Esame dello scorecard del consiglio

La pagina della panoramica mostra la qualità generale del consiglio, il lift previsto e i predittori migliori nel modello.

I consigli Einstein sono personalizzati per ogni utente. Qualità del consiglio indica in che misura è probabile che il consiglio sia buono. Mostra la percentuale di clienti che fanno clic su almeno 1 dei 10 consigli migliori. Il lift previsto è il miglioramento della percentuale di successo quando si usa un consiglio Einstein rispetto a quando si consigliano solo gli articoli più richiesti a tutti gli utenti.

A seconda delle metriche, è possibile decidere se utilizzare il consiglio in base a queste informazioni. In caso contrario, esaminare la pagina dei predittori dello scorecard per avere dei dettagli in più.

La pagina Predittori dello scorecard mostra l'impatto di ogni predittore nel modello. L'impatto indica in che misura un campo influenza il modello rispetto ad altri campi. L'impatto è misurato su una scala da 0 a 1. Il valore dell'impatto per il predittore più forte è impostato su 1.

Miglioramento della qualità del consiglio

Si desidera migliorare la qualità del consiglio? Procedere nel modo seguente:

• Utilizzare i segmenti

  È possibile ottimizzare le prestazioni del consiglio segmentando i destinatari o gli elementi consigliati per concentrarsi solo sui record pertinenti. Ad esempio, se l'oggetto destinatario è Referente e si è interessati solo ai referenti nel settore finanziario, segmentare l'oggetto destinatario utilizzando la condizione di filtro Settore = Finanza.

• Escludere i campi irrilevanti

  Per impostazione predefinita. Einstein considera tutti i campi degli oggetti Destinatario ed Elementi consigliati. È possibile escludere i campi che non sono pertinenti al consiglio. In questo modo si possono migliorare le prestazioni e attenuare alcuni tipi di bias. Un problema comune dei dati, detto bias del senno di poi, si verifica quando si utilizza un campo il cui valore può essere noto solo dopo che si verifica un esito previsto per prevedere tale esito. Questi campi devono essere esclusi dal consiglio.

• Modificare la definizione di positivo e negativo

  Il modo in cui si definiscono le interazioni positive e negative può influire sulle prestazioni del consiglio. Definire un'interazione positiva come risultato desiderato, ad esempio un referente che acquista un prodotto, può produrre risultati migliori. Gli esempi negativi non sono obbligatori, ma possono migliorare il consiglio perché forniscono utili segnali predittivi, se disponibili. Ad esempio, un cliente potenziale che rifiuta esplicitamente una promozione è un esempio di interazione negativa.

• Aggiungere altri dati

  Se la serie di dati ha un numero di record superiore a quello richiesto per ciascun oggetto, utilizzare più interazioni per migliorare il consiglio. Inoltre, utilizzare ulteriori campi negli oggetti Destinatario ed Elementi consigliati.