Gute Features auswählen
Das Modell von Decisioning Studio Pro verwendet Kund:innen-Features als Eingaben, um individualisierte Empfehlungen zu erstellen. Hochwertige Features, die gut auf Ihren Entscheidungsraum abgestimmt sind, gehören zu den wirkungsvollsten Hebeln zur Verbesserung der Modell-Performance. Dieser Artikel behandelt die Arten von Features, die Sie bereitstellen können, wie Sie diese gut konstruieren und wie Sie Features mit den Aktionen in Einklang bringen, zwischen denen Ihr Agent wählt.
Wenn Sie interne Data-Science- oder Data-Engineering-Teams haben, sind diese am besten geeignet, Features zu konstruieren und zu kuratieren, da sie den meisten Kontext darüber haben, welche Signale in Ihren Daten aussagekräftig sind.
Für Braze-Kund:innen werden Kund:innen-Features typischerweise über angepasste Attribute in Nutzerprofilen an Decisioning Studio Pro übergeben. Details zu angepassten Attributen im Vergleich zu angepassten Events und deren jeweiligen Update-Strategien finden Sie unter Snapshots versus Event-Streams.
Arten von Kundenmerkmalen
Es gibt vier gängige Kategorien von Kundenmerkmalen:
| Merkmalstyp | Was erfasst wird | Beispiele |
|---|---|---|
| Nutzerprofilierung | Objektive Fakten zum Status der Kund:innen | age, loyalty_tier, days_enrolled, city, acquisition_channel |
| Nutzeraffinität | Modellbasierte Scores zur Wahrscheinlichkeit, dass Kund:innen eine bestimmte Aktion ausführen | churn_risk_score, purchase_intent_score, upsell_affinity |
| Nutzerverhalten | Zusammenfassungen der Kundenaktivität über einen bestimmten Zeitraum | clicks_past_30d, purchases_past_7d, app_logins_past_14d |
| Umgebung | Kontextbezogene Signale, die außerhalb der Kund:innen liegen | is_promotional_period, is_holiday, regional_economic_index |
Zusammen liefern diese Merkmalstypen dem Modell die Informationen, die es benötigt, um Segmente zu identifizieren, zwischen Kund:innen zu unterscheiden und Empfehlungen entsprechend anzupassen.
Allgemeine Richtlinien
Beachten Sie bei der Auswahl und Erstellung von Features die folgenden Punkte:
- Abdeckung: Features sollten alle Kund:innen in Ihrer Zielgruppe abdecken. Fehlt ein Feature bei einem großen Teil Ihrer Zielgruppe oder ist es dort null, hat das Modell für diese Kund:innen weniger Informationen zur Verfügung.
- Granularität: Alle Features sollten auf Kundenebene aggregiert sein. Unter Braze externe ID verwenden erfahren Sie, was „Kundenebene“ in der Praxis bedeutet.
- Aktualität: Aktualisieren Sie Features nach einem zeitgesteuerten Zeitplan, etwa täglich, und zwar für alle Kund:innen in der Zielgruppe, auch für Kund:innen ohne neue Aktivität. Unter Snapshots vs. Event-Streams erfahren Sie, warum das wichtig ist.
- Gültigkeit: Feature-Werte sollten in Bereichen liegen, die gemessen an der Definition sinnvoll sind. Ein Feature für „Käufe in den letzten 30 Tagen“ sollte niemals negativ sein.
- Datendichte: Vermeiden Sie Features, die für die überwiegende Mehrheit der Kund:innen null oder leer sind, sofern es keinen klaren geschäftlichen Grund dafür gibt. Dünn besetzte Features erzeugen Rauschen, ohne ein verwertbares Signal zu liefern.
- Korrelation: Vermeiden Sie Features, die stark miteinander korrelieren. Redundante Features können zu Verzerrungen führen und das Training verlangsamen, ohne die Prognosen zu verbessern.
Verhaltensbasierte Features erstellen
Verhaltensbasierte Features fassen den Aktionsverlauf von Kund:innen über ein festgelegtes Zeitfenster zusammen (zum Beispiel „Anzahl der Käufe in den letzten 28 Tagen“). Sie gehören zu den wertvollsten Features für ein Empfehlungssystem, weil sie erfassen, wie sich Kund:innen tatsächlich verhalten. Statische Profilmerkmale beschreiben, wer die Kund:innen sind. Verhaltensbasierte Features beschreiben, was die Kund:innen tun.
Zeitfenster auswählen
Das richtige Zeitfenster hängt davon ab, wie häufig Kund:innen die gemessene Aktion ausführen:
- Kurze Zeitfenster (7–28 Tage): Verwenden Sie diese für häufige Aktivitäten wie App-Anmeldungen, E-Mail-Öffnungen oder Website-Besuche.
- Lange Zeitfenster (90–365 Tage): Verwenden Sie diese für seltene Aktivitäten wie Produktkäufe, Abo-Verlängerungen oder Kontakte mit dem Kundenservice.
