Show Menu
主题×

客户人工智能输入和输出

以下文档概述了客户人工智能中使用的不同输入和输出。

客户人工智能输入数据

客户人工智能使用消费者体验事件数据来计算倾向得分。 有关消费者体验事件的更多详细信息,请参 阅准备要在Intelligent Services文档中使用的数据

历史数据

客户人工智能需要模型培训的历史数据,但所需数据量基于两个关键元素: 结果窗口和合格人口。
默认情况下,如果在应用程序配置过程中未提供符合条件的人口定义,客户AI会查找在过去120天中具有活动的用户。 除了所需的最低数量的消费者体验事件数据之外,客户人工智能还需要根据预测目标定义获得最低数量的成功事件。 目前,客户人工智能至少需要500个成功事件。
提供的以下示例使用一个简单的公式帮助您确定所需的最少数据量。 如果您的要求超过最低要求,您的模型可能会提供更准确的结果。 如果您的培训量小于所需的最小数量,则模型将失败,因为模型培训没有足够的数据量。
公式 :
所需数据的最小长度=合格人群+结果窗口
30是合格人口所需的最少天数。 如果未提供,则默认值为120天。
示例 :
  • 您希望预测客户是否可能在未来30天内购买手表。 您还希望对过去60天内具有某些Web活动的用户进行评分。 在这种情况下,所需数据的最小长度= 60天+ 30天。 合格人口为60天,结果窗口为30天,总共90天。
  • 您希望预测用户是否可能在接下来的7天内购买手表。 在这种情况下,所需数据的最小长度= 120天+ 7天。 合格人口默认为120天,结果窗口为7天,总计为127天。
  • 您希望预测客户是否可能在接下来的7天内购买手表。 您还希望对过去7天内拥有某些Web活动的用户进行评分。 在这种情况下,所需数据的最小长度= 30天+ 7天。 合格人口至少需要30天,结果窗口为7天,总共37天。
除了所需的最少数据,客户人工智能还能最好地处理最新数据。 在此用例中,客户人工智能根据用户最近的行为数据对未来进行预测。 换句话说,更新的数据可能会产生更准确的预测。

客户人工智能输出数据

客户人工智能为被认为符合条件的个别用户档案生成多个属性。 有两种方法可根据您提供的内容来使用得分。 如果您为数据集启用了实时用户档案,则可以通过实时客户用户档案使用它。 如果您没有实时客户用户档案,则可以下载数据湖上可用的客户人工智能输出数据集。
输出值由实时客户用户档案消耗,实时客户可用于创建和定义区段。
下表描述了在客户AI输出中找到的各种属性:
属性
描述
得分
客户在定义的时间范围内达到预测目标的相对可能性。 此值不应视为概率百分比,而应视为个人相对于总体人口的可能性。 此得分从0到100。
概率
此属性是用户档案在定义的时间范围内实现预测目标的真实概率。 在比较不同目标的输出时,建议您考虑概率高于百分点或得分。 在确定符合条件的群体的平均概率时,应始终使用概率,因为对于不频繁发生的事件,概率往往处于较低的一侧。 概率范围在0到1之间的值。
百分点
此值提供有关用户档案相对于其他类似得分用户档案的性能的信息。 例如,百分位排名为99的用户档案表明,与所有其他得分的用户档案中的99%相比,客户流失风险更高。 百分比范围从1到100。
倾向类型
所选的倾向类型。
得分日期
得分发生的日期。
影响因素
预测用户档案可能转化或流失的原因。 因素包括以下属性:
  • 代码: 对用户档案的预测得分产生积极影响的用户档案或行为属性。
  • 值: 用户档案或行为属性的值。
  • 重要性: 指示用户档案或行为属性对预测得分的权重(低、中、高)

后续步骤

准备数据并准备好所有凭据和模式后,请按照“配置客户人工智能 实例”指南进行开始 。 本指南将指导您逐步创建客户人工智能实例。