Das Interact-Lernmodul überwacht die Antworten des Besuchers auf Angebote und Besucherattribute. Es weist zwei allgemeine Modi auf:
Das Lernmodul wechselt zwischen Untersuchung und Nutzung auf der Grundlage von zwei Eigenschaften: einem Vertrauensniveau, das mit der Eigenschaft confidenceLevel konfiguriert wird, und einer Wahrscheinlichkeit, dass das Lernmodul ein Zufallsangebot anzeigt. Diesen Wert konfigurieren Sie mit der Eigenschaft
percentRandomSelection.
Den Wert von confidenceLevel legen Sie auf einen Prozentsatz fest. Damit wird dargestellt, wie sicher sich das Lernmodul sein muss, bevor seine Scores für ein Angebot im Auswahlverfahren verwendet werden. Wenn dem Lernmodul anfangs keine Daten zur Verarbeitung vorliegen, ist es ausschließlich auf den Marketing-Score angewiesen.Nachdem jedes Angebot mit einer durch
minPresentCountThreshold definierten Häufigkeit angezeigt wurde, wechselt das Lernmodul in den Untersuchungsmodus. Das Lernmodul benötigt eine große Datenmenge zum Arbeiten, um überzeugt davon zu sein, dass die von ihm berechneten Prozentsätze korrekt sind.Deshalb bleibt es im Untersuchungsmodus.
Um sicherzustellen, dass das System nicht Angebote bevorzugt, die in den frühen Stadien am besten abschneiden, zeigt Interact ein Zufallsangebot über die mit
percentRandomSelection festgelegte prozentuale Zeit an. Auf diese Weise wird das Lernmodul gezwungen, andere Angebote als die erfolgreichsten zu empfehlen, und kann so ermitteln, ob andere Angebote erfolgreicher wären, wenn sie prominenter präsentiert würden. Wenn Sie
percentRandomSelection z. B. mit 5 konfigurieren, bedeutet dies, dass das Lernmodul während 5 % der Zeit ein Zufallsangebot anzeigt und die Antwortdaten seinen Berechnungen hinzufügt.
Der Lernprozess basiert auch auf der Eigenschaft recencyWeightingFactor und der Eigenschaft
recencyWeightingPeriod. Diese Eigenschaften ermöglichen es Ihnen, aktuelleren Daten gegenüber älteren Daten mehr Gewicht zu verleihen.Der Wert von
recencyWeightingFactor ist der Prozentsatz der Wertigkeit, die die aktuellen Daten haben sollten. Der Wert von
recencyWeightingPeriod ist die aktuelle Dauer. So konfigurieren Sie beispielsweise
recencyWeightingFactor mit .30 und
recencyWeightingPeriod mit 24. Dies bedeutet, dass es sich bei den Daten der vorherigen 24 Stunden um 30 % aller berücksichtigten Daten handelt. Wenn Ihnen die Daten für eine Woche vorliegen, machen alle über die ersten sechs Tage gemittelten Daten 70 % der Daten und der letzte Tag 30 % aus.