Syvällinen oppiminen henkilökohtaisille suosituksille

Miten DLPR oppii

DLPR oppii käyttäjien toimintojen koko järjestyksestä, ei yksittäisistä napsautuksista, käyttämällä yhteisiä toimintokuvioita osallistumisen ennustamiseen.

Käyttäjien matkoista, ei yksittäisistä napsautuksista

Käyttäjät käyttäytyvät järjestyksessä. Luokan tarkasteleminen johtaa kohteen napsauttamiseen, mikä johtaa toimintoon, kuten ostoskorin lisäämiseen tai tarjouksen lunastamiseen. DLPR käsittelee koko matkaa yhtenä oppimisyksikkönä.

Tämä lähestymistapa muistuttaa suurten kielimallien (LLM) ennustamista lauseen seuraavalle sanalle. DLPR laskee käyttäjän osallistumishistorian perusteella, kuinka todennäköisesti käyttäjä osallistuu kuhunkin ehdokkaan kohteeseen. Se oppii nämä todennäköisyydet sivuston kaikkien käyttäjien, ei vain yksittäisten käyttäjien, selaus- ja ostokuvioista.

Yhteiskäytännöstä

DLPR ei opi vain yhden käyttäjän polusta. Se analysoi sivuston kaikkien käyttäjien matkat ja tunnistaa, mitkä toimintojen järjestykset johtavat yleensä lopputuloksiin. Jokainen uusi käyttäjä hyötyy koko käyttäjäkantasi oppimista kuvioista.

Liiketoimintatavoitteesi mukainen

DLPR vaikuttaa siihen, kuinka todennäköisesti käyttäjä käyttää kohdetta ja miten paljon kohde vaikuttaa liiketoimintatavoitteisiisi. Tuoton maksimointitavoitteen kohteet, joiden tilausarvo on korkeampi, sisältävät enemmän painoa. Tuloksena on suosituksia, jotka ovat sekä henkilökohtaisia että tavoitteisiisi liittyviä.

Mallin syöttämät tiedot

DLPR oppii useista lähteistä.

Osallistumisen signaalit

Tavoitteeseesi liittyvät vuorovaikutukset, kuten tuotteiden tarkastelukerrat ja ostokset kohteiden suosittelijalle tai tarjoukset, jotka napsauttavat ja lunastavat tarjouksen suosittelijalle. Osallistumisen signaalit sisältävät myös käyttäjien tarkoitusten osoittimia, kuten luokkien selaamista, hakukyselyitä ja mitä näytettiin ja mitä napsautettiin. Jokainen suosittelija syöttää DLPR:lle erilaisen osallistumisviestijoukon.

Katalogin metadata

Kohteiden attribuutit, kuten otsikko, kuvaus, kategoria ja brändi. Katalogin metadata auttaa DLPR:ää ymmärtämään kohteita, joilla ei ole vielä muotoiltua osallistumishistoriaa.

Mallin palauttama tulos

DLPR laskee jokaiselle käyttäjälle esityksen, joka sisältää käyttäjän matkan yhteenvedon. Se pisteyttää kaikki asiaankuuluvan katalogin kohteet kyseiseen esitykseen nähden ja palauttaa parhaat ehdokkaat, järjestettynä todennäköisyyden ja palkinnon laskennan mukaan.

DLPR luo suosituksia reaaliajassa johtopäätöksen aikana ja kouluttaa heitä säännöllisesti pysyäkseen ajan tasalla käyttäjien toimintatavan ja katalogin muutosten työvuoroista.

DLPR-suosituksissa huomioitavia asioita

DLPR:n suositusten laatu riippuu osallistumistiedoista, joita se on oppinut ja kuinka usein malli kouluttaa uudelleen. Tutustu näihin dynaamisuuksiin, jotta voit määrittää odotuksia ja suunnitella uudelleenkoulutusjaksot.

• DLPR oppii historiallisista osallistumistiedoista tunnistaakseen tavoitteeseen liittyvät toimintatavat, kuten tarjousten käynnistämät ostokset. Kun perustana oleva data muuttuu, kuten katalogin korjaus, merkittävä kampanjavuoro tai uudet ostokuvioet, mallilla kestää aikaa mukautua haluamaansa toimintatapaan. Suositusten laatu paranee jokaisen uudelleenkoulutussyklin myötä, kun malli sopeutuu uusiin kuvioihin.
• DLPR kouluttaa uudelleen ajoitetulla tahdilla. Tarkka yleisyys vaihtelee datan määrän ja liiketoimintayksiköiden kokoonpanon mukaan. Ota yhteyttä Salesforce-edustajaasi löytääksesi päivitysaikataulusi.