Проверка оценочного листа рекомендации

Страница общих сведений отображает общее качество рекомендации, прогнозируемый подъем и лучшие прогнозисты в модели.

Рекомендации Einstein персонализированы для каждого пользователя. Качество рекомендации указывает, насколько хорошей будет ваша рекомендация. Отображается процент клиентов, нажавших как минимум на 1 из 10 лучших рекомендаций. Прогнозируемый подъем - это улучшение уровня хитов при использовании рекомендации Einstein по сравнению с просто рекомендацией самых популярных элементов всем пользователям.

В зависимости от этих показателей, можно решить, использовать ли рекомендацию на основе этой информации. В противном случае просмотрите страницу прогнозистов в оценочном листе, чтобы узнать больше.

Страница прогнозистов оценочного листа отображает влияние каждого прогнозиста в модели. Влияние указывает, насколько сильно поле влияет на модель по сравнению с другими полями. Влияние оценивается по шкале от 0 до 1. Значение влияния для самого сильного прогнозиста установлено на 1.

Повышение качества рекомендаций

Хотите повысить качество рекомендации? Вот как:

• Использование сегментов

  Производительность рекомендации можно повысить, сегментируя получателей или рекомендованные элементы, чтобы сосредоточиться только на соответствующих записях. Например, если объектом получателя является «Контакт», а вас интересуют только контакты в финансовой отрасли, сегментируйте объект получателя посредством условия фильтра «Отрасль = Финансы».

• Исключить неактуальные поля

  По умолчанию Einstein учитывает все поля в объектах «Получатель» и «Рекомендованные элементы». Вы можете исключить поля, не связанные с вашей рекомендацией. Это может повысить производительность и уменьшить некоторые виды предвзятости. Распространенная проблема данных, известная как ретроспективная предвзятость, возникает, когда поле, значение которого может быть известно только после получения прогнозируемого результата, используется для прогнозирования этого результата. Такие поля должны быть исключены из рекомендации.

• Изменение определения положительного и отрицательного

  Способ определения положительных и отрицательных взаимодействий может повлиять на производительность рекомендации. Определение положительного взаимодействия в качестве нужного результата, например, контакт, приобретающий продукт, может привести к лучшим результатам. Отрицательные примеры не обязательны, но могут помочь улучшить рекомендацию, поскольку они предоставляют полезные прогнозируемые сигналы, при наличии. Например, потенциальный клиент, явно отклоняющий рекламную акцию, является примером отрицательного взаимодействия.

• Добавление дополнительных данных

  Если ваш набор данных содержит больше требуемого количества записей для каждого объекта, используйте больше взаимодействий для улучшения рекомендации. Также используйте дополнительные поля в объектах «Получатель» и «Рекомендованные элементы».