프로모션 및 제안 추천자

프로모션에 다른 신호 집합이 필요한 이유

프로모션 카탈로그는 여러 가지 방식으로 제품 카탈로그와 다르게 동작합니다.

• 제안에는 수명 주기가 있습니다. 실행을 제공하고 특정 기간 동안 실행한 후 사용 중지합니다. 참여 내역은 본질적으로 희귀합니다.
• 사용자 참여가 제한됩니다. 대부분의 사용자는 제품보다 훨씬 적은 제안에 참여합니다.
• 적합성은 자격에 따라 다릅니다. 한 사용자에게 적합한 제안이 다른 사용자에게 적용되지는 않습니다.

이러한 차이로 인해 제품 카탈로그가 아닌 추천인에게 프로모션 카탈로그 및 제안별 참여 신호를 매핑합니다.

프로모션 추천기 작동 방식

DLPR은 항목 추천자와 동일한 권장 사항-관찰-보상-학습 사용자 의견 루프를 따르지만 사용자가 프로모션과 상호 작용하는 방식 및 프로모션 대상 항목에서 학습합니다. 권장자는 사용자의 최근 활동, 프로모션 카탈로그, 제안 및 적용되는 항목 간의 관계를 기반으로 합니다. 그런 다음 권장자가 사용자와 비즈니스 목표와의 관련성을 반영하는 방식으로 제안의 순위를 지정합니다.

참여 신호

프로모션 추천자를 최대한 활용하려면 두 가지 관련 영역에서 신호를 제공합니다.

• 사용자 참여: 사용자가 제공 수명 주기와 관련된 보기, 클릭, 상환, 사용자 정의 신호 등 프로모션 자체와 상호 작용하는 방법입니다.
• 목표가 지정된 항목 참여: 제품 보기, 장바구니 추가 작업, 구매와 같이 각 제안이 적용되는 항목과 사용자가 상호 작용하는 방법입니다.

두 영역에 대한 신호를 매핑하면 추천자가 실제로 목표와 관련된 동작을 촉진하는 혜택을 보다 명확하게 파악할 수 있습니다.

관련 콘텐츠 참여(기사, 캠페인, 랜딩 페이지) 및 프로필 메타데이터(기본 설정, 세그먼트, 충성도 상태)와 같은 관련성을 구축하는 데 도움이 되는 추가 신호를 제공할 수도 있습니다. 신호 믹스가 풍부할수록 추천자가 각 고객에 맞게 제안을 맞춤 설정할 수 있습니다.

프로모션 콜드 스타트

프로모션 참여는 거의 없습니다. 따라서 콜드 스타트는 예외가 아닌 표준이기도 합니다. 추천자는 하나 이상의 콘텐츠 기반 전략을 사용하여 참여 데이터가 제한된 경우에도 관련 제안을 표시합니다.

프로모션-프로모션 유사성

DLPR은 프로모션 이름, 설명, 유형, 범주 및 용어를 포함하여 프로모션 메타데이터에서 학습하여 카탈로그의 모든 프로모션에 대한 시맨틱 임베딩을 생성합니다. 추론적으로 권장자는 사용자가 가장 최근에 참여한 프로모션을 식별하고 유사한 프로모션을 반환합니다.

프로모션 카탈로그에 설명 메타데이터가 있는 경우 참여 내역이 최소한으로 제안 권장 사항을 실행할 수 있습니다.

프로모션-제품 유사성

권장자는 사용자가 참여한 제품을 기반으로 프로모션을 권장하고 제품 및 프로모션 메타데이터를 연결하여 사용자가 이미 관심을 보이는 항목과 관련된 제안을 표시할 수도 있습니다.

모델 입력

프로모션 추천자는 다음 입력을 사용하여 제안 순위를 지정합니다.

• 프로모션 카탈로그 메타데이터. 이름, 설명, 제안 유형, 범주, 적격성, 사용자가 제공하는 모든 특성을 제공합니다.
• 프로모션 참여 신호. 보기, 클릭, 상환 및 기타 제안과의 상호 작용
• 목적 구성. 권장 사항이 최적화되는 비즈니스 목표입니다.

프로모션 카탈로그 지침

잘 구조화된 프로모션 카탈로그는 콜드 스타트 품질의 기반입니다. 첫날부터 권장 사항 관련성을 극대화하려면 다음 모범 사례를 따르십시오.

• 모든 제안에 대한 전체 이름과 설명을 제공합니다.
• 일관된 제안 유형 및 범주를 제공합니다.
• 적절한 경우 적격성 특성을 제공합니다.