Ein hilfreicher Diagnosetest: Wenn ein großer Prozentsatz Ihrer Feature-Werte null ist, ist das Zeitfenster wahrscheinlich zu kurz. Erweitern Sie es, bis Sie eine aussagekräftige Varianz zwischen den Kund:innen sehen.
Aggregationen auswählen
- Für Events ohne Wert (etwas ist entweder passiert oder nicht): Verwenden Sie Count-Aggregationen. Zum Beispiel
email_opens_past_30d. - Für Events mit einem zugehörigen Wert (Umsatz, Dauer, Menge): Verwenden Sie sowohl Summen- als auch Durchschnitts-Aggregationen. Zum Beispiel
purchase_value_sum_past_90dundpurchase_value_avg_past_90d. Diese liefern sich ergänzende Informationen über das Gesamtvolumen und die Größenordnung pro Event.
Merkmale am Aktionsraum ausrichten
Decisioning Studio Pro ist ein Ranking-System. Sein Ziel ist es, für jede:n Kund:in herauszufinden, welche Aktion aus einer definierten Menge von Optionen am wahrscheinlichsten das beste Ergebnis liefert. Daraus ergibt sich eine konkrete Anforderung: Merkmale sollten dem Modell nach Möglichkeit Informationen liefern, die ihm helfen, zwischen den verfügbaren Optionen für eine bestimmte Kund:in zu unterscheiden.
Warum das wichtig ist
Angenommen, der Aktionsraum Ihres Agenten besteht darin, eines von drei Menüartikeln zu empfehlen: Kaffee, schwarzen Tee oder Bubble Tea.
Wenn Ihre Merkmale Kund:innen nur auf einer allgemeinen Ebene beschreiben („bestellt häufig Getränke“ oder „hohes E-Mail-Engagement“), kann das Modell Kund:innen in grobe Gruppen einteilen. Wenn es jedoch darum geht, Kaffee gegenüber Bubble Tea für eine bestimmte Kund:in zu ranken, helfen allgemeine Merkmale kaum weiter. Zwei Kund:innen können bei allgemeinen Merkmalen identisch aussehen, aber völlig gegensätzliche Vorlieben haben.
Wenn das Modell auf widersprüchliche Signale stößt – etwa wenn es zwei scheinbar ähnlichen Kund:innen Kaffee empfiehlt, aber nur eine davon konvertiert –, kann es nicht effektiv lernen. Dieses Rauschen beeinträchtigt seine Fähigkeit, präzise Rankings zu erstellen.
Merkmale passend zum Aktionsraum erstellen
Merkmale, die derselben Granularität wie Ihr Aktionsraum entsprechen, liefern dem Modell deutlich stärkere Ranking-Signale. Im Café-Beispiel teilt ein Merkmal wie coffee_orders_past_14d dem Modell direkt mit, ob eine Kund:in Kaffee bevorzugt. Ein Merkmal wie black_tea_orders_past_14d leistet dasselbe für schwarzen Tee. So kann das Modell eine fundierte Ranking-Entscheidung treffen.
Mit aktionsbezogenen Merkmalen kann das Modell außerdem Sättigung und Ermüdung erkennen. Wenn eine Kund:in einen hohen Wert für coffee_orders_past_14d hat, aber auf eine kürzliche Kaffee-Empfehlung nicht konvertiert ist, lernt das Modell, dass eine erneute Kaffee-Empfehlung womöglich nicht die beste Wahl ist, und beginnt, Alternativen zu testen.
Wenn keine exakte Ausrichtung möglich ist
Eine exakte Zuordnung von Merkmalen zu Aktionen ist ideal, wird aber oft durch die Verfügbarkeit von Daten eingeschränkt. Zwei Ansätze können helfen, wenn Sie keine perfekt ausgerichteten Merkmale erstellen können:
Datenzusammenfassung: Wenn Sie nicht zwischen Käufen von schwarzem Tee und Bubble Tea unterscheiden können, verwenden Sie ein aggregiertes Merkmal tea_orders_past_14d. Dabei geht etwas Präzision verloren, aber das Modell kann trotzdem Tee-Liebhaber:innen von Kaffee-Liebhaber:innen unterscheiden.
Indirekte Signale: Merkmale, die nicht direkt im Aktionsraum liegen, können dennoch wertvoll sein, wenn sie in einem logischen Zusammenhang damit stehen. Zum Beispiel ist dessert_purchased_past_30d ein sinnvoller Indikator für eine Vorliebe für Süßes, die wahrscheinlich mit einer Vorliebe für Bubble Tea korreliert. Das Modell kann auch ohne direkte Merkmalsentsprechung aus solchen indirekten Signalen lernen.
Das zugrunde liegende Prinzip lautet: Relevantere und granularere Informationen helfen immer, aber das Modell kann auch aus unvollkommenen Merkmalen lernen. Beginnen Sie mit dem, was Sie haben, und verfeinern Sie Ihre Merkmale im Laufe der Zeit, sobald mehr Daten verfügbar werden.