maskinlæring for målsætningsbaserede anbefalinger

Engagementsignaler for anbefalingsuddannelse

Valget af engagementssignaler er afgørende, da det bestemmer, hvilken brugeradfærd systemet prioriterer under læringsprocessen. Hvis du f.eks. vil optimere for at maksimere tilføjelseshandlinger, kan engagementssignaler, der bruges til anbefalingsuddannelse, inkludere Produktvisning, Produktklik, Føj til indkøbsvogn og Produkt købt. Engagementsignaler kan konfigureres baseret på dine engagementkilder, som kan omfatte Salesforce-kanaler og ikke-Salesforce-kanaler, afhængigt af de engagementdata, du indsætter i Data 360. Se Engagementssignaler for at få flere oplysninger.

For at fremme effektiv træning skal dit tilpassede mål som standard omfatte alle engagementssignaler, der findes i dine profil- og elementdatadiagrammer. Du bør aktivt udelade kun de specifikke signaler, som du har bestemt, er upassende til at påvirke modellens anbefalinger.

Løkken Læringsfeedback

Det tilpassede målsætningsbaserede anbefalingssystem lærer ved at anbefale elementer og observere de belønninger, det får. Derefter evaluerer den relationer baseret på, om de anbefalede elementer hjalp med at nå de definerede forretningsmål.

Tænk på det som en kontinuerlig feedbackløbe.

Anbefaling:

Systemet opretter en anbefaling til en bruger baseret på tidligere interaktioner og den definerede målsætning.

Observation

Systemet observerer, hvad der sker efter anbefalingen. Foretagede brugeren en handling, der bidrog til målsætningen?

Belønning

Når anbefalingen fører til et positivt resultat, der er i overensstemmelse med målsætningen, modtager systemet en belønning. Værdien af denne belønning afhænger af, hvor vigtigt resultatet er for forretningsmålsætningen.

Læring

Systemet analyserer de belønninger, det modtager, for at forstå, hvilke anbefalinger der var mest effektive i at nå forretningsmål. Den opdaterer derefter sine algoritmer og modeller for at prioritere lignende anbefalinger i fremtiden.

Sådan tænker systemet: Fra brugerrejser til anbefalinger

For bedre at forstå, hvordan du designer dine begivenhedsregistreringer og anbefalinger, hjælper det med at forstå, hvordan maskinlæringsmodellen fungerer. Systemet bruger en sofistikeret metode til at forudsige brugerhandlinger ved at analysere sekvensen af deres adfærd.

En rejse med flere trin, ikke blot et enkelt trin

Modellen understøtter flere trin for at opnå et ønsket resultat. Den analyserer hele serien af signaler fra en naturlig kunderejse på dit website eller din app. Det kan f.eks. spore en sti fra visning af en kategoriside, til at klikke på et specifikt produkt, til at se et relateret tilbehør og til sidst til at føje et element til indkøbsvognen. Både rejsens signaler (f.eks. klik og visninger) og resultatet (f.eks. et køb) udtrykkes som engagementsignaler.

Læring fra kollektiv brugeradfærd

Modellen lærer ikke kun fra en enkelt brugers rejse i isolation. Den lærer ved at analysere stierne for alle brugere på dit website. Ved at se på kollektiv adfærd identificerer den, hvilke elementer der har en høj sandsynlighed for at blive interageret med, i henhold til rækkefølgen af handlinger, som en bruger har udført indtil videre. Dette giver systemet mulighed for at anbefale elementer, der er relevante for brugerens aktuelle rejse, baseret på mønstre, der er lært fra tusindvis af lignende rejser.

Forudsigelse af den næste handling på rejsen

I kernen er modellen designet til at besvare spørgsmålet: "Baseret på alt, hvad denne bruger har gjort indtil nu, hvad er det næste element, de med størst sandsynlighed vil være interesseret i?" Den beregner sandsynligheden for, at en bruger interagerer med et specifikt element (element Y) på baggrund af deres unikke historik over interaktioner (element X1, X2 osv.).

Under uddannelsesprocessen gennemser systemet alle historiske brugerrejser. Den lærer, hvilket element en bruger typisk interagerer med efter en bestemt sekvens af handlinger. Systemet finjusterer derefter dets logik for at blive bedre til at forudsige det næste bedste element, hvilket gør det meget effektivt at anbefale det rigtige produkt til den rigtige person på det rigtige tidspunkt. Denne metode til at lære fra sekvenser kaldes autoregressiv modellering.

Justering af anbefalinger med forretningsmål

Modellen forudsiger ikke kun den mest sandsynlige næste interaktion. Den justerer disse forudsigelser med dine forretningsmål. Hvert potentielt element tildeles en belønningsværdi, som repræsenterer dets vigtighed for dit mål. For et "Maksimer omsætning"-mål er belønningen den samlede bestillingsværdi. For andre mål kan det være en anden værdi, som du definerer.

Systemet kombinerer derefter disse to oplysninger:

• Sandsynligheden for, at en bruger vil interagere med et element.
• Belønningsværdien for dette element for din forretning.

Dette system sikrer, at den endelige anbefaling ikke kun er relevant og personliggjort for brugerens rejse, men også meget værdifuld til at nå dit specifikke forretningsmål.

Begrænsninger

Over tid bliver anbefalingssystemet gennem den kontinuerlige proces med at anbefale, observere og lære fra belønningerne mere effektivt til at guide brugere mod handlinger, der gavner dine forretningsmål.

Systemet fokuserer aktuelt på at maksimere den øjeblikkelige belønning for hver elementanbefaling. Dette betyder, at det lærer at oprette de bedste personlige forslag lige nu for at fremme det ønskede resultat. Denne tilgang bruges, fordi brugeradfærd kan påvirkes af mange faktorer på platformen, f.eks. søgeresultater og kampagner. Da anbefalingsmodellen måske ikke er den eneste på spil, kan det være udfordrende at linke en enkelt anbefaling direkte til langsigtede fremtidige handlinger.