U bent hier:
Een sjabloon voor de neiging tot kopen configureren (bèta)
Configureer de sjabloon Nepensity to Buy (bèta) om automatisch de gegevenstransformaties, uitvoergegevensmodelobjecten en het voorspellingsmodel te maken die vereist zijn voor het genereren van neigingsscores. Voer een query uit op de scores om de waarschijnlijkheid van een aankoop van een klant binnen uw opgegeven voorspellingsperiode te beoordelen.
Vereiste editions
| Beschikbaar in: Alle editions die worden ondersteund door Data 360. Zie Beschikbaarheid van Data 360 edition. |
| VEREISTE GEBRUIKERSMACHTIGINGEN | |
|---|---|
| Gebruikers toestaan modellen te beheren in AI-modellen | Hiermee kunt u modellen maken, bijwerken en verwijderen in AI-modellen. |
| MACHTIGINGENSETS | |
|---|---|
| Data Cloud-architect | Toegang op beheerdersniveau tot alle AI Models-voorzieningen, inclusief de mogelijkheid om modellen te maken, bij te werken, te verwijderen en te activeren. |
| Data Cloud-gebruiker | Beperkte toegang voor het gebruik van een model, inclusief het ophalen van voorspellingen en verbeteringen die zijn afgeleid van een model. |
De sjabloon instellen en er een query op uitvoeren
-
Configureer en voer de sjabloon uit.
- Klik op de Appstarter, zoek naar Data Cloud en selecteer deze vervolgens.
- Klik op het tabblad AI-modellen.
- Klik vanuit de sectie Voorspellend op Maken op basis van sjabloon.
- Selecteer Neiging tot kopen en klik vervolgens op Volgende.
-
Geef een naam en beschrijving op voor uw sjabloonconfiguratie.
Het systeem noemt alle gegenereerde gegevenstransformaties en modelactiva op basis van de configuratienaam die u opgeeft.
- Selecteer de doelgegevensruimte, het product dat u wilt evalueren en de tijdhorizon (voorspellingsvenster). Geef optioneel een productcategorie op.
- Klik voor het uitvoeren van de sjabloonconfiguratie op Trainen.
-
Bewaak de sjablooninstallatie.
Als u de sjablooninstallatie wilt bewaken, gaat u vanuit Set-up naar App Hub > Scores en sjablonen.
https://<org-domain-url>/lightning/setup/AppHub/home (Organisatie-instellingen → App Hub)
https://<org-domein-url>/lightning/setup/ScoringFramework/home (Org Set-up → Scores)
https://<org-domein-url>/lightning/setup/TemplateStudio/home (Org Set-up → Sjablonen)
- De sjablooninstallaties maken deze zeven activa: 3 transformaties, 3 uitvoer-DMO's en 1 model. Als u wilt controleren of alle activa met succes zijn gemaakt en uitgevoerd, gaat u naar deze tabbladen van Data 360: DataTransforms, Gegevensmodelobject en AI-modellen.
-
Transformatie neigingstraining
-
Transformatie van neigingsinferentie
-
Transformatie van neigingsscores
-
Propensiteitsscoremodel
-
PropensityTraining__dlm (uitvoer-DMO)
-
PropensityInference__dlm (uitvoer-DMO)
-
PropensityScoring__dlm (uitvoer-DMO)
Activumnamen variëren afhankelijk van de configuratienaam die u opgeeft. Als u uw configuratie bijvoorbeeld de naam "Shirt" geeft, maakt de sjabloon automatisch deze activa.
Transformatiedefinitie voor shirtscores
ShirtPropensityScoringData1__dlm
Overhemd - Model voor geneigdheidsscores
-
Query uitvoeren op neigingsscores.
Voer voor het valideren van de gegenereerde scores die de aankoopwaarschijnlijkheid voorspellen binnen uw opgegeven voorspellingsperiode, een query uit op de
PropensityScoring__dlm
gegevens-lakeobject (Data Lake Object, DLO) in de Queryeditor. Voer deze query bijvoorbeeld uit op uw gegevensruimte om de eerste 1000 records te retourneren.SELECT Id__c, ProductPropensityScore__c FROM PropensityScoringData__dlm ORDER BY Id__c DESC LIMIT 1000Vervang PropensityScoringData__dlm door de naam van uw uitvoer-DMO door voorspellingen. Bijvoorbeeld ShirtPropensityScoringData1__dlm.
