Du är här:
Konfigurera en mall för köpbenägenhet (beta)
Konfigurera mallen Benägenhet att köpa (beta) för att automatiskt skapa de datatransformationer, utdatamodellobjekt och prediktiva modeller som krävs för att skapa benägenhetsbetyg. Fråga betygen för att bedöma en kunds sannolikhet att göra ett köp inom ditt specificerade förutsägelsefönster.
Versioner som krävs
| Tillgängliga i: Alla versioner stöds av Data 360. Se Tillgänglighet för Data 360-version. |
| ANVÄNDARBEHÖRIGHETER SOM KRÄVS | |
|---|---|
| Låt användare hantera modeller i AI-modeller | Gör att du kan skapa, uppdatera och ta bort modeller i AI-modeller. |
| BEHÖRIGHETSUPPSÄTTNINGAR | |
|---|---|
| Data Cloud-arkitekt | Administratörsåtkomst till alla funktioner i AI-modeller, inklusive möjligheten att skapa, uppdatera, ta bort och aktivera modeller. |
| Data Cloud-användare | Begränsad åtkomst för att använda en modell, inklusive att få förutsägelser och förbättringar deriverade från en modell. |
Konfigurera och fråga mallen
-
Konfigurera och kör mallen.
- Klicka på Appstartaren, sök efter Data Cloud och välj det sedan.
- Klicka på fliken AI-modeller.
- I sektionen Prediktiv, klicka på Skapa från mall.
- Välj Benägenhet att köpa och klicka sedan på Nästa.
-
Ange ett namn och en beskrivning för din mallkonfiguration.
Systemet namnger alla genererade datatransformationer och modellerar tillgångar baserat på det konfigurationsnamn du anger.
- Välj måldatautrymmet, produkten som du vill utvärdera och tidshorisonten (förutsägelsefönster). Specificera om du vill en produktkategori.
- För att köra mallkonfigurationen, klicka på Tåg.
-
Övervaka mallinstallationen.
För att bevaka mallinstallationen: i Inställningar, gå till Appnav > Betyg och mallar.
https://<org-domain-url>/lightning/setup/AppHub/home (Organisationskonfiguration → Appnav)
https://<org-domain-url>/lightning/setup/ScoringFramework/home (Organisationskonfiguration → Betyg)
https://<org-domain-url>/lightning/setup/TemplateStudio/home (Organisationskonfiguration → Mallar)
- Mallinstallationerna skapar dessa sju tillgångar: 3 transformationer, 3 utdata-DMO och 1 modell. För att verifiera att alla tillgångar har skapats och utförts, gå till dessa Data 360-flikar: DataTransformer, datamodellobjekt och AI-modeller.
-
Transformera benägenhetsinlärning
-
Transformera benägenhetsslutledning
-
Transformera benägenhetsbetyg
-
Betygsmodell för benägenhet
-
PropensityTraining__dlm(utdata-DMO)
-
PropensityInference__dlm (DMO för utdata)
-
PropensityScoring__dlm (DMO för utdata)
Tillgångsnamn varierar beroende på vilket konfigurationsnamn du anger. Om du till exempel döper din konfiguration till "Tröja" skapar mallen automatiskt dessa tillgångar.
Transformera definition av skjortbetyg
ShirtPropensityScoringData1__dlm .
Skjorta - Propendensbetygsmodell
-
Sökfrågebenägenhet.
För att validera de betyg som skapas och som förutsäger sannolikheten för inköp inom ditt specificerade förutsägelsefönster, kör en sökfråga för
PropensityScoring__dlm
datasjöobjekt (DLO) i Frågeredigeraren. Kör till exempel denna sökfråga på ditt datautrymme för att returnera de första 1 000 posterna.SELECT Id__c, ProductPropensityScore__c FROM PropensityScoringData__dlm ORDER BY Id__c DESC LIMIT 1000Ersätt PropensityScoringData__dlm med namnet på din utdata-DMO med förutsägelser. Till exempel ShirtPropensityScoringData1__dlm.
För att verifiera att dina malltillgångar har skapats och utförts baserat på ditt konfigurationsnamn, gå först till fliken Datatransformationer och bekräfta att dessa tillgångar finns. Gå sedan till fliken AI-modeller och bekräfta att din modell är aktiv. Kontrollera att din mall har skapat de sju tillgångarna baserat på ditt konfigurationsnamn.
Att tänka på
Datakrav
Använd minst 6 månaders inköpshistorik och beteendeengagemangsdata, till exempel bläddra och varukorgshändelser, för individerna i ditt datautrymme. Modellbyggaren kräver minst 400 poster för att bygga en modell. Begränsad transaktionshistorik eller glesa engagemangsdata kan resultera i betyg som inte återspeglar inköpssyftet.
Personer utan inköpshistorik eller minimala engagemangsdata får låga förtroendebetyg. Behandla dessa betyg som otillräckliga data istället för lågt inköpssyfte. Produkter behöver historiska försäljningsdata för att skapa meningsfulla benägenhetsbetyg.
Betygstolkning
Värdet ProductPropensityScore__c representerar den relativa sannolikheten att en individ köper den specificerade produkten eller produktkategorin inom det konfigurerade förutsägelsefönstret. De flesta individer får låga betyg eftersom basinköpsresultatet för en enskild produkt vanligtvis är under 5 %.
Segmentbetyg efter decil eller percentil för aktivering. Rikta till exempel in dig på de 10–20 % av de betygsatta individerna istället för att tillämpa en fast numerisk tröskel. Betygsfördelningar varierar beroende på produkt och datavolym.
Tidshorisont och fräschör
Förutsägelsefönstret påverkar modellens förutsägelser. Kortare fönster gynnar de senaste beteendesignalerna, till exempel aktiva varukorgshändelser, medan längre fönster väger tyngre än historiska inköpsmönster.
Betyg är förutsägelser om tidpunkter och blir opålitliga efter att förutsägelsefönstret har passerats. För att hålla betyg aktuella, kör slutledningstransformationen igen vid en kadens som är lika med eller kortare än det konfigurerade förutsägelsefönstret.
Schemaläggning och utförande
Mallen skapar batchdatatransformationer för utbildning, slutledning och betygsättning som körs i sekvens. Transformationerna schemaläggs inte automatiskt efter att de först skapats. Kör eller schemalägg transformationerna och modellomskolningen manuellt för att hålla betygen aktuella. Körningstiden ökar med datavolymen.
Skala
Mallen skapar betyg för varje kombination av individuell produkt eller individuell produktkategori. Utdata-DMO (PropensityScoring__dlm) kan växa betydligt när ett datautrymme innehåller många individer och produkter. Planera din lagrings- och sökfrågestrategi enligt detta.
Varje mallkonfiguration riktar in sig på en produkt eller produktkategori. För att betygsätta flera produkter, skapa en separat konfiguration för varje produkt eller välj en produktkategori under konfigurationen.
Kreditkonsumtion
Mallen använder krediter när den skapar transformationer för inlärning och betygsättning av data. Eftersom denna mall är deterministisk använder den inte agentkrediter.
Annat
Mallen har endast stöd för standardobjekt och -fält i Data Cloud som listas i Mall för benägenhet att köpa (beta). Det går inte att lägga till egna DMO eller egna fält i modellkonfigurationen. Betyg är endast batch. Händelseutlöst betygsättning i realtid stöds inte.
