Algumas considerações são necessárias para configurar a CustomerSampleSize adequadamente para o melhor tempo de execução da sessão Optimize, ao mesmo tempo preservando a otimalidade.
O Optimize trabalha quebrando os contatos propostos em sub-amostras aleatórias de clientes chamadas "blocos". Todos os contatos propostos e o histórico de contatos pertencentes a um único cliente são processados com aquele cliente no bloco ao qual o cliente pertence (um cliente pode pertencer apenas a um único bloco). A precisão do algoritmo de otimização depende destes blocos de clientes serem estatisticamente similares entre si, e um tamanho de bloco maior aumenta esta probabilidade. Restrições de capacidade entre clientes são distribuídas igualmente entre os blocos. Por exemplo, se sua sessão Optimize contém uma restrição especificando que existe um máximo de 1000 ofertas A permitidas, se a sessão Optimize for executada com 10 blocos, cada bloco terá uma regra de capacidade que permite um máximo de 100 ofertas A.
A variável de ajuste do algoritmo CustomerSampleSize permite definir o tamanho máximo do bloco. Quanto maior o bloco, mais precisos os resultados, mas o tempo de execução da sessão e os recursos de memória requeridos também aumentam. Não use tamanhos de bloco significativamente maiores do que 10.000 sem planejar cuidadosamente, porque muitos sistemas não possuem recursos de memória suficientes para processar mais de 10.000 clientes de uma vez, o que resultará em uma falha na execução da sessão Optimize (erro de falha de memória). Em muitos casos, um tamanho de bloco maior não aumenta significativamente a otimalidade da solução (medida como a soma de pontuações de transações sobreviventes na Tabela Contatos Otimizados), mas ainda leva mais tempo e consome mais memória para executar. Pode ser necessário ajustar o CustomerSampleSize com base em seu problema de otimização e necessidades de desempenho específicos.
Em um cenário de otimização simples onde não existem regras de capacidade entre clientes definidas, não existe benefício no uso de tamanhos maiores de bloco.
Para compreender os casos onde regras de capacidade entre clientes são usadas, você deve compreender como essas regras são aplicadas a vários blocos. Considere o caso em que existe uma única regra de capacidade de N.º Min/Max de Ofertas com o mínimo definido como 20 e o máximo definido como 1.000 para o canal E-mail. Se houverem 100.000 clientes e um tamanho máximo de bloco de 10.000, cada bloco é processado usando uma regra modificada em que o máximo é 100 (o valor máximo da regra dividido pelo número de blocos, neste exemplo, 10).
Um tamanho máximo menor de bloco pode fazer com que mais blocos sejam criados. Isso aumenta a probabilidade de que uma regra possa depender de algum elemento (como o canal E-mail) que seja menos numeroso do que o número de blocos. Se o tamanho do bloco fosse reduzido para 100, haveria 1.000 blocos. Agora, o mínimo da regra é na verdade inferior ao número de blocos, o que faz a regra modificada igual a 0,02 (20 dividido por 1.000). Neste caso, 2% dos blocos usam uma regra com o mínimo de 1 e os outros 98% dos blocos usam um mínimo de 0. Desde que cada bloco seja estatisticamente similar no que se refere ao canal E-mail, o Optimize processa a regra conforme o esperado. Quando existem menos clientes que receberam emails de oferta do que blocos, ocorre um problema. Se apenas 500 clientes receberam e-mails de oferta, cada bloco tem apenas 50% de chance de conter um cliente que recebeu um e-mail de oferta, e a chance de que um bloco particular tenha ambos, um cliente que recebeu um e-mail de oferta e uma regra de no mínimo 1, é de apenas 1%. Ao invés de atender o mínimo especificado de 20, o Optimize retornaria apenas 5 em média.
O número de blocos depende do tamanho do bloco e do número total de clientes. Como o tamanho máximo de bloco é 10.000, isso significa que o número mínimo de clientes com um elemento significativo (um item usado em uma regra) não deve ser inferior ao número de clientes dividido por 10.000 para alcançar resultados ótimos. Pode parecer que aumentar o número de contatos propostos para manter a similaridade estatística diminui o desempenho, e é verdade que mais contatos propostos adicionará a sobrecarga. Isso poderia compensar se um tamanho de bloco menor pudesse ser usado, já que blocos menores podem ser processados mais rapidamente.