Você está aqui:
Configurar um modelo de propriedade para comprar (beta)
Configure o modelo Propriedade para comprar (beta) para criar automaticamente as transformações de dados, os objetos do modelo de dados de saída e o modelo preditivo necessários para gerar pontuações de propensão. Consulte as pontuações para avaliar a probabilidade de um cliente fazer uma compra dentro da janela de previsão especificada.
Edições obrigatórias
| Disponível em: Todas as edições suportadas pelo Data 360. Consulte Disponibilidade da edição do Data 360. |
| PERMISSÕES DE USUÁRIO NECESSÁRIAS | |
|---|---|
| Permitir que usuários gerenciem modelos em Modelos de IA | Permite criar, atualizar e excluir modelos em Modelos de IA. |
| CONJUNTOS DE PERMISSÕES | |
|---|---|
| Arquiteto do Data Cloud | Acesso em nível de administrador a todos os recursos de Modelos de IA, incluindo a capacidade de criar, atualizar, excluir e ativar modelos. |
| Usuário do Data Cloud | Acesso restrito para usar um modelo, incluindo obter previsões e melhorias derivadas de um modelo. |
Configurar e consultar o modelo
-
Configure e execute o modelo.
- Clique no Iniciador de aplicativos, pesquise pelo Data Cloud e selecione-o.
- Clique na guia Modelos de IA.
- Na seção Preditiva, clique em Criar do modelo.
- Selecione Propriedade para comprar e clique em Avançar.
-
Especifique um nome e uma descrição para sua configuração de modelo.
O sistema dá um nome a todas as transformações de dados geradas e ativos de modelo com base no nome da configuração fornecido.
- Selecione o espaço de dados de destino, o produto que você deseja avaliar e o horizonte de tempo (janela de previsão). Opcionalmente, especifique uma categoria de produto.
- Para executar a configuração do modelo, clique em Trein.
-
Monitore a instalação do modelo.
Para monitorar a instalação do modelo, em Configuração, acesse App Hub > Pontuação e Modelos.
https://<org-domain-url>/lightning/setup/AppHub/home (Configuração da organização → Hub do aplicativo)
https://<org-domain-url>/lightning/setup/ScoringFramework/home (Configuração da organização → Pontuação)
https://<org-domain-url>/lightning/setup/TemplateStudio/home (Configuração da organização → Modelos)
- As instalações de modelo criam estes sete ativos: Três transformações, três DMOs de saída e um modelo. Para verificar se todos os ativos foram criados e executados com sucesso, acesse estas guias do Data 360: DataTransforms, Objeto de modelo de dados e Modelos de IA.
-
Transformação de treinamento de propensão
-
Transformação de inferência de propensão
-
Transformação de pontuação de propensão
-
Modelo de pontuação de propensão
-
PropensityTraining__dlm (DMO de saída)
-
PropensityInference__dlm (DMO de saída)
-
PropensityScoring__dlm (DMO de saída)
Os nomes dos ativos variam dependendo do nome da configuração especificado. Por exemplo, se você atribuir à sua configuração o nome "Chameta", o modelo criará automaticamente esses ativos.
Definição de transformação de pontuação de camisa
ShirtPropensityScoringData1__dlm
Camisa – modelo de pontuação de propensão
-
Pontuações de propensão de consulta.
Para validar as pontuações geradas que preveem a probabilidade de compra na janela de previsão especificada, execute uma consulta no
PropensityScoring__dlm
objeto de data lake (DLO) no Editor de consulta. Por exemplo, execute essa consulta em seu espaço de dados para retornar os primeiros 1.000 registros.SELECT Id__c, ProductPropensityScore__c FROM PropensityScoringData__dlm ORDER BY Id__c DESC LIMIT 1000Substitua PropensityScoringData__dlm pelo nome do DMO de saída com previsões. Por exemplo, ShirtPropensityScoringData1__dlm.
Para verificar se os ativos de modelo foram criados e executados com sucesso com base no nome da configuração, acesse a guia Transformações de dados e verifique se esses ativos existem. Em seguida, vá para a guia Modelos de IA e verifique se o modelo está ativo. Verifique se seu modelo criou os sete ativos com base no nome da configuração.
Considerações
Requisitos de dados
Use pelo menos seis meses de histórico de compra e dados de engajamento comportamental, como eventos de navegação e carrinho, para os indivíduos em seu espaço de dados. O Criador de modelos requer pelo menos 400 registros para criar um modelo. Histórico de transações limitado ou dados de engajamento escassos podem resultar em pontuações que não refletem a intenção de compra.
Indivíduos sem histórico de compra ou dados mínimos de engajamento recebem pontuações de baixa confiança. Trate essas pontuações como dados insuficientes em vez de baixa intenção de compra. Os produtos precisam de dados de vendas históricos para produzir pontuações de propensão relevantes.
Interpretação de pontuação
O valor ProductPropensityScore__c representa a probabilidade relativa de que um indivíduo compre o produto ou categoria de produto especificado dentro da janela de previsão configurada. A maioria das pessoas recebe pontuações baixas porque a taxa de compra de base para um único produto costuma estar abaixo de 5%.
Segmente as pontuações por decil ou percentil para ativação. Por exemplo, direcione os 10 a 20% principais de indivíduos pontuados em vez de aplicar um limite numérico fixo. As distribuições de pontuação variam de acordo com o produto e o volume de dados.
Horizonte do tempo e frescura
A janela de previsão afeta as previsões do modelo. Janelas mais curtas favorecem sinais de comportamento recentes, como eventos de carrinho ativos, enquanto janelas mais longas pesam mais os padrões de compra históricos.
As pontuações são previsões de ponto no tempo e se tornam não confiáveis após a janela de previsão ser aprovada. Para manter as pontuações atualizadas, execute novamente a transformação de inferência em um ritmo igual ou menor que a janela de previsão configurada.
Agendamento e execução
O modelo cria transformações de dados em lote de Treinamento, Inferência e Pontuação que são executadas em sequência. As transformações não são agendadas automaticamente após a criação inicial. Execute ou agende manualmente as transformações e o novo treinamento de modelo para manter as pontuações atualizadas. O tempo de execução aumenta com o volume de dados.
Escala
O modelo gera pontuações para cada combinação de produto individual ou categoria de produto individual. O DMO de saída (PropensityScoring__dlm) pode crescer significativamente quando um espaço de dados contém muitos indivíduos e produtos. Planeje sua estratégia de armazenamento e consulta de acordo.
Cada configuração de modelo tem como alvo um produto ou uma categoria de produto. Para pontuar vários produtos, crie uma configuração separada para cada produto ou selecione uma categoria de produto durante a configuração.
Consumo de crédito
O modelo consome créditos quando cria transformações para dados de treinamento e pontuação. Como esse modelo é determinístico, ele não consome créditos agentes.
Outro
O modelo oferece suporte apenas aos objetos e campos padrão do Data Cloud listados em Modelo de propensão de compra (beta). Não é possível adicionar DMOs ou campos personalizados à configuração do modelo. A pontuação é somente em lote. Não há suporte para pontuação acionada por evento em tempo real.
