목표 기반 권장자를 위한 기계 학습

권장 사항 교육에 대한 참여 신호

참여 신호 선택은 학습 프로세스 동안 시스템에서 우선 순위를 지정하는 사용자 동작을 결정하므로 매우 중요합니다. 예를 들어 장바구니 추가 작업을 극대화하기 위해 최적화하기 위해 권장 사항 교육에 사용되는 참여 신호에는 제품 보기, 제품 클릭, 장바구니에 추가, 구매한 제품이 포함될 수 있습니다. 참여 신호는 참여 소스(Salesforce 채널 및 비Salesforce 채널 포함)를 기반으로 구성할 수 있으며, 이는 Data 360에 입력하는 참여 데이터에 따라 다릅니다. 자세한 내용은 참여 신호를 참조하십시오.

효과적인 교육을 장려하기 위해 기본적으로 사용자 정의 목표에 프로필 및 항목 데이터 그래프 내에 있는 모든 참여 신호가 포함되어야 합니다. 모델의 권장 사항에 영향을 미칠 수 없다고 판단한 특정 신호만 적극 제외해야 합니다.

학습 사용자 의견 루프

사용자 정의 목표 기반 권장 사항 시스템은 항목을 권장하고 보상을 관찰하여 학습합니다. 그런 다음, 권장 항목이 정의된 비즈니스 목표를 달성하는 데 도움이 되었는지 여부를 기반으로 관계를 평가합니다.

연속 피드백 루프라고 생각하십시오.

권장 사항:

과거 상호 작용 및 정의된 목표를 기반으로 사용자에게 권장 사항을 표시합니다.

관찰값

권장 사항 이후의 상황을 모니터링합니다. 사용자가 목표에 기여한 조치를 취했습니까?

보상

권장 사항이 목표에 맞는 긍정적인 결과로 이어지면 시스템에서 보상을 받습니다. 이 보상의 값은 결과가 비즈니스 목표에 얼마나 중요한지에 따라 다릅니다.

학습

비즈니스 목표 달성에 가장 효과적인 권장 사항을 파악하기 위해 보상을 분석합니다. 그런 다음, 알고리즘과 모델을 업데이트하여 향후 유사한 권장 사항의 우선 순위를 지정합니다.

시스템이 생각하는 방식: 사용자 여정에서 권장 사항으로 이동

기계 학습 모델이 작동하는 방식을 이해하면 이벤트 수집 및 추천자를 설계하는 방법을 더 잘 이해할 수 있습니다. 시스템은 정교한 방법을 사용하여 동작의 순서를 분석하여 사용자 작업을 예측합니다.

단일 단계가 아닌 다단계 여정

모델은 원하는 결과를 달성하기 위한 여러 단계를 지원합니다. 웹 사이트 또는 앱의 자연적인 고객 여정에서 일련의 신호를 분석합니다. 예를 들어 범주 페이지 보기에서 특정 제품 클릭, 관련 부속품 보기, 마지막으로 장바구니에 항목 추가까지 경로를 추적할 수 있습니다. 여정의 신호(클릭 및 보기 등)와 결과(구매 등)는 모두 참여 신호로 표시됩니다.

공동 사용자 동작에서 학습

모델은 단일 사용자의 여정에서만 학습하지 않습니다. 웹 사이트에서 모든 사용자의 경로를 분석하여 학습합니다. 집합 동작을 살펴보고 사용자가 지금까지 수행한 작업 순서에 따라 상호 작용할 가능성이 높은 항목을 식별합니다. 이렇게 하면 시스템에서 수천 건의 유사한 여정에서 배운 패턴을 기반으로 사용자의 현재 여정과 관련이 있는 항목을 권장할 수 있습니다.

여정의 다음 작업 예측

핵심 모델은 다음 질문에 답변하도록 설계되었습니다. "이 사용자가 지금까지 수행한 모든 작업을 기반으로 가장 관심을 보일 가능성이 높은 다음 항목은 무엇입니까?" 고유한 상호 작용 내역(항목 X1, X2 등)에 따라 사용자가 특정 항목(항목 Y)과 상호 작용할 가능성을 계산합니다.

교육 프로세스 동안 시스템에서 모든 내역 사용자 여정을 검토합니다. 특정 작업 시퀀스 후 일반적으로 사용자가 상호 작용하는 항목을 학습합니다. 그런 다음, 다음에 가장 적합한 항목을 예측할 수 있도록 논리를 미세 조정하여 적시에 적절한 사람에게 올바른 제품을 추천하는 데 매우 효과적입니다. 이 순서에서 학습하는 방법을 자동 반응 모델링이라고 합니다.

비즈니스 목표에 권장 사항 맞추기

모델은 가장 가능성이 높은 다음 상호 작용을 예측하는 것뿐만 아니라 해당 예측을 비즈니스 목표에 맞춥니다. 각 잠재 항목에 목표에 대한 중요성을 나타내는 보상 값이 할당됩니다. "매출 극대화" 목표의 경우 보상은 총 주문 값입니다. 다른 목표의 경우 사용자가 정의하는 값이 다를 수 있습니다.

그러면 다음 두 가지 정보가 결합됩니다.

• 사용자가 항목과 상호 작용할 가능성입니다.
• 비즈니스에 대한 해당 항목의 보상 값입니다.

이 시스템을 사용하면 최종 권장 사항이 사용자의 여정과 관련이 있고 개인 설정된 것뿐만 아니라 특정 비즈니스 목표를 달성하는 데도 매우 유용합니다.

제한 사항

시간이 지남에 따라 보상 권장, 관찰, 학습을 위한 지속적인 프로세스를 통해 권장 시스템이 사용자에게 비즈니스 목표에 도움이 되는 조치를 안내하는 데 점점 더 효과적이 됩니다.

현재 시스템은 각 항목 권장 사항의 즉각적인 보상을 극대화하는 데 중점을 두고 있습니다. 즉, 원하는 결과를 촉진하기 위해 지금 가장 적합한 맞춤형 제안을 만드는 방법을 배웁니다. 이 접근 방식은 사용자 동작이 검색 결과 및 프로모션과 같은 플랫폼의 여러 요소에 영향을 받을 수 있으므로 사용됩니다. 권장 모델이 유일하지 않을 수 있으므로 단일 권장 사항을 장기적인 향후 작업에 직접 연결하는 것이 어려울 수 있습니다.