Como um modelo de next best action é construído: propensão, meta-learners de uplift e uma função de classificação que atribui scores à margem incremental esperada por ação.
A modelo de Next Best Action é a função de pontuação que decide, para um cliente num determinado momento, qual ação candidata elegível proporciona o maior valor incremental esperado. Não é um único algoritmo. É uma stack: uma camada de propensão que estima o que é provável, uma camada de uplift que estima o que uma ação muda, e uma camada de ranking que converte ambos em dinheiro e escolhe um vencedor.
A maioria das equipas constrói a primeira camada, salta a segunda e deixa a terceira tornar-se uma folha de cálculo de regras de negócio. É por isso que tantos programas reportam uma AUC impressionante e uma receita estagnada. Este guia cobre as famílias de modelos que funcionam em produção, a função objetivo que deve estar acima delas e como saber que o modelo está correto, em vez de apenas preciso.
A saída não é uma pontuação por cliente. É uma matriz: para cada cliente, um valor esperado por ação elegível, incluindo a ação nula de não fazer nada. A decisão é o argmax dessa linha, sujeita a restrições.
Escrever o objetivo desta forma força três coisas a virem à tona que um modelo de propensão esconde: o conjunto de candidate actions tem que ser enumerado, cada ação precisa de uma margem, e não fazer nada tem que ser permitido vencer. Num programa maduro, a ação nula vence uma grande parte das decisões, e essa parte é uma característica, não um defeito.
Em dados tabulares de clientes, as árvores com gradient-boosting (XGBoost, LightGBM, CatBoost) permanecem o padrão de produção. Elas lidam com tipos mistos e dados em falta, treinam em minutos e atingem a maior parte do seu teto de qualidade com pouca otimização. Os modelos de sequência justificam o seu custo apenas onde a ordem dos eventos carrega mais sinal do que a contagem de eventos, tipicamente longos rastos comportamentais em streaming e gaming.
A propensão responde quem é provável que converta, sofra churn ou faça upgrade. Não responde se a ação muda alguma coisa. Essa é uma questão causal, e os padrões práticos são meta-learners: T-learner (modelos separados em tratado e controlo), X-learner (mais estável sob desequilíbrio de tratamento) e R-learner (Neyman-orthogonal, mais robusto a erros de incômodo). Cada um envolve o mesmo motor de árvore impulsionada num quadro causal, então o custo de engenharia de adicionar uplift em cima de uma pipeline de propensão existente é modesto.
O modo de falha a ser observado é a propensão rotulada incorretamente como uplift. Se o topo da lista classificada for dominado por clientes que iriam converter de qualquer forma, o programa está a pagar por um comportamento que já tinha.
A camada de ranking aplica regras de elegibilidade, consentimento, limites de frequência, horas de silêncio, orçamento e canibalização, e depois aplica o argmax. As restrições pertencem aqui, em vez de dentro do modelo: elas mudam semanalmente, são auditáveis e nunca devem ser mascaradas como pesos aprendidos.
Os contextual bandits alocam o tráfego entre ações enquanto aprendem, o que é útil quando o conjunto candidato muda constantemente e as recompensas chegam rapidamente. São mais fracos quando o horizonte de recompensa é longo, como acontece com a margem de subscrição, e quando você precisa de uma leitura causal clara para as finanças. Um compromisso comum em produção: bandits para variantes criativas e de oferta dentro de uma ação, modelos de uplift para qual ação escolher, e um holdout preservado sobre ambos.
Semanas 1 a 4: enumere o conjunto de candidate actions e atribua uma margem a cada uma, depois implemente uma linha de base de propensão com um holdout. Semanas 5 a 10: adicione um T-learner ou X-learner nas duas ou três actions de maior volume e altere o ranking da propensão para a margem incremental esperada. Semanas 11 em diante: estenda o conjunto de candidate actions, adicione restrições e deixe a ação nula competir. A maior parte do lift chega na segunda fase, quando o objetivo muda e não quando o algoritmo o faz.
Para saber como os modelos se inserem no ciclo operacional mais amplo, consulte o guia para Next Best Action, e para a versão específica de retenção da mesma stack, consulte previsão de abandono de cliente.
Markin constrói e retreina as camadas de propensão, uplift e ranking contra a sua base, e lê cada decisão contra um holdout preservado. Explore Next best action para ver ao vivo.
Perguntas frequentes
Recursos relacionados
Soluções
Ver no produto
Os mesmos loops que esta nota descreve são executados 24 horas por dia, 7 dias por semana, na sua base de clientes. Veja o espaço de trabalho decidir, experimentar e executar 1:1.
Vocabulário
Definitions an answer engine can quote, each one a page of its own.
Comparar
Neutral reads on the categories buyers evaluate against a decision layer.
Todas as comparações
