Interact 학습 이해

Interact 학습 모듈은 오퍼 및 방문자 속성에 대한 방문자의 응답을 모니터합니다. 학습 모듈에는 다음 두 가지 일반 모드가 있습니다.

탐색 - 학습 모듈은 이용 중에 나중에 사용되는 추정을 최적화하기에 충분한 응답 데이터를 수집할 수 있도록 오퍼를 제공합니다. 탐색 중에 제공된 오퍼는 최적 선택을 반드시 반영하지는 않습니다.

이용 - 탐색 단계에서 충분한 데이터가 수집된 후 학습 모듈은 가능성을 사용하여 제공할 오퍼를 쉽게 선택합니다.

학습 모듈은 두 개의 특성을 기준으로 탐색과 이용 사이를 오갑니다(즉, confidenceLevel 특성을 사용하여 구성하는 신뢰수준과 percentRandomSelection 특성을 사용하여 구성하는 학습 모듈의 무작위 오퍼 제공 가능성).

confidenceLevel을 중재에서 오퍼 점수가 사용되기 전에 학습 모듈의 신뢰 정도를 표시하는 백분율로 설정하십시오. 처음에, 학습 모듈에 작업할 데이터가 없으면 학습 모듈은 마케팅 점수에 전적으로 의존합니다. minPresentCountThreshold가 정의한 만큼 모든 오퍼가 제공된 후 학습 모듈은 탐색 모드에 진입합니다. 작업할 데이터가 많지 않으면 학습 모듈은 계산한 백분율이 올바르다고 확신하지 않습니다. 따라서 탐색 모드를 유지합니다.

학습 모듈은 각 오퍼에 가중치를 할당합니다. 가중치를 계산하기 위해 학습 모듈은 기록 수락 데이터 및 현재 세션 데이터는 물론 구성된 신뢰수준을 입력으로 사용하는 공식을 사용합니다. 이 공식은 내재적으로 탐색과 이용 사이에서 균형을 유지하고 해당 가중치를 반환합니다.

시스템이 초기 단계 동안 최상으로 수행하는 오퍼로 기울지 않도록 Interact는 percentRandomSelection%의 무작위 오퍼를 제공합니다. 이는 학습 모듈이 성공 가능성이 가장 낮은 오퍼를 권장하여 다른 오퍼가 노출이 많으면 성공 가능성이 높은지 여부를 판별하도록 강제합니다. 예를 들어, percentRandomSelection을 5로 구성하면 이는 학습 모듈이 5%의 무작위 오퍼를 제공하고 계산에 응답 데이터를 추가함을 의미합니다.

학습 모듈은 다음과 같은 방법으로 제공되는 오퍼를 판별합니다.

예를 들어, 학습 모듈은 방문자가 오퍼 A를 수락할 가능성이 30%이고 오퍼 B를 수락할 가능성이 70%이며 이 정보를 이용해야 한다고 판별합니다. 처리 규칙에서 오퍼 A의 마케팅 점수는 75이고 오퍼 B의 경우는 55입니다. 그러나 3단계에서의 계산은 오퍼 B의 최종 점수가 오퍼 A보다 높습니다. 따라서 런타임 환경은 오퍼 B를 권장합니다.

학습은 recencyWeightingFactor 특성 및 recencyWeightingPeriod 특성도 기준으로 합니다. 이러한 특성을 사용하여 이전 데이터보다 최근 데이터에 가중치를 더 추가할 수 있습니다. recencyWeightingFactor는 최근 데이터가 가져야 하는 가중치 백분율입니다. recencyWeightingPeriod는 최근 시간 길이입니다. 예를 들어, recencyWeightingFactor를 .30으로, recencyWeightingPeriod를 24로 구성하십시오. 이는 데이터의 이전 24시간이 고려되는 모든 데이터의 30%임을 의미합니다. 일주일치 데이터가 있으면, 처음 6일 간의 모든 평균 데이터가 데이터의 70%이고 나머지 날은 데이터의 30%입니다.