todas las funciones de Modelos de IA, incluyendo la capacidad de crear, actualizar, eliminar y activar modelos. |
| Usuario de Data Cloud | Acceso restringido para utilizar un modelo, incluyendo obtener predicciones y mejoras derivadas de un modelo. |
Configurar y consultar la plantilla
-
Configure y ejecute la plantilla.
- Haga clic en el Iniciador de aplicaciĆ³n, busque Data Cloud y luego selecciĆ³nelo.
- Haga clic en la ficha Modelos de IA.
- Desde la secciĆ³n Predictivo, haga clic en Crear desde plantilla.
- Seleccione PropensiĆ³n a comprar y luego haga clic en Siguiente.
-
Especifique un nombre y una descripciĆ³n para la configuraciĆ³n de su plantilla.
El sistema asigna un nombre a todas las transformaciones de datos generadas y activos de modelo basĆ”ndose en el nombre de configuraciĆ³n que proporciona.
- Seleccione el espacio de datos de destino, el producto que desea evaluar y el horizonte de tiempo (ventana de predicciĆ³n). Opcionalmente, especifique una categorĆa de producto.
- Para ejecutar la configuraciĆ³n de la plantilla, haga clic en Entrenar.
-
Supervise la instalaciĆ³n de la plantilla.
Para supervisar la instalaciĆ³n de la plantilla, desde ConfiguraciĆ³n, vaya a NĆŗcleo de aplicaciĆ³n > PuntuaciĆ³n y Plantillas.
https://<url-dominio-organizacion>/Lightning/setup/AppHub/home (ConfiguraciĆ³n-organizacion ā NĆŗcleo de aplicaciones)
https://<url-dominio-organizaciĆ³n>/Lightning/setup/ScoringFramework/home (ConfiguraciĆ³n-organizaciĆ³n ā PuntuaciĆ³n)
https://<url-dominio-organizacion>/Lightning/setup/TemplateStudio/home (ConfiguraciĆ³n-organizacion ā Plantillas)
- Las instalaciones de plantillas crean estos siete activos: 3 transformaciones, 3 DMO de salida y 1 modelo. Para verificar que todos los activos se crearon y ejecutaron correctamente, vaya a estas fichas de Data 360: DataTransforms, Objeto de modelo de datos y Modelos de IA.
-
TransformaciĆ³n de entrenamiento de propensiĆ³n
-
TransformaciĆ³n de inferencia de propensiĆ³n
-
TransformaciĆ³n de puntuaciĆ³n de propensiĆ³n
-
Modelo de puntuaciĆ³n de propensiĆ³n
-
PropensityTraining__dlm(DMO de salida)
-
PropensityInference__dlm (DMO de salida)
-
PropensityScoring__dlm (DMO de salida)
Los nombres de activos varĆan dependiendo del nombre de configuraciĆ³n que especifique. Por ejemplo, si nombra su configuraciĆ³n "Camisa", la plantilla crea automĆ”ticamente estos activos.
DefiniciĆ³n de transformaciĆ³n de puntuaciĆ³n de camisa
ShirtPropensityScoringData1__dlm
Camisa - Modelo de puntuaciĆ³n de tendencia
-
Puntuaciones de propensiĆ³n a consultas.
Para validar las puntuaciones generadas que predicen la probabilidad de compra dentro de su plazo de predicciĆ³n especificado, ejecute una consulta en el
PropensityScoring__dlm
objeto de lago de datos (DLO) en el Editor de consultas. Por ejemplo, ejecute esta consulta en su espacio de datos para devolver los primeros 1.000 registros.SELECT Id__c, ProductPropensityScore__c FROM PropensityScoringData__dlm ORDER BY Id__c DESC LIMIT 1000Sustituya PropensityScoringData__dlm por el nombre de su DMO de salida por predicciones. Por ejemplo, ShirtPropensityScoringData1__dlm.
