Ti trovi qui:
Configurazione di un modello di propensione all'acquisto (beta)
Configurare il modello Propensione all'acquisto (beta) per creare automaticamente le trasformazioni dati, gli oggetti modello di dati di output e il modello predittivo necessari per generare i punteggi di propensione. Eseguire una query sui punteggi per valutare la probabilità di un cliente di effettuare un acquisto entro la finestra di previsione specificata.
Versioni (Edition) richieste
| Disponibile nelle versioni: Tutte le versioni supportate da Data 360. Vedere Data 360 Edition availability. |
| AUTORIZZAZIONI UTENTE NECESSARIE | |
|---|---|
| Consentire agli utenti di gestire i modelli nei modelli AI | Consente di creare, aggiornare ed eliminare modelli nei modelli AI. |
| INSIEMI DI AUTORIZZAZIONI | |
|---|---|
| Architetto Data Cloud | Accesso a livello di amministratore a tutte le funzioni dei modelli AI, inclusa la possibilità di creare, aggiornare, eliminare e attivare i modelli. |
| Utente Data Cloud | Accesso limitato all'utilizzo di un modello, inclusa la generazione di previsioni e i miglioramenti derivati da un modello. |
Impostazione ed esecuzione di query sul modello
-
Configurare ed eseguire il modello.
- Fare clic sul Programma di avvio app, cercare Data Cloud e selezionarlo.
- Fare clic sulla scheda Modelli AI.
- Dalla sezione Predittiva, fare clic su Crea da modello.
- Selezionare Propensione all'acquisto e fare clic su Avanti.
-
Specificare un nome e una descrizione per la configurazione del modello.
Il sistema assegna un nome a tutte le trasformazioni dati generate e agli asset modello in base al nome di configurazione specificato.
- Selezionare lo spazio dati di destinazione, il prodotto che si desidera valutare e l'orizzonte temporale (finestra di previsione). Se si desidera, specificare una categoria di prodotto.
- Per eseguire la configurazione del modello, fare clic su Treno.
-
Monitorare l'installazione del modello.
Per monitorare l'installazione del modello, da Imposta accedere a App Hub > Calcolo dei punteggi e modelli.
https://<org-domain-url>/Lightning/setup/AppHub/home (Impostazione organizzazione → Hub app)
https://<org-domain-url>/Lightning/setup/ScoringFramework/home (Impostazione organizzazione → Calcolo dei punteggi)
https://<org-domain-url>/Lightning/setup/TemplateStudio/home (Impostazione organizzazione → Modelli)
- Le installazioni del modello creano i sette asset seguenti: 3 trasformazioni, 3 DMO di output e 1 modello. Per verificare che tutti gli asset siano stati creati ed eseguiti correttamente, accedere alle seguenti schede di Data 360: Trasformazioni dati, Oggetto modello di dati e Modelli AI.
-
Trasformazione di addestramento della propensione
-
Trasformazione di inferenza della propensione
-
Trasformazione calcolo del punteggio della propensione
-
Modello di calcolo del punteggio della propensione
-
PropensityTraining__dlm(DMO di output)
-
PropensityInference__dlm (DMO di output)
-
PropensityScoring__dlm (DMO di output)
I nomi degli asset variano a seconda del nome di configurazione specificato. Ad esempio, se la configurazione viene denominata "Camicia", il modello crea automaticamente questi asset.
Definizione trasformazione Calcolo dei punteggi maglia
ShirtPropensityScoringData1__dlm
Camicia - Modello di calcolo del punteggio della propensione
-
Punteggi della propensione alla query.
Per convalidare i punteggi generati che prevedono la probabilità di acquisto entro la finestra di previsione specificata, eseguire una query sul
PropensityScoring__dlm
Oggetto data lake (DLO) nell'editor di query. Ad esempio, eseguire questa query sullo spazio dati per restituire i primi 1.000 record.SELECT Id__c, ProductPropensityScore__c FROM PropensityScoringData__dlm ORDER BY Id__c DESC LIMIT 1000Sostituire PropensityScoringData__dlm con il nome del DMO di output con previsioni. Ad esempio, ShirtPropensityScoringData1__dlm.
