学習属性

学習モジュールは、訪問者の属性とオファー承認データを使用して学習します。 監視する訪問者の属性は選択できます。 これらの訪問者の属性としては、顧客プロファイル内のどの情報でも使用できます。たとえば、インタラクティブフローチャートで参照するディメンションテーブルに保存された属性や、リアルタイムに収集するイベントパラメータなどです。

監視する属性の数は構成できますが、IBMでは、静的および動的な学習属性において、10程度の学習属性を設定することをお勧めしています。次のガイドラインに従ってください。

単独の属性を選択します。

似ている属性は選択しないでください。 たとえば、HighValueという属性を作成し、その属性をSalaryに基づく計算で定義する場合、HighValueとSalaryの両方は選択しないでください。 似ている属性は学習アルゴリズムの助けにはなりません。

連続しない値を持つ属性を選択します。

値の範囲を持つ属性の場合は、正確な値を選択する必要があります。 たとえば、Salaryを属性として使用する場合は、Salaryの範囲ごとに特定の値(例: 範囲20,000～30,000はA、30,001～40,000はBなど)を設定します。

トラッキングする属性の数を制限して、パフォーマンスを低下させないようにします。

トラッキングできる属性の数は、パフォーマンス要件とInteractの設定によって異なります。 可能な場合、別のモデリングツール(PredictiveInsightなど)を使用して、上位10属性を予測します。 学習モジュールを構成して、予測されていないうえにパフォーマンスコストもかかる属性を自動的に除外するようにします。

パフォーマンスは、監視する属性の数と監視する属性ごとの値の数の両方を定義することで管理できます。 maxAttributeNamesプロパティでは、トラッキングする訪問者の属性の最大数を定義します。 The maxAttributeValuesプロパティでは、属性ごとにトラッキングする値の最大数を定義します。 その他のすべての値は、otherAttributeValueプロパティの値で定義されたカテゴリに割り当てられます。 ただし、学習エンジンは最初に見つかった値のみをトラッキングします。 たとえば、訪問者の属性である瞳の色をトラッキングするとします。 関心のある値は青、茶、緑のみなので、maxAttributeValuesを3に設定します。ところが、最初の3人の訪問者の値は、青、茶、薄茶色でした。 これは、緑色の瞳を持つすべての訪問者がotherAttributeValueに割り当てられるということを意味します。

動的な学習属性を使用して、学習条件をもっと具体的定義することもできます。 動的な学習属性により、2つの属性を組み合わせて単一のエントリとして学習させることができます。 たとえば、次のプロファイル情報について考えてみます。

訪問者ID	カードタイプ	カード残高
1	ゴールドカード	$1,000
2	ゴールドカード	$9,000
3	ブロンズカード	$1,000
4	ブロンズカード	$9,000

標準的な学習属性を使用すると、カードタイプと残高を分けて学習することしかできません。 訪問者1と訪問者2は、カードタイプに基づいて同じグループに分けられます。訪問者2と訪問者4はカード残高に基づいてグループ化されます。 この処理では、オファー承認の動きを正確に予測できないおそれがあります。 ゴールドカードの所有者は残高が多い傾向があるとすると、訪問者2と訪問者4では相反する結果であるため、標準的な学習属性をゆがめてしまう可能性があります。 ただし、動的な学習属性を使用すれば、これらの訪問者は個別に学習されるので、予測はもっと正確なものになります。

動的な学習属性を使用すると、訪問者は2つの有効な値を1つの属性として持つことになり、学習モジュールが見つけた最初の値が選択されます。

enablePruningプロパティをyesに設定すると、学習モジュールは予測されない属性をアルゴリズム的に特定し、重みを計算するときにそれらの属性を考慮せずに計算します。 たとえば、髪の色を表す属性をトラッキングしている場合、学習モジュールが訪問者の髪の色に基づくオファーを承認するパターンがないと判断すると、髪の色の属性を考慮するのを中止します。 属性は、学習集約プロセス(aggregateStatsIntervalInMinutesプロパティで定義されます)を実行するごとに再評価されます。 動的な学習属性も除外されます。