Gestión de promociones para Decisiones Einstein

Promociones en Decisiones Einstein

Einstein Decisions utiliza aprendizaje automático potente para realizar sus evaluaciones. Para mantener una latencia baja, analiza y selecciona 50 promociones a la vez. Puede tener más de 50 promociones en Personalización de Marketing Cloud, de modo que utilice reglas de aptitud para mantener el número de promociones para las que un único usuario es apto por debajo de 50. Si un usuario es apto para más de 50 promociones, Personalización elige una selección aleatoria de 50 para que Einstein Decisions las evalúe.

Cuantas más promociones incluya, más posibilidades hay de que haya una opción perfecta para cada usuario. Sin embargo, cuantas menos promociones incluya, más rápido se producirá el aprendizaje. En términos generales, espere 10.000 impresiones por promoción antes de empezar a ver la mejora de Decisiones Einstein, dependiendo de su caso de uso.

Einstein Decisions presenta promociones, pero no proporciona la capacidad de ordenarlas. Por lo tanto, si tiene 10 promociones que desea ordenar y mostrar en una página, no utilice Decisiones Einstein. Si desea determinar las cinco mejores promociones para mostrar desde un conjunto de 10, Einstein Decisions muestra las cinco mejores promociones para cada usuario individual.

Para que la capacitación de aprendizaje automático funcione correctamente, debe haber más promociones aptas para una decisión que el número de decisiones que se devuelven en una respuesta. Por lo tanto, si desea que una campaña de Decisiones Einstein presente tres promociones en una página de inicio, debe tener al menos cuatro promociones aptas entre las que elegir para que se produzca el aprendizaje. Si no, las promociones disponibles aún se muestran, pero no hay aprendizaje porque todas las promociones vuelven.

Metadatos y promociones

Los metadatos proporcionan al modelo de aprendizaje automático sugerencias sobre similitudes entre promociones. Para casos de uso con un pequeño número de promociones, el valor es mínimo porque los algoritmos aprenden todo lo que necesitan del comportamiento del usuario. En casos de uso donde hay un gran número de promociones, o cuando las promociones entran y salen con frecuencia, los metadatos pueden ayudar a acelerar el aprendizaje.

Los metadatos de atributos le permiten especificar propiedades para sus promociones. Por ejemplo, el “nivel de descuento” puede ofrecer una sugerencia al modelo de aprendizaje automático al comparar promociones donde algunas ofrecen descuentos. La capacitación del modelo aprende más rápido porque utiliza lo que aprendió sobre promociones anteriores que ofrecen descuentos al determinar cómo gestionar nuevas promociones que ofrecen descuentos.

Puede mezclar promociones de forma segura con y sin metadatos. El modelo de aprendizaje automático aprende las promociones con metadatos con mayor rapidez y puede servirlas con mayor precisión, pero las promociones sin metadatos no están penalizadas.

Etiquetas y zonas de contenido

Al agregar promociones y activos a Personalización de Marketing Cloud, debe decidir si utilizar una etiqueta o zona de contenido existente o crear una etiqueta o zona de contenido. Al utilizar una etiqueta o zona de contenido en una campaña en vivo, el aprendizaje automático comienza a acumular datos para los activos asociados con esa etiqueta o zona de contenido.

Si utiliza la plantilla web global Decisiones Einstein para una promoción, los activos deben tener una zona de contenido o etiqueta que coincida con una de las zonas de contenido configuradas en su mapa de sitio. La plantilla Einstein Decisions del lado del servidor no está limitada a zonas de contenido asignadas en el mapa del sitio y puede utilizar cualquier etiqueta o zona de contenido.

Uso de una etiqueta o zona de contenido existente

Para promociones con un activo que utiliza una etiqueta o zona de contenido existente, el nuevo activo a menudo solo devuelve inicialmente el 10% de las impresiones que Einstein Decisions reserva para la exploración y el aprendizaje. Esta introducción controlada se produce porque Einstein Decisions necesita datos acerca del nuevo activo para determinar su eficacia en comparación con los activos existentes.

Debido a este enfoque, puede esperar un menor número de vistas y clics para un nuevo activo después de agregarlo inicialmente. Cuando Einstein Decisions recopila suficientes datos, el nuevo activo se devuelve con mayor frecuencia, dependiendo de su desempeño. Esta situación se denomina el problema de “inicio en frío” y se puede mejorar proporcionando metadatos de promoción apropiados. Cuando una nueva promoción tiene metadatos que muestran su similitud con promociones existentes, el aprendizaje automático puede utilizar esos aprendizajes previos para tomar decisiones más rápidas.

Creación de una etiqueta o una zona de contenido

Cuando crea una etiqueta o zona de contenido para un activo, no hay ningún aprendizaje histórico disponible en la campaña inicial. Einstein Decisions presenta activos con una nueva zona de contenido o etiqueta de forma aleatoria para permitir la recopilación de datos inicial y el aprendizaje de modelos. La primera capacitación comienza después de 100 decisiones. Además, espere 10.000 impresiones por promoción antes de empezar a ver la elevación de Decisiones Einstein, dependiendo de su caso de uso. Por ejemplo, un caso de uso que elige entre héroes de página de inicio dirigidos a diferentes audiencias se personaliza con mayor rapidez que una campaña que realiza ofertas similares con imágenes ligeramente diferentes en una pequeña esquina de una página.

Tenga en cuenta lo siguiente cuando agregue promociones y activos:

• ¿Se conecta la etiqueta o la zona de contenido con el propósito de la promoción? Si está agregando una promoción sobre una venta de invierno en curso y tiene promociones en vivo con “Ventas de invierno 2022” como la zona de contenido, la reutilización de esa etiqueta tiene sentido porque las promociones tienen una iniciativa común. Si está realizando una actualización de ventana completa e introduciendo nuevas promociones para sustituir un conjunto existente de promociones en vivo, una nueva etiqueta o zona de contenido es probablemente la mejor decisión. Esta estrategia permite un proceso de aprendizaje inicial más rápido garantizando que las nuevas promociones y activos no compiten por el tráfico con los existentes.

• ¿Cómo se asignan las nuevas promociones y activos a su estrategia de campaña? Si las nuevas promociones y activos reutilizan una etiqueta o zona de contenido existente en una campaña en vivo, los nuevos activos son aptos inmediatamente para volver a los usuarios. Si utiliza una nueva etiqueta o zona de contenido, debe configurar y publicar una nueva campaña dirigida a la etiqueta o zona de contenido, o actualizar una campaña existente.

• Si utiliza una nueva etiqueta o zona de contenido, ¿hay suficientes promociones nuevas para permitir el aprendizaje adecuado? Para que se produzca el aprendizaje, debe haber al menos una promoción más apta para devolver que el número que la campaña está configurada para devolver. Los algoritmos de Decisiones Einstein no pueden aprender a menos que tomen decisiones. De modo que si todas las promociones aptas vuelven cada vez, no se toman decisiones y no se produce ningún aprendizaje.