Deep learning per consigli personalizzati

Come apprende il DLPR

Il DLPR impara dall'intera sequenza delle azioni dell'utente, non dai clic isolati, utilizzando schemi di comportamento collettivi per prevedere il coinvolgimento.

Dai journey utente, non dai singoli clic

Il comportamento degli utenti è sequenziale. La visualizzazione di una categoria porta a fare clic su un articolo, il che porta a un'azione come aggiungere al carrello o riscattare un'offerta. DLPR considera l'intero journey come un'unica unità di apprendimento.

Questo approccio è simile al modo in cui i modelli linguistici di grandi dimensioni (LLM) prevedono la parola successiva in una frase. Data la cronologia di coinvolgimento di un utente, DLPR calcola la probabilità che l'utente interagisca con ogni elemento candidato. Queste probabilità vengono apprese dagli schemi di ricerca e acquisto di tutti gli utenti di un sito, non solo di un singolo utente.

Dal comportamento collettivo

DLPR non impara dal percorso di un solo utente. Analizza i journey di tutti gli utenti di un sito e identifica le sequenze di azioni che tendono a portare a quali risultati. Ogni nuovo utente trae vantaggio dagli schemi appresi nell'intera base di utenti.

Allineato all'obiettivo aziendale

Il DLPR determina sia la probabilità che un utente interagisca con un elemento, sia il contributo di tale elemento all'obiettivo aziendale. Per un obiettivo di massimizzare il reddito, gli articoli che determinano un valore di ordine più elevato hanno un peso maggiore. Il risultato sono consigli che sono sia personali che in linea con l'obiettivo.

Input modello

Il DLPR apprende da diverse fonti.

Segnali di coinvolgimento

Interazioni correlate all'obiettivo, ad esempio visualizzazioni prodotto e acquisti per un suggeritore di articoli o clic su offerte e riscatti per un suggeritore di promozioni. I segnali di coinvolgimento includono anche indicatori dell'intento dell'utente come la ricerca nelle categorie, le query di ricerca e gli elementi visualizzati rispetto a quelli su cui è stato fatto clic. Ogni suggeritore invia a DLPR una serie diversa di segnali di coinvolgimento.

Metadati catalogo

Attributi dell'elemento come titolo, descrizione, categoria e marchio. I metadati del catalogo aiutano il DLPR a capire gli elementi che non hanno ancora una cronologia completa del coinvolgimento.

Output modello

Per ogni utente, DLPR calcola una rappresentazione che riassume il journey dell'utente. Valuta ogni elemento del catalogo pertinente rispetto a quella rappresentazione e restituisce i candidati migliori, ordinati in base a un calcolo combinato di probabilità e premio.

DLPR genera consigli in tempo reale durante l'inferenza e si addestra regolarmente per rimanere aggiornati con i cambiamenti nel comportamento degli utenti e le modifiche del catalogo.

Considerazioni sulle raccomandazioni del DLPR

La qualità dei consigli di DLPR dipende dai dati di coinvolgimento da cui ha appreso e dalla frequenza con cui il modello viene addestrato nuovamente. Comprendere queste dinamiche per definire le aspettative e pianificare i cicli di riqualificazione.

• DLPR impara dai dati di coinvolgimento storici per identificare ciò che determina il comportamento legato all'obiettivo, ad esempio gli acquisti attivati dalle promozioni. Quando i dati sottostanti cambiano, ad esempio una revisione del catalogo, uno spostamento importante della campagna o nuovi schemi di acquisto, il modello impiega tempo a riallinearsi a ciò che ora determina il comportamento desiderato. La qualità dei consigli migliora con ogni ciclo di addestramento, man mano che il modello si adegua ai nuovi schemi.
• Il DLPR si addestra nuovamente con una cadenza pianificata. La frequenza specifica varia in base al volume di dati e alla configurazione dell'unità operativa. Per trovare la pianificazione degli aggiornamenti, contattare il proprio rappresentante Salesforce.