Einstein 決定について

意思決定

Einstein Decisions は、完了の可能性と会社に対するプロモーションのビジネス価値を評価することで、最も高い期待値を達成するためにユーザーに表示するプロモーションを決定します。Einstein Decisions は、コンテキスト盗賊アルゴリズムの一例です。

Einstein 決定では優先度ルールと対象資格ルールを使用できますが、ユーザーにとって最も関連性の高いプロモーションを決定するときにルールの数と複雑さを減らすことができます。Einstein Decisionsは機械学習機能を使用して、次の方法で最適な結果を達成します。

• 膨大なデータを考慮 — Einstein Decisionsは、意思決定プロセス中に膨大なデータセットを考慮に入れます。特定のユーザーに関する情報をできるだけ多く把握しておくと役立ちますが、Einstein Decisions は、使用可能なデータが少ない場合でも効果的に機能します。アルゴリズムでは、初めて使用するユーザーには不明な可能性があるアフィニティとインテントに加えて、時間帯や曜日などの情報も考慮されます。追加要素には、参照元、デバイス種別、ブラウザー、地理位置情報、最終訪問以降の時間など、ユーザー固有のデータが含まれます。

• おすすめを補完する — 判断は、Einstein 搭載のおすすめを置き換えるのではなく補完します。おすすめは、ユーザーの親和性に基づいて商品、コンテンツ、または他のカタログの側面 (ブランド、カテゴリ、スタイルなど) を提示することで、エンゲージメントと発見を促進することに重点を置いています。Einstein Decisionsは、個々のデータと会社にとってのビジネス バリューに基づいて、ユーザーに表示する最適なエクスペリエンスを決定します。

• 簡単なワークフロー — プロモーションとそれに関連付けられたアセットを追加し、アセットにコンテンツゾーンとタグを割り当て、必要な対象資格ルールを含めます。Einstein Decisionsは、継続的な学習を使用して最適な環境を計算して各ユーザーに提供します。

経験から学ぶ

Einstein Decisionsは、プロモーションの表示、結果の観測、その観測を反映するためのモデルの更新という一定のサイクルを使用して、経験を通じて学習します。ユーザーにとって最も関連性の高い製品またはアイテムを見つけるおすすめとは異なり、Einstein Decisionsはトレーニング対象に基づいて、目的の結果が得られる可能性が最も高いプロモーションを特定します。

Einstein Decisions 実装では、最初のトレーニング (100 件の決定後に実行される) が完了するまで、最初はランダムな結果が返されます。既存の実装への新しいプロモーションの追加は、特にメタデータを使用している場合にすぐに実行されます。

堅牢な学習を保証するために、Einstein Decisions はランダムな結果を返すことがあります。この本質的な設計は探索と開拓のトレードオフと呼ばれ、コンテキスト盗賊の特徴です。トレーニング対象のフィードバックがない場合、学習は実行されず、結果はランダムのままです。たとえば、トレーニング ターゲットを完了目標に設定しても、その目標を完了するユーザーがいない場合、Einstein Decisionsは学習できません。

Einstein Decisions がプロモーションを返すときに、予測を実行します。機械学習アルゴリズムは、各プロモーションの目的の結果を引き起こす可能性を判断し、可能性が最も高いプロモーションを返します。