Du er her:
Konfigurere en mal for tilbøyelighet til å kjøpe (beta)
Konfigurer malen Propensity to Buy (beta) for å automatisk opprette datatransformasjonene, utdatamodellobjektene og forutsigelsesmodellen som kreves for å generere tilbøyelighetsscore. Spør score for å vurdere en kundes sannsynlighet for å foreta et kjøp i det angitte forutsigelsesvinduet.
Nødvendige utgaver
| Tilgjengelig i Alle versjoner støttes av Data 360. Se tilgjengelighet av Data 360-versjonen. |
| NØDVENDIGE BRUKERTILLATELSER | |
|---|---|
| Tillate brukere å behandle modeller i AI-modeller | Gir deg mulighet til å opprette, oppdatere og slette modeller i AI-modeller. |
| TILLATELSESSETT | |
|---|---|
| Data Cloud-arkitekt | Tilgang på administratornivå til alle AI-modellfunksjoner, inkludert muligheten til å opprette, oppdatere, slette og aktivere modeller. |
| Data Cloud-bruker | Begrenset tilgang til å bruke en modell, inkludert å få forutsigelser og forbedringer utledet fra en modell. |
Konfigurere og spørre malen
-
Konfigurer og kjør malen.
- Klikk på Appstarter, søk etter Data Cloud og velg den.
- Klikk på fanen AI-modeller.
- Klikk på Opprett fra mal under Forutsigelse.
- Velg Klar til å kjøpe, og klikk deretter på Neste.
-
Angi et navn på og en beskrivelse av malkonfigurasjonen.
Systemet gir navn til alle genererte datatransformasjoner og modellaktiva basert på konfigurasjonsnavnet du oppgir.
- Velg måldataområdet, produktet du vil evaluere, og tidshorisonten (forutsigelsesvinduet). Angi eventuelt en produktkategori.
- Klikk på Train for å kjøre malkonfigurasjonen.
-
Overvåk malinstalleringen.
For å overvåke malinstalleringen går du til App Hub > Scoring og Templates i Oppsett.
https://<org-domenet-url>/lightning/setup/AppHub/home (Organisasjonsoppsett → App Hub)
https://<org-domenet-url>/lightning/setup/ScoringFramework/home (Organisasjonsoppsett → Scoring)
https://<org-domenet-url>/lightning/setup/TemplateStudio/home (Organisasjonsoppsett → Maler)
- Malinstallasjonene oppretter disse sju aktivaene: 3 transformasjoner, 3 utdata-DMO-er og 1 modell. Gå til disse Data 360-fanene for å kontrollere at alle aktivaene er riktig opprettet og utført: DataTransforms, Datamodellobjekt og AI-modeller.
-
Transformer for klargjøringsopplæring
-
Propensity Inference-transformasjon
-
Transformasjonen Propensitetsscore
-
Propensitetsscoremodell
-
PropensityTraining__dlm(utdata-DMO)
-
PropensityInference__dlm (utdata-DMO)
-
PropensityScoring__dlm (utdata-DMO)
Navn på aktiva varierer avhengig av konfigurasjonsnavnet du angir. Hvis du for eksempel gir konfigurasjonen navnet "Shirt", oppretter malen automatisk disse aktivaene.
Definisjon av transformasjonsscore for skjorte
ShirtPropensityScoringData1__dlm
Shirt - Propensity Scoring Model (Skjorte - Scoringsmodell for nærhet)
-
Spørringsegenskapsscore.
Kjør en spørring i det angitte forutsigelsesvinduet for å validere de genererte scorene som forutsier kjøpssannsynligheten.
PropensityScoring__dlm
DLO (data lake object) i spørringsredigeringen. Kjør for eksempel denne spørringen på dataområdet for å returnere de første 1000 postene.SELECT Id__c, ProductPropensityScore__c FROM PropensityScoringData__dlm ORDER BY Id__c DESC LIMIT 1000Erstatt PropensityScoringData__dlm med navnet på utdata-DMO med forutsigelser. Eksempel: ShirtPropensityScoringData1__dlm.
For å kontrollere at malaktivaene ble riktig opprettet og utført basert på konfigurasjonsnavnet, går du først til fanen Datatransformasjoner og kontrollerer at disse aktivaene finnes. Gå deretter til fanen AI-modeller og kontroller at modellen er aktiv. Kontroller at malen har opprettet de sju aktivaene basert på konfigurasjonsnavnet.
Vurderinger
Datakrav
Bruk minst 6 måneder med kjøpshistorikk og atferdsengasjementsdata, som nettleser- og handlevognhendelser, for enkeltpersonene i dataområdet. Modellbygger krever minst 400 poster for å bygge en modell. Begrenset transaksjonshistorikk eller begrensede engasjementsdata kan føre til score som ikke gjenspeiler kjøpshensikt.
Personer som ikke har noen kjøpshistorikk eller minimale engasjementsdata, får score med lite konfidens. Behandle disse scorene som ikke tilstrekkelige data i stedet for lav innkjøpshensikt. Produkter trenger historiske salgsdata for å produsere meningsfylte tilbøyelighetsscorer.
Score tolkning
Verdien ProductPropensityScore__c representerer den relative sannsynligheten for at en enkeltperson kjøper det angitte produktet eller produktkategorien i det konfigurerte forutsigelsesvinduet. De fleste får lave score fordi basiskjøpsgraden for et enkelt produkt vanligvis er under 5 %.
Segmenter score etter desil eller prosentil for aktivering. Mål for eksempel de øverste 10–20 % av scorede enkeltpersoner i stedet for å bruke en fast tallterskel. Scoredistribusjoner varierer etter produkt og datavolum.
Tidstidshorisont og friskhet
Forutsigelsesvinduet påvirker modellens forutsigelser. Kortere vinduer favoriserer nylige atferdssignaler, som aktive handlevognhendelser, mens lengre vinduer veier historiske kjøpsmønstre mer tungt.
Score er tidspunktsforutsigelser og blir upålitelige etter at forutsigelsesvinduet har passert. For å holde scorer oppdaterte kjører du inferansetransformasjonen på nytt med en kadens lik eller kortere enn det konfigurerte forutsigelsesvinduet.
Planlegging og gjennomføring
Malen oppretter gruppedatatatransformasjoner for Opplæring, Utleding og Scoring som kjører i sekvens. Transformasjonene planlegges ikke automatisk etter første opprettelse. Kjør transformasjonene og modellopplæringen på nytt manuelt for å holde score oppdatert. Utførelsestiden øker med datavolumet.
Skala
Malen genererer score for hver enkeltprodukt- eller enkeltprodukt-kategorikombinasjon. Utdata-DMO-et (PropensityScoring__dlm) kan øke betydelig når et dataområde inneholder mange enkeltpersoner og produkter. Planlegg lagrings- og spørringsstrategien i henhold til dette.
Hver malkonfigurasjon tar sikte på ett produkt eller en produktkategori. Hvis du vil score flere produkter, oppretter du en separat konfigurasjon for hvert produkt eller velger en produktkategori under konfigurasjonen.
Kredittforbruk
Malen bruker kreditter når den oppretter transformasjoner for opplærings- og scoredata. Fordi denne malen er deterministisk, bruker den ikke agentiske kreditter.
Annet
Malen støtter bare standard Data Cloud-objekter og -felt som er oppført i Propensity to Buy-malen (beta). Du kan ikke legge til tilpassede DMO-er eller tilpassede felt i modellkonfigurasjonen. Scoring er bare batch. Sanntids, hendelsesutløst scoring støttes ikke.
