Interact の学習の理解

Interact 学習モジュールでは、オファーに対する訪問者のレスポンスおよび訪問者属性がモニターされます。学習モジュールには、次の 2 つの一般的なモードがあります。

探索 - 後の活用モード中に使用される見積もりを最適化するのに十分なレスポンス・データを収集するために、学習モジュールでオファーが提供されます。探索中に提供されるオファーは、必ずしも最適の選択を反映するものではありません。

活用 - 探索の段階で十分なデータが収集された後、学習モジュールでは、提示するオファーの選択を補助するために確率が使用されます。

学習モジュールでは、confidenceLevel プロパティーで構成する信頼性レベルと、percentRandomSelection プロパティーで構成する、学習モジュールによりランダム・オファーが提示される可能性という、2 つのプロパティーに基づいて、探索と活用が交互に繰り返されます。

confidenceLevel を、オファーに対するスコアがアービトレーションで使用される前に、学習モジュールがどの程度確かであるか (または信頼されるべきか) を表す割合に設定します。最初に、学習モジュールに処理するデータがない場合、学習モジュールではマーケティング・スコアが全面的に信頼されます。minPresentCountThreshold で定義されている回数だけすべてのオファーが提示された後、学習モジュールは探索モードに入ります。処理するデータが多くない場合、学習モジュールでは、計算された割合が正しいと確信されません。したがって、学習モジュールは探索モードのままです。

学習モジュールでは、各オファーに重みが割り当てられます。重みを計算するため、学習モジュールでは、受け入れデータの履歴と現在のセッション・データに加え、構成された信頼性レベルを入力として取り入れる式が使用されます。式によって、本質的に探索と活用の間のバランスが取られ、適切な重みが返されます。

初期段階中にシステムが良い結果を出すオファーに偏らないように、Interact では percentRandomSelection パーセント分の回数、ランダム・オファーが提示されます。これによって、学習モジュールでは、最も成功しそうなオファー以外のオファーが強制的に提示され、そのようなオファーがより多く提示された場合にオファーの成功の可能性が高くなるかどうかが判別されます。例えば、percentRandomSelection を 5 に構成した場合、5% 分の回数、学習モジュールではランダム・オファーが提示され、そのレスポンス・データが計算に追加されることを意味します。

学習モジュールでは、提示されるオファーが以下の方法で決定されます。

例えば、学習モジュールでは、訪問者がオファー A を受け入れる可能性は 30%、オファー B を受け入れる可能性は 70% であると判断され、この情報を活用すべきだと判断されるとします。処理ルールでは、オファー A のマーケティング・スコアは 75、オファー B は 55 です。ただし、手順 3 の計算では、オファー A よりオファー B の方が最終スコアが高くなっているため、ランタイム環境ではオファー B が提示されます。

学習は、recencyWeightingFactor プロパティーおよび recencyWeightingPeriod プロパティーにも基づきます。これらのプロパティーを使用すると、古いデータに対してより、最近のデータに対して、より重みを加えることができます。recencyWeightingFactor は、最近のデータが持つ重みの割合です。recencyWeightingPeriod は、最近であると見なされる期間です。例えば、recencyWeightingFactor を .30 に、recencyWeightingPeriod を 24 に構成します。これは、過去 24 時間のデータが、考慮されるすべてのデータの 30% を占めることを意味します。1 週間分のデータがある場合、最初の 6 日間にわたって平均されたすべてのデータが 70% であり、最終日のデータが 30% になります。