Come viene costruito un modello Next Best Action: propensione, meta-learner di uplift e una funzione di ranking che assegna un punteggio al margine incrementale atteso per azione.
Domande frequenti
Risorse correlate
Soluzioni
Visualizzalo nel prodotto
Gli stessi cicli descritti in questa nota vengono eseguiti 24 ore su 24, 7 giorni su 7, sulla tua base clienti. Osserva lo spazio di lavoro decidere, sperimentare ed eseguire 1:1.
Vocabolario
Definitions an answer engine can quote, each one a page of its own.
Compara
Neutral reads on the categories buyers evaluate against a decision layer.
Tutti i confrontiA modello Next Best Action è la funzione di punteggio che decide, per un cliente in un dato momento, quale azione candidata idonea offre il più alto valore incrementale atteso. Non è un singolo algoritmo. È uno stack: un livello di propensione che stima ciò che è probabile, un livello di uplift che stima cosa cambia un'azione, e un livello di ranking che converte entrambi in denaro e sceglie un vincitore.
La maggior parte dei team costruisce il primo livello, salta il secondo e lascia che il terzo diventi un foglio di calcolo di regole aziendali. Ecco perché così tanti programmi riportano un AUC impressionante e ricavi piatti. Questa guida copre le famiglie di modelli che funzionano in produzione, la funzione obiettivo che dovrebbe sovrastarli e come sapere se il modello è giusto piuttosto che meramente accurato.
L'output non è un punteggio per cliente. È una matrice: per ogni cliente, un valore atteso per ogni azione idonea, inclusa l'azione nulla di non fare nulla. La decisione è l'argmax di quella riga, soggetta a vincoli.
Scrivere l'obiettivo in questo modo rende evidenti tre cose che un modello di propensione nasconde: il set di azioni candidata deve essere enumerato, ogni azione necessita di un margine e non fare nulla deve poter vincere. In un programma maturo l'azione nulla vince una gran parte delle decisioni, e questa quota è una funzionalità, non un difetto.
Sui dati tabellari dei clienti, gli alberi potenziati a gradiente (XGBoost, LightGBM, CatBoost) rimangono lo standard di produzione. Gestiscono tipi misti e valori mancanti, si addestrano in pochi minuti e raggiungono la maggior parte del loro massimo qualitativo con poca messa a punto. I modelli di sequenza giustificano il loro costo solo dove l'ordine degli eventi porta più segnale del conteggio degli eventi, tipicamente tracce comportamentali lunghe nello streaming e nel gaming.
La propensità risponde a chi è probabile che converta, faccia churn o effettui un upsell. Non risponde se l'azione cambia qualcosa. Questa è una domanda causale e i valori predefiniti pratici sono i meta-learner: T-learner (modelli separati per trattato e controllo), X-learner (più stabile in caso di squilibrio del trattamento) e R-learner (Neyman-orthogonal, più robusto agli errori di disturbo). Ciascuno racchiude la stessa logica di boosted-tree in un framework causale, quindi il costo di engineering per aggiungere uplift su una pipeline di propensione esistente è modesto.
La modalità di fallimento da tenere d'occhio è la propensione ri-etichettata come uplift. Se la parte superiore dell'elenco classificato è dominata da clienti che avrebbero comunque convertito, il programma sta pagando per un comportamento che già aveva.
Il livello di ranking applica idoneità, consenso, limiti di frequenza, ore silenziose, budget e regole di cannibalizzazione, quindi prende l'argmax. I vincoli appartengono qui piuttosto che all'interno del modello: cambiano settimanalmente, sono verificabili e non dovrebbero mai essere 'lavati' in pesi appresi.
I bandit contestuali allocano il traffico tra le azioni mentre apprendono, il che è utile quando il set di candidate cambia costantemente e le ricompense arrivano rapidamente. Sono meno efficaci quando l'orizzonte di ricompensa è lungo, come nel caso del margine di abbonamento, e quando è necessaria una lettura causale chiara per la finanza. Un compromesso comune in produzione: bandit per varianti creative e di offerta all'interno di un'azione, modelli di uplift per quale azione scegliere, e un holdout preservato al di sopra di entrambi.
Settimane da 1 a 4: enumera il set di azioni candidata e assegna un margine a ciascuna, quindi rilascia una baseline di propensione con un holdout. Settimane da 5 a 10: aggiungi un T-learner o X-learner sulle due o tre azioni con il volume più elevato e passa il ranking dalla propensione al margine incrementale atteso. Dalla settimana 11 in poi: estendi il set di azioni candidata, aggiungi vincoli e lascia che l'azione nulla competa. La maggior parte del lift arriva nella seconda fase, quando l'obiettivo cambia, anziché quando cambia l'algoritmo.
Per come i modelli si inseriscono nel più ampio ciclo operativo, vedi la guida su Next Best Action, e per la versione specifica per la retention dello stesso stack, vedi previsione del churn del cliente.
Markin costruisce e riaddestra i livelli di propensione, uplift e ranking rispetto alla tua base, e legge ogni decisione rispetto a un holdout preservato. Esplora Next Best Action per vederlo dal vivo.