Para verificar que sus activos de plantilla se crearon y ejecutaron correctamente basĆ”ndose en su nombre de configuraciĆ³n, primero vaya a la ficha Transformaciones de datos y verifique que estos activos existen. A continuaciĆ³n vaya a la ficha Modelos de IA y verifique que su modelo estĆ” activo. Compruebe que su plantilla creĆ³ los siete activos basĆ”ndose en su nombre de configuraciĆ³n.
Consideraciones
Requisitos de datos
Utilice al menos 6 meses de historial de compras y datos de implicaciĆ³n de comportamiento, como eventos de exploraciĆ³n y carrito, para las personas en su espacio de datos. Model Builder requiere al menos 400 registros para crear un modelo. El historial de transacciones limitado o los escasos datos de implicaciĆ³n pueden dar como resultado puntuaciones que no reflejan la intenciĆ³n de compra.
Las personas sin historial de compras o datos de implicaciĆ³n mĆnimos reciben puntuaciones de baja confianza. Trate estas puntuaciones como datos insuficientes en vez de baja intenciĆ³n de compra. Los productos necesitan datos de ventas histĆ³ricos para producir puntuaciones de propensiĆ³n significativas.
InterpretaciĆ³n de puntuaciones
El valor ProductPropensityScore__c representa la probabilidad relativa de que un individuo adquiera el producto o categorĆa de productos especificados dentro del plazo de predicciĆ³n configurado. La mayorĆa de las personas reciben puntuaciones bajas porque el Ćndice de compra base para un Ćŗnico producto estĆ” normalmente por debajo del 5%.
Segmente las puntuaciones por decil o percentil para la activaciĆ³n. Por ejemplo, dirĆjase al 10-20% de las personas puntuadas mĆ”s importantes en vez de aplicar un umbral numĆ©rico fijo. Las distribuciones de puntuaciĆ³n varĆan por producto y volumen de datos.
Time Horizon and Freshness
La ventana de predicciĆ³n afecta a las predicciones del modelo. Los plazos mĆ”s cortos favorecen seƱales de comportamiento recientes, como eventos de carrito activos, mientras que los plazos mĆ”s largos ponderan los patrones de compra histĆ³ricos con mayor intensidad.
Las puntuaciones son predicciones de punto en el tiempo y se vuelven poco fiables despuĆ©s de que pase el plazo de predicciĆ³n. Para mantener las puntuaciones actualizadas, vuelva a ejecutar la transformaciĆ³n de inferencia a una cadencia igual o mĆ”s corta que el plazo de predicciĆ³n configurado.
ProgramaciĆ³n y ejecuciĆ³n
La plantilla crea transformaciones de datos por lotes de Entrenamiento, Inferencia y PuntuaciĆ³n que se ejecutan en secuencia. Las transformaciones no se programan automĆ”ticamente despuĆ©s de la creaciĆ³n inicial. Vuelva a ejecutar o programar manualmente las transformaciones y el reciclaje de modelos para mantener las puntuaciones actualizadas. El tiempo de ejecuciĆ³n aumenta con el volumen de datos.
Escala
La plantilla genera puntuaciones para cada combinaciĆ³n de producto individual o categorĆa de producto individual. El DMO de salida (PropensityScoring__dlm) puede crecer significativamente cuando un espacio de datos contiene muchos individuos y productos. Planifique su estrategia de almacenamiento y consulta en consecuencia.
Cada configuraciĆ³n de plantilla se dirige a un producto o categorĆa de productos. Para puntuar mĆŗltiples productos, cree una configuraciĆ³n separada para cada producto o seleccione una categorĆa de producto durante la configuraciĆ³n.
Consumo de crƩdito
La plantilla consume crĆ©ditos cuando crea transformaciones para datos de entrenamiento y puntuaciĆ³n. Como esta plantilla es determinista, no consume crĆ©ditos de agentes.
Otros
La plantilla solo admite los campos y objetos estĆ”ndar de Data Cloud enumerados en Plantilla PropensiĆ³n a comprar (Beta). No puede agregar DMO personalizados o campos personalizados a la configuraciĆ³n del modelo. La puntuaciĆ³n es solo por lotes. No se admite la puntuaciĆ³n desencadenada por eventos en tiempo real.