Als u wilt controleren of uw sjabloonactiva met succes zijn gemaakt en uitgevoerd op basis van uw configuratienaam, gaat u eerst naar het tabblad Gegevenstransformaties en controleert u of deze activa bestaan. Ga vervolgens naar het tabblad AI-modellen en controleer of uw model actief is. Controleer of uw sjabloon de zeven activa heeft gemaakt op basis van uw configuratienaam.
Overwegingen
Gegevensvereisten
Gebruik minstens 6 maanden aan aankoophistorie en gegevens over betrokkenheid bij gedrag, zoals browse- en winkelwagentje-events, voor de individuen in uw gegevensruimte. Modelsamensteller vereist minstens 400 records om een model samen te stellen. Beperkte transactiehistorie of beperkte betrokkenheidsgegevens kunnen leiden tot scores die geen rekening houden met de aankoopintentie.
Personen zonder aankoophistorie of minimale betrokkenheidsgegevens krijgen lage vertrouwensscores. Behandel deze scores als onvoldoende gegevens in plaats van een lage aankoopintentie. Producten hebben historische verkoopgegevens nodig om betekenisvolle neigingsscores te produceren.
Interpretatie van scores
De waarde ProductPropensityScore__c vertegenwoordigt de relatieve waarschijnlijkheid dat een individu het opgegeven product of de opgegeven productcategorie koopt binnen het geconfigureerde voorspellingsvenster. De meeste individuen ontvangen lage scores omdat het basisaankooppercentage voor één product doorgaans lager is dan 5%.
Segmenteer scores op deciel of percentiel voor activering. Richt u bijvoorbeeld op de beste 10 tot 20% van de gescoorde individuen in plaats van een vaste numerieke drempelwaarde toe te passen. Scoreverdelingen variëren per product en gegevensvolume.
Tijdhorizon en versheid
Het voorspellingsvenster heeft invloed op de voorspellingen van het model. Kortere perioden geven de voorkeur aan recente gedragssignalen, zoals actieve winkelwagentjesevents, terwijl langere perioden historische aankooppatronen zwaarder wegen.
Scores zijn momentvoorspellingen en worden onbetrouwbaar nadat de voorspellingsperiode is verstreken. Als u scores actueel wilt houden, voert u de gevolgtrekkingstransformatie opnieuw uit met een cadans die gelijk is aan of korter is dan het geconfigureerde voorspellingsvenster.
Planning en uitvoering
De sjabloon maakt batchgegevenstransformaties voor Training, Inferentie en Scores die op volgorde worden uitgevoerd. De transformaties worden niet automatisch gepland nadat ze voor het eerst zijn gemaakt. Voer de transformaties en modelhertrainingen handmatig opnieuw uit of plan ze om scores actueel te houden. De uitvoeringstijd neemt toe met het gegevensvolume.
Schaal
De sjabloon genereert scores voor elke combinatie van individu/product of individu/productcategorie. Het uitvoer-DMO (PropensityScoring__dlm) kan aanzienlijk groeien wanneer een gegevensruimte veel individuen en producten bevat. Plan uw opslag- en querystrategie dienovereenkomstig.
Elke sjabloonconfiguratie is gericht op één product of productcategorie. Als u meerdere producten wilt scoren, maakt u een afzonderlijke configuratie voor elk product of selecteert u een productcategorie tijdens de configuratie.
Kredietverbruik
De sjabloon verbruikt kredieten wanneer deze transformaties maakt voor trainings- en scoregegevens. Omdat deze sjabloon deterministisch is, verbruikt deze geen agentische kredieten.
Overige
De sjabloon ondersteunt alleen de standaard Data Cloud-objecten en -velden die worden vermeld in Sjabloon voor geneigdheid tot kopen (bèta). U kunt geen aangepaste DMO's of aangepaste velden toevoegen aan de modelconfiguratie. Scores zijn alleen batches. Realtime, door events geactiveerde scores worden niet ondersteund.
