開始使用個性化傾向得分

越來越多的消費者希望從事個性化的方式。無論是電子郵件推廣產品補充最近的一次購買,在線橫幅宣布出售產品經常瀏覽類別,或內容與表達利益,消費者有越來越多的選擇,他們花自己的錢,更願意與媒體承認他們的個人需求和喜好。

一個最近的調查麥肯錫突出,近四分之三的消費者現在預期個性化交互作為他們的購物體驗的一部分。研究包含在這個調查強調,公司得到了這個站通過個性化的活動多產生40%的收入,使個性化的關鍵區別表現最好的零售。

盡管如此,許多零售商與個性化鬥爭。一個最近的調查Forrester發現隻有30%的美國市場和26%的英國消費者認為零售商做好創建相關的經驗。在一個獨立調查3激進,僅有18%的受訪者強烈地感覺到他們收到定製的建議,而52%從接收無關的通信,提供了表示失望。與消費者越來越多授權開關品牌和渠道,正確個性化已成為越來越多的企業的當務之急。

個性化是一個旅程

組織新的個性化,提供一對一的約會的想法似乎令人生畏。我們如何克服孤立的過程,可憐的數據管理和數據隱私擔憂這種方法組裝所需的數據嗎?我們如何工藝內容和消息傳遞,感覺真正個性化的隻有有限的營銷資源嗎?我們如何確保我們創造的內容是有效地針對個人發展的需求和喜好?

雖然大部分文獻個性化突出前沿方法突出新穎性(但不總是這樣有效性),實際情況是,個性化是一個旅程。在早期階段,強調利用自身的數據隱私和客戶信任更容易維護。相當標準的預測技術應用於帶證明能力。隨著價值證明和組織的發展不僅舒適與這些新技術,而且各種各樣的方式他們可以集成到實踐,然後使用更為複雜的方法。

傾向得分通常是一個個性化的第一步

個性化的旅程的第一個步驟是經常考試的銷售數據洞察個人客戶偏好。的過程稱為傾向得分,公司可以評估客戶的潛在接受要約或內容相關產品的一個子集。beplay体育app下载地址使用這些分數,營銷人員可以確定哪些手頭的消息應該提交給一個特定的客戶。同樣,這些分數可以用來識別領域的客戶或多或少地接受一個特定形式的接觸。beplay体育app下载地址

大多數傾向得分演習的起點是數值的計算屬性(特征)從過去的交互。這些功能可能包括諸如客戶的購買頻率、比例的花與特定產品類別相關聯,天自去年購買,和許多其他指標的曆史數據。的曆史時期後立即從這些特性計算然後檢查等行為感興趣的產品在一個特定類別的采購或優惠券的救贖。如果觀察到的行為,一個標簽1相關聯的特性。如果不是,一個標簽(0)分配。

使用標簽的特性預測,數據科學家可以訓練一個模型來估計概率利益的行為發生。應用這種訓練模型特性計算最近的一段時間,營銷人員可以估計的概率一個客戶會從事這種行為在可預見的未來。

與眾多優惠、促銷、消息和其他內容在我們處理,大量的模型,預測不同行為、訓練和應用於這個特性集。每個用戶配置文件組成的分數為每個感興趣的行為被編譯,然後發布到下遊係統使用的營銷編排的各種活動。

磚提供關鍵的能力傾向得分

的傾向得分的聲音,這不是沒有挑戰。在我們的談話與零售商實施傾向得分,我們經常遇到同樣的三個問題:

1. 我們如何保持特性的100年代和1000年代有時我們用來訓練我們傾向模型?
2. 我們如何快速火車模型與新活動,營銷團隊希望追求嗎?
3. 我們如何迅速重新部署模型,成為客戶模式漂移,得分管道?

在磚,我們的重點是讓我們的客戶通過一個分析平台構建與端到端需求的企業。beplay体育app下载地址Beplay体育安卓版本為此,我們納入平台特性存儲等功能,AutoML MLFlow,所有這些都可以用來應Beplay体育安卓版本對這些挑戰是一個健壯的傾向評分過程的一部分。

特色商店

的磚特性的商店是一個集中的存儲庫,支持持久性,發現和分享功能跨各種模型的訓練。捕獲特性、血統和其他元數據捕獲,這樣數據科學家希望重用特性由其他人可能自信和輕鬆地這樣做。標準安全模型和流程確保隻允許用戶可以使用這些特性,所以數據科學的流程管理,按照組織的數據訪問政策。

AutoML

磚AutoML允許您快速生成模型利用行業最佳實踐。作為一個玻璃盒解決方案,AutoML首先生成一個收藏的筆記本代表不同的模型變化符合您的場景。雖然迭代訓練不同的模型來確定哪個效果最好與你的數據集,它允許您訪問與每一個相關的筆記本電腦。對於許多數據科學團隊,這些筆記本電腦成為一個可編輯的出發點為進一步探索模型變化,最終使他們到達他們自信訓練模型能滿足他們的目標。

MLFlow

MLFlow是一個開源的機器學習模型庫,磚內的管理平台。Beplay体育安卓版本這個存儲庫允許數據科學團隊跟蹤和分析各種模型的迭代生成AutoML和定製的培訓周期。它的工作流程管理功能允許組織迅速移動訓練模型從開發到生產,這樣訓練模型可以更直接影響操作。

結合使用時磚特性存儲、模型堅持MLFlow保留知識培訓期間使用的特性。作為推理檢索模型,這種模型相同的信息允許檢索相關特性存儲的功能,極大地簡化了得分工作流和支持快速部署。

建立一個傾向得分工作流

結合使用這些特性,我們看到許多組織實施傾向得分的一部分由三部分組成的工作流。在第一部分中,數據工程師處理數據科學家定義特性相關的傾向得分鍛煉和堅持這些特性存儲。每日甚至實時特性工程過程被定義為計算值作為新的數據輸入到最新的功能。

接下來,作為推理的工作流的一部分,提出了客戶標識符之前訓練模型,以生成傾向分數基於最新的特性。模型允許數據捕獲功能存儲信息工程師來檢索這些特性和相對輕鬆地生成所需的分數。這些分數可能持續分析磚內的平台,但更通常被發布到下遊營銷係統。Beplay体育安卓版本

最後,在model-training工作流、數據科學家定期培訓傾向評分模型來捕捉客戶行為的變化。這些模型被保存到MLFLow、變更管理流程是用來評估模型和提高這些模型滿足組織標準的生產現狀。在推理工作流程的下一個迭代,每個模型的最新版本是檢索生成客戶分數。

驗證這些功能如何一起工作,我們構造了一個端到端流程的傾向得分基於公開數據集。這個工作流演示了上述三條腿的工作流,並展示了如何使用關鍵的磚特性建立一個有效的傾向得分管道。

下載資產在這裏,以此為起點構建你自己的個性化使用磚平台的基礎。Beplay体育安卓版本