Elige buenas características
El modelo de Decisioning Studio Pro utiliza características de cliente como entradas para hacer recomendaciones individualizadas. Las características de alta calidad que están bien alineadas con tu espacio de decisión son una de las palancas más eficaces para mejorar el rendimiento del modelo. Este artículo explica los tipos de características que puedes proporcionar, cómo construirlas bien y cómo plantear la alineación de las características con las acciones entre las que elegirá tu agente.
Si tienes equipos internos de ciencia de datos o ingeniería de datos, son quienes están mejor posicionados para construir y seleccionar características, ya que son los que más contexto tienen sobre qué señales de tus datos son significativas.
Para los clientes de Braze, las características de cliente suelen pasarse a Decisioning Studio Pro a través de atributos personalizados en los perfiles de usuario. Para más detalles sobre los atributos personalizados frente a los eventos personalizados y sus respectivas estrategias de actualización, consulta Instantáneas frente a flujos de eventos.
Tipos de características de clientes
Hay cuatro categorías comunes de características de clientes:
| Tipo de característica | Qué captura | Ejemplos |
|---|---|---|
| Perfilado de usuarios | Datos objetivos sobre el estado del cliente | age, loyalty_tier, days_enrolled, city, acquisition_channel |
| Propensión de usuarios | Puntuaciones derivadas de modelos sobre la probabilidad de que el cliente haga algo | churn_risk_score, purchase_intent_score, upsell_affinity |
| Comportamiento de usuarios | Resúmenes de la actividad del cliente durante un periodo de tiempo | clicks_past_30d, purchases_past_7d, app_logins_past_14d |
| Entorno | Señales contextuales externas al cliente | is_promotional_period, is_holiday, regional_economic_index |
En conjunto, estos tipos de características le dan al modelo la información que necesita para identificar segmentos, distinguir entre clientes y adaptar las recomendaciones en consecuencia.
Pautas generales
Ten en cuenta lo siguiente al seleccionar y construir características:
- Cobertura: Las características deben cubrir a todos los clientes de tu público objetivo. Una característica que falta o es nula para una gran parte de tu audiencia le da al modelo menos información con la que trabajar para esos clientes.
- Granularidad: Todas las características deben agregarse a nivel de cliente. Consulta Usar el ID externo de Braze para obtener orientación sobre lo que significa “nivel de cliente” en la práctica.
- Actualidad: Actualiza las características según una programación basada en el tiempo, por ejemplo, a diario, para cada cliente de la audiencia, incluidos los clientes sin actividad nueva. Consulta Instantáneas frente a flujos de eventos para saber por qué esto es importante.
- Validez: Los valores de las características deben estar dentro de rangos que tengan sentido según su definición. Una característica de “compras en los últimos 30 días” nunca debe ser negativa.
- Dispersión: Evita las características que son cero o nulas para la gran mayoría de los clientes, a menos que exista un motivo empresarial claro. Las características dispersas añaden ruido sin aportar señal.
- Correlación: Evita incluir características que estén muy correlacionadas entre sí. Las características redundantes pueden introducir sesgos y ralentizar el entrenamiento sin mejorar las predicciones.
Construir características de comportamiento
Las características de comportamiento resumen el historial de acciones de un cliente durante un periodo de tiempo definido (por ejemplo, “número de compras en los últimos 28 días”). Son de las características más valiosas para un sistema de recomendación, porque capturan cómo se comporta realmente un cliente. Los rasgos estáticos del perfil describen quién es el cliente; las características de comportamiento describen lo que hace.
Elegir periodos de tiempo
El periodo de tiempo adecuado depende de la frecuencia con la que los clientes realizan la acción que estás midiendo:
- Periodos cortos (7–28 días): Úsalos para actividades de alta frecuencia, como inicios de sesión en la aplicación, aperturas de correo electrónico o visitas al sitio web.
- Periodos largos (90–365 días): Úsalos para actividades poco frecuentes, como compras de productos, renovaciones de suscripción o contactos con el servicio de atención al cliente.
Un diagnóstico útil: si un gran porcentaje de los valores de tus características es cero, probablemente el periodo de tiempo sea demasiado corto. Amplíalo hasta que veas una variación significativa entre clientes.
Elegir agregaciones
- Para eventos sin valor (algo ocurrió o no): usa agregaciones de recuento. Por ejemplo,
email_opens_past_30d. - Para eventos con un valor asociado (ingresos, duración, cantidad): usa agregaciones de suma y de promedio. Por ejemplo,
purchase_value_sum_past_90dypurchase_value_avg_past_90d. Estas aportan información complementaria sobre el volumen total y la magnitud por evento.
Alinea las características con el espacio de acción
Decisioning Studio Pro es un sistema de clasificación. Su objetivo es identificar, para cada cliente, qué acción de un conjunto definido de opciones tiene más probabilidades de producir el mejor resultado. Esto genera un requisito específico: las características deben, siempre que sea posible, darle al modelo información que le ayude a distinguir entre las opciones disponibles para un cliente determinado.
Por qué es importante
Por ejemplo, supongamos que el espacio de acción de tu agente consiste en recomendar uno de tres productos del menú: café, té negro o té de burbujas.
Si tus características describen a los clientes a un nivel general (“pide bebidas con frecuencia” o “alta participación en correo electrónico”), el modelo puede segmentar a los clientes en grupos amplios. Pero cuando se trata de clasificar el café frente al té de burbujas para un cliente concreto, las características generales no ayudan mucho. Dos clientes pueden parecer idénticos en las características generales, pero tener preferencias completamente opuestas.
Cuando el modelo encuentra señales contradictorias, como recomendar café a dos clientes aparentemente similares y que solo uno de ellos convierta, no puede aprender de forma eficaz. El ruido reduce su capacidad para hacer clasificaciones precisas.
Crea características que coincidan con el espacio de acción
Las características que se corresponden con la misma granularidad que tu espacio de acción le dan al modelo señales de clasificación mucho más sólidas. En el ejemplo de la cafetería, una característica como coffee_orders_past_14d le indica directamente al modelo si un cliente prefiere el café. Una característica como black_tea_orders_past_14d hace lo mismo para el té negro. Así, el modelo puede tomar una decisión de clasificación bien fundamentada.
Con características alineadas con las acciones, el modelo también puede detectar la saturación y la fatiga. Si un cliente tiene un valor alto de coffee_orders_past_14d pero no convirtió con una recomendación reciente de café, el modelo aprende que volver a recomendar café puede no ser la mejor opción y empieza a probar alternativas.
Cuando no es posible una alineación exacta
La alineación exacta entre características y acciones es lo ideal, pero a menudo está limitada por la disponibilidad de datos. Dos enfoques pueden ayudarte cuando no puedes crear características perfectamente alineadas:
Resumen de datos: Si no puedes distinguir entre las compras de té negro y de té de burbujas, usa una característica agregada tea_orders_past_14d. Así se pierde algo de precisión, pero sigue ayudando al modelo a distinguir a los clientes que prefieren el té de los que prefieren el café.
Señales indirectas: Las características que no forman parte directa del espacio de acción pueden seguir siendo valiosas si tienen una relación lógica con él. Por ejemplo, dessert_purchased_past_30d es un indicador razonable de la preferencia por productos dulces, que probablemente esté correlacionada con la preferencia por el té de burbujas. El modelo puede aprender de estas señales indirectas incluso sin una coincidencia directa de características.
El principio subyacente es que la información más relevante y granular siempre ayuda, pero el modelo puede seguir aprendiendo de características imperfectas. Empieza con lo que tienes y ve perfeccionándolo con el tiempo a medida que haya más datos disponibles.