Vous êtes ici :
Ingénierie des fonctionnalités dans les décisions Einstein
L'ingénierie des fonctionnalités désigne le processus de sélection des fonctionnalités à utiliser dans un modèle d'apprentissage machine. Une fonctionnalité est un type de données que le modèle peut observer et inclure dans son entraînement. Pour déterminer les données référencées par Décisions Einstein, vous définissez les fonctionnalités d'apprentissage machine dans la page Ingénierie des fonctionnalités.
Éditions requises
| Disponible avec : Édition Premium |
Cible de formation
Une cible d'entraînement est la réponse que le processus d'apprentissage machine observe, puis crée un modèle pour maximiser. Les objectifs de formation sont les suivants :
| Cible | Description |
|---|---|
| Clic | Cet événement capture lorsqu'un utilisateur clique sur la promotion affichée. |
| Conversion | Un événement de conversion est représenté par l'action d'achat dans Marketing Cloud Personalization. Selon votre implémentation, un événement d'achat peut représenter une grande variété d'actions. Par exemple, une conversion peut être une transaction e-commerce classique, ou une soumission de demande ou un téléchargement de ressource. Pour B2B, un événement de conversion peut être mappé avec une inscription à un webinaire ou la création d'un compte. Pour la plupart des cas d'utilisation de détail, les conversions sont la meilleure cible de formation à utiliser. La cible de conversion utilise une période d'attribution de 24 heures à compter de l'affichage d'une promotion. |
| Achèvement de l'objectif | L'utilisation de la réalisation d'objectifs comme cible d'entraînement peut s'avérer utile lorsque le comportement que vous souhaitez influencer n'est pas bien capturé par les conversions. Par exemple, votre objectif peut être d'optimiser la réalisation d'un devis d'assurance ou la réalisation des demandes de contact avec un commercial. Pour plus d'informations, consultez Filtres et objectifs globaux. |
Sélectionnez la cible de formation la plus proche de la valeur métier que vous essayez de capturer.
Évitez d'utiliser la cible d'entraînement au clic si la cible de conversion ou de réalisation de l'objectif est applicable à votre cas d'utilisation. Conduire plus de clics peut être satisfaisant, mais généralement ils ne sont pas intrinsèquement précieux en soi. Dans certains cas, l'optimisation pour le clic peut réduire la valeur commerciale, par exemple avec des promotions par appât-clic qui n'offrent pas un bon chemin vers la conversion et peuvent finir par être sursélectionnées.
Même si vous ne sélectionnez pas de clics comme cible d'entraînement, Décisions Einstein les enregistre et apprend à partir de ces clics pour d'autres cibles d'entraînement. Même si les clics ne représentent pas directement la véritable valeur métier, ils restent une forme précieuse de commentaires directs, et sont souvent plus abondants que les conversions ou la plupart des objectifs atteints.
Vous pouvez modifier votre objectif d'entraînement à tout moment, et les données déjà collectées sont mises à jour pour utiliser le nouvel objectif d'entraînement. Cependant, si vous modifiez la cible de formation, cela impacte toutes les campagnes qui utilisent Décisions Einstein pour la prise de décision Next Best Offer. Un changement d'objectif de formation peut prendre jusqu'à un jour.
Fonctionnalités
Einstein Decisions crée un modèle d'apprentissage machine à partir de lignes de données d'apprentissage, où chaque ligne contient plusieurs colonnes. Chacune de ces colonnes est appelée « fonctionnalité » et est une information que les algorithmes peuvent utiliser pour prendre de meilleures décisions.
Généralement, une bonne fonctionnalité est toute information que vous jugez pertinente pour la cible de formation ou les promotions. Par exemple, si vous avez des promotions pour des vêtements d'hiver, inclure une fonctionnalité sur l'emplacement d'un utilisateur permet de ne pas promouvoir les parkas auprès des utilisateurs en Floride.
Vous pouvez inclure des fonctionnalités même si elles ne sont pas utiles pour la personnalisation, car elles aident à identifier les utilisateurs susceptibles d'atteindre la cible de formation, quelle que soit l'action des algorithmes. Généralement, un utilisateur qui a déjà acheté est plus susceptible d'acheter de nouveau, et cette fonctionnalité aide le modèle d'apprentissage machine à comprendre quand ses décisions ont un impact.
Einstein Decisions inclut des algorithmes qui prennent en compte les données non pertinentes afin d'apprendre à ignorer les fonctionnalités qui ne sont pas utiles. Bien que l'inclusion de fonctionnalités que vous connaissez comme non pertinentes n'apporte aucune valeur ajoutée, cela n'impacte pas les performances du modèle d'apprentissage machine.
Salesforce recommande d'inclure toutes les fonctionnalités par défaut, ainsi que tous les attributs personnalisés, les appartenances à des segments et les objets du catalogue qui vous semblent pertinents. Pour connaître le nombre maximal de fonctionnalités que vous pouvez spécifier, consultez Einstein Decisions Limits.