Per verificare che gli asset del modello siano stati creati ed eseguiti correttamente in base al nome di configurazione, accedere innanzitutto alla scheda Trasformazioni dati e verificare che esistano. Accedere quindi alla scheda Modelli AI e verificare che il modello sia attivo. Verificare che il modello abbia creato i sette asset in base al nome della configurazione.
Considerazioni
Requisiti dei dati
Utilizzare almeno 6 mesi di cronologia acquisti e dati di coinvolgimento comportamentale, ad esempio gli eventi di navigazione e carrello, per le persone nello spazio dati. Il Generatore di modelli richiede almeno 400 record per creare un modello. Una cronologia delle transazioni limitata o dati di coinvolgimento scarsi possono generare punteggi che non riflettono l'intento di acquisto.
Le persone senza cronologia acquisti o dati di coinvolgimento minimi ricevono punteggi di scarsa confidenza. Considerare questi punteggi come dati insufficienti anziché come bassi intenti di acquisto. I prodotti necessitano di dati storici sulle vendite per generare punteggi di propensione significativi.
Interpretazione del punteggio
Il valore ProductPropensityScore__c rappresenta la probabilità relativa che una persona acquisti il prodotto o la categoria di prodotto specificata all'interno della finestra di previsione configurata. La maggior parte delle persone riceve punteggi bassi perché la percentuale di acquisto base di un singolo prodotto è in genere inferiore al 5%.
Segmentare i punteggi per decile o percentile per l'attivazione. Ad esempio, rivolgersi al 10-20% delle persone con punteggio più alto anziché applicare una soglia numerica fissa. Le distribuzioni dei punteggi variano in base al prodotto e al volume di dati.
Orizzonte temporale e freschezza
La finestra di previsione influisce sulle previsioni del modello. Finestre più brevi favoriscono i segnali comportamentali recenti, ad esempio gli eventi carrello attivi, mentre finestre più lunghe pesano maggiormente sugli schemi di acquisto storici.
I punteggi sono previsioni puntuali e diventano inaffidabili dopo il passaggio della finestra di previsione. Per mantenere aggiornati i punteggi, eseguire nuovamente la trasformazione di inferenza con una cadenza uguale o inferiore alla finestra di previsione configurata.
Pianificazione ed esecuzione
Il modello crea trasformazioni dati batch di addestramento, inferenza e calcolo del punteggio eseguite in sequenza. Le trasformazioni non vengono pianificate automaticamente dopo la creazione iniziale. Rieseguire o pianificare manualmente le trasformazioni e l'addestramento del modello per mantenere aggiornati i punteggi. Il tempo di esecuzione aumenta con il volume dei dati.
Scala
Il modello genera punteggi per ogni combinazione persona-prodotto o persona-categoria di prodotti. Il DMO di output (PropensityScoring__dlm) può crescere in modo significativo quando uno spazio dati contiene molte persone e prodotti. Pianificare la strategia di archiviazione e query di conseguenza.
Ogni configurazione del modello è destinata a un prodotto o a una categoria di prodotti. Per calcolare il punteggio di più prodotti, creare una configurazione separata per ogni prodotto o selezionare una categoria di prodotti durante la configurazione.
Consumo di credito
Il modello consuma crediti quando crea trasformazioni per i dati di addestramento e calcolo del punteggio. Poiché questo modello è deterministico, non consuma crediti agentici.
Altro
Il modello supporta solo gli oggetti e i campi standard di Data Cloud elencati in Modello di propensione all'acquisto (beta). Non è possibile aggiungere DMO o campi personalizzati alla configurazione del modello. Il calcolo del punteggio è solo batch. Il calcolo del punteggio attivato da evento in tempo reale non è supportato.
