您位於此處:
設定購買屬性範本 (Beta 版)
設定「購買傾向」(Beta 版) 範本,以自動建立產生傾向分數所需的資料轉換、輸出資料模型物件和預測模型。查詢評分以評估客戶在指定預估期間內進行購買的可能性。
必要版本
| 提供版本:Data 360 支援的 所有版本。請參閱 Data 360 版本可用性。 |
| 需要的使用者權限 | |
|---|---|
| 允許使用者在 AI 模型中管理模型 | 可讓您在 AI 模型中建立、更新和刪除模型。 |
| 權限集 | |
|---|---|
| Data Cloud 結構設計師 | 所有 AI Models 功能的管理員層級存取權,包括建立、更新、刪除和啟用模型的能力。 |
| Data Cloud 使用者 | 受限的模型使用存取權,包括取得從模型衍生的預估和改善方式。 |
設定並查詢範本
-
設定並執行範本。
- 按一下 App Launcher,搜尋 Data Cloud,然後選取。
- 按一下「AI 模型」 索引標籤。
- 進入「預測」區段,按一下「從範本建立」。
- 選取「購買屬性」,然後按一下「下一步」。
-
指定範本組態的名稱和描述。
系統會根據您提供的組態名稱命名所有產生的資料轉換和模型資產。
- 選取目標資料空間、您要評估的產品,以及時間跨度 (預估視窗)。選擇性指定產品種類。
- 若要執行範本組態,請按一下「訓練」。
-
監視範本安裝。
若要監視範本安裝,請進入「設定」,前往「應用程式中心 > 評分」和「範本」。
https://<org-domain-url>/lightning/setup/AppHub/home (組織設定 → 應用程式中心)
https://<org-domain-url>/lightning/setup/ScoringFramework/home (組織設定 → 評分)
https://<org-domain-url>/lightning/setup/TemplateStudio/home (組織設定 → 範本)
- 範本安裝會建立以下七個資產:3 個轉換、3 個輸出 DMO 和 1 個模型。若要確認所有資產皆已成功建立與執行,請移至以下 Data 360 索引標籤:DataTransforms、資料模型物件和 AI 模型。
-
屬性訓練轉換
-
屬性推斷轉換
-
屬性評分轉換
-
屬性評分模型
-
PropensityTraining__dlm (輸出 DMO)
-
PropensityInference__dlm (輸出 DMO)
-
PropensityScoring__dlm (輸出 DMO)
資產名稱會根據您指定的組態名稱而有所不同。例如,如果您將組態命名為「Shirt」,則範本會自動建立這些資產。
襯衫評分轉換定義
ShirtPropensityScoringData1__dlm
衬衫 - 屬性評分模型
-
查詢傾向分數。
若要驗證在指定預估期間內預估購買可能性的產生分數,請對下列項目執行查詢:
PropensityScoring__dlm
查詢編輯器中的資料湖物件 (DLO)。例如,在資料空間上執行此查詢,以傳回前 1,000 筆記錄。SELECT Id__c, ProductPropensityScore__c FROM PropensityScoringData__dlm ORDER BY Id__c DESC LIMIT 1000以含預估的輸出 DMO 名稱取代 PropensityScoringData__dlm。例如,ShirtPropensityScoringData1__dlm。
若要根據您的組態名稱確認範本資產是否已成功建立和執行,請先移至「資料轉換」索引標籤並確認這些資產存在。接著前往「AI 模型」索引標籤,確認您的模型已啟用。檢查您的範本是否根據您的組態名稱建立了七個資產。
考量事項
資料需求
針對資料空間中的個人,使用至少 6 個月的購買歷程記錄和行為參與資料,例如瀏覽和手推車事件。模型產生器需要至少 400 個記錄才能建立模型。有限的交易歷程記錄或稀有參與資料可能會導致評分不會反映購買意圖。
沒有購買歷程記錄或最低參與資料的個人會得到低信賴分數。將這些分數視為資料不足,而非低購買意圖。產品需要歷程記錄銷售資料,才能產生有意義的傾向分數。
評分解譯
ProductPropensityScore__c 值代表個人在設定的預估期間內購買指定產品或產品種類的相對可能性。大多數個人的評分較低,因為單一產品的基本購買率通常低於 5%。
依啟用的小數或百分位區隔分數。例如,鎖定排名前 10–20% 的已評分個人,而非套用固定數值值。分數分佈會因產品和資料量而有所不同。
時間跨度與新鮮度
預估視窗會影響模型的預估。較短的視窗優先於最近的行為訊號,例如啟用中的手推車事件,而較長的視窗會對歷史購買模式進行加權。
分數是時間點預估,在預估期間過後會變得不可靠。若要讓分數保持在最新狀態,請以等於或短於所設定預估視窗的步調重新執行推斷轉換。
排程和執行
範本會建立依序執行的「訓練」、「推斷」和「評分」批次資料轉換。初始建立後不會自動排程轉換。手動重新執行或排程轉換和模型重新訓練,讓評分保持在最新狀態。執行時間會隨著資料量增加。
刻度
範本會為每個個別產品或個別產品種類組合產生評分。當資料空間包含許多個人和產品時,輸出 DMO (PropensityScoring__dlm) 會大幅增加。請相應地規劃您的儲存和查詢策略。
每個範本組態目標為一個產品或產品種類。若要為多個產品評分,請針對每個產品建立個別的組態,或在組態期間選取產品種類。
信用額度消耗
當範本建立訓練和評分資料的轉換時,會耗用信用額。由於此範本是決定性的,因此不會耗用工作人員信用。
其他
範本僅支援在「購買意願範本」(Beta 版) 中所列的標準 Data Cloud 物件和欄位。您無法將自訂 DMO 或自訂欄位新增至模型組態。評分僅批次。不支援即時事件觸發的評分。
