Escolha boas features
O modelo do Decisioning Studio Pro usa features de clientes como entradas para fazer recomendações individualizadas. Features de alta qualidade, bem alinhadas ao seu espaço de decisão, são uma das alavancas de maior impacto para melhorar o desempenho do modelo. Este artigo aborda os tipos de features que você pode fornecer, como construí-las bem e como pensar no alinhamento entre as features e as ações entre as quais seu agente vai escolher.
Se você tem equipes internas de ciência de dados ou engenharia de dados, elas estão na melhor posição para construir e curar features, já que têm mais contexto sobre quais sinais nos seus dados são significativos.
Para clientes da Braze, as features de clientes normalmente são passadas ao Decisioning Studio Pro por meio de atributos personalizados nos perfis de usuário. Para saber mais sobre atributos personalizados versus eventos personalizados e suas respectivas estratégias de atualização, consulte Snapshots versus fluxos de eventos.
Tipos de recursos de clientes
Existem quatro categorias comuns de recursos de clientes:
| Tipo de recurso | O que captura | Exemplos |
|---|---|---|
| Perfil do usuário | Fatos objetivos sobre o status do cliente | age, loyalty_tier, days_enrolled, city, acquisition_channel |
| Propensão do usuário | Pontuações derivadas de modelos sobre a probabilidade de o cliente fazer algo | churn_risk_score, purchase_intent_score, upsell_affinity |
| Comportamento do usuário | Resumos da atividade do cliente em uma janela de tempo | clicks_past_30d, purchases_past_7d, app_logins_past_14d |
| Ambiental | Sinais contextuais externos ao cliente | is_promotional_period, is_holiday, regional_economic_index |
Juntos, esses tipos de recursos dão ao modelo as informações de que ele precisa para identificar segmentos, diferenciar os clientes e adaptar as recomendações de acordo.
Diretrizes gerais
Tenha em mente os seguintes pontos ao selecionar e construir recursos:
- Cobertura: Os recursos devem cobrir todos os clientes do seu público-alvo. Um recurso ausente ou nulo para grande parte do seu público dá ao modelo menos informações para trabalhar com esses clientes.
- Granularidade: Todos os recursos devem ser agregados no nível do cliente. Consulte Usar o ID externo da Braze para entender o que “nível do cliente” significa na prática.
- Atualidade: Atualize os recursos com base em um cronograma, como diariamente, para todos os clientes do público, incluindo clientes sem nenhuma atividade nova. Consulte Snapshots versus fluxos de eventos para entender por que isso é importante.
- Validade: Os valores dos recursos devem estar dentro de intervalos que façam sentido de acordo com a definição. Um recurso de “compras nos últimos 30 dias” nunca deve ser negativo.
- Esparsidade: Evite recursos que sejam zero ou nulos para a grande maioria dos clientes, a menos que haja um motivo de negócio claro. Recursos esparsos adicionam ruído sem adicionar sinal.
- Correlação: Evite incluir recursos altamente correlacionados entre si. Recursos redundantes podem introduzir vieses e tornar o treinamento mais lento sem melhorar as previsões.
Construir recursos comportamentais
Os recursos comportamentais resumem o histórico de ações de um cliente ao longo de uma janela de tempo definida (por exemplo, “número de compras nos últimos 28 dias”). Eles estão entre os recursos mais valiosos para um sistema de recomendação porque capturam como o cliente realmente se comporta. Características estáticas do perfil descrevem quem o cliente é. Já os recursos comportamentais descrevem o que o cliente faz.
Escolher janelas de tempo
A janela de tempo ideal depende da frequência com que os clientes realizam a ação que você está medindo:
- Janelas curtas (7 a 28 dias): Use para atividades de alta frequência, como logins no app, aberturas de e-mail ou visitas ao website.
- Janelas longas (90 a 365 dias): Use para atividades pouco frequentes, como compras de produtos, renovações de inscrição ou contatos com o atendimento ao cliente.
Um diagnóstico útil: se uma grande porcentagem dos valores do seu recurso for zero, a janela de tempo provavelmente está curta demais. Amplie a janela até observar uma variação significativa entre os clientes.
Escolher agregações
- Para eventos sem valor (algo aconteceu ou não): use agregações de contagem. Por exemplo,
email_opens_past_30d. - Para eventos com um valor associado (receita, duração, quantidade): use agregações de soma e de média. Por exemplo,
purchase_value_sum_past_90depurchase_value_avg_past_90d. Elas oferecem informações complementares sobre o volume total e a magnitude por evento.
Alinhe os recursos com o espaço de ações
O Decisioning Studio Pro é um sistema de ranqueamento. O objetivo dele é identificar, para cada cliente, qual ação de um conjunto definido de opções tem mais chances de gerar o melhor resultado. Isso cria um requisito específico: sempre que possível, os recursos devem fornecer ao modelo informações que o ajudem a diferenciar as opções disponíveis para um determinado cliente.
Por que isso é importante
Por exemplo, suponha que o espaço de ações do seu agente seja recomendar um de três itens do cardápio: café, chá preto ou bubble tea.
Se os seus recursos descrevem os clientes de forma ampla (“pede bebidas com frequência” ou “alto engajamento com e-mails”), o modelo consegue segmentar os clientes em grupos amplos. Mas, na hora de ranquear café versus bubble tea para um cliente específico, recursos amplos não ajudam muito. Dois clientes podem parecer idênticos nos recursos de alto nível e ter preferências completamente opostas.
Quando o modelo encontra sinais contraditórios, ele não consegue aprender de forma eficaz. Por exemplo, ele recomenda café para dois clientes aparentemente parecidos, mas só um deles converte. Esse ruído reduz a capacidade do modelo de fazer ranqueamentos precisos.
Crie recursos que correspondam ao espaço de ações
Recursos com a mesma granularidade do seu espaço de ações fornecem ao modelo sinais de ranqueamento muito mais fortes. No exemplo da cafeteria, um recurso como coffee_orders_past_14d informa diretamente ao modelo se o cliente prefere café. Um recurso como black_tea_orders_past_14d faz o mesmo para o chá preto. Assim, o modelo consegue tomar uma decisão de ranqueamento bem fundamentada.
Com recursos alinhados às ações, o modelo também consegue detectar saturação e fadiga. Se um cliente tem um valor alto de coffee_orders_past_14d, mas não converteu em uma recomendação recente de café, o modelo aprende que recomendar café de novo pode não ser a melhor escolha e começa a testar alternativas.
Quando não é possível ter um alinhamento exato
O alinhamento exato entre recursos e ações é o ideal, mas muitas vezes ele depende da disponibilidade de dados. Duas abordagens podem ajudar quando não for possível criar recursos perfeitamente alinhados:
Resumo de dados: Se você não consegue diferenciar compras de chá preto e de bubble tea, use um recurso agregado tea_orders_past_14d. Isso reduz um pouco a precisão, mas ainda ajuda o modelo a diferenciar clientes que preferem chá daqueles que preferem café.
Sinais indiretos: Recursos que não estão diretamente no espaço de ações ainda podem ser valiosos se tiverem uma relação lógica com ele. Por exemplo, dessert_purchased_past_30d é um bom indicador indireto da preferência por itens doces, o que provavelmente tem correlação com a preferência por bubble tea. O modelo consegue aprender com esses sinais indiretos mesmo sem uma correspondência direta de recursos.
O princípio por trás disso é que informações mais relevantes e granulares sempre ajudam, mas o modelo ainda consegue aprender com recursos imperfeitos. Comece com o que você tem e faça ajustes ao longo do tempo, à medida que mais dados ficarem disponíveis.