Hasonló ügyfelek keresése AI (előzetes verzió) segítségével

[Ez a cikk egy előzetes kiadási dokumentáció, amely a későbbiekben változhat.]

Hasonló ügyfelek keresése az ügyfélkörben mesterséges intelligencia használatával. A funkció használatához legalább egy szegmens létre kell hoznia. Egy meglévő szegmens feltételeinek kibővítése segít megtalálni az adott szegmens hasonló ügyfeleket.

Feljegyzés

Hasonló ügyfelek keresése automatizált eszközökkel értékeli ki az adatokat, és előrejelzéseket készít az adatok alapján. Ezért profilalkotási módszerként használható, mivel ezt a kifejezést különböző adatvédelmi törvények és rendeletek határozzák meg. A funkció ügyfelek általi használatára az adatok feldolgozására az említett törvények vagy előírások vonatkozhatnak. Ön felelős annak biztosításáért, hogy az Ön általi használat, beleértve az Dynamics 365 Customer Insights - Data előrejelzéseket is, megfeleljen az összes vonatkozó törvénynek és rendeletnek, beleértve a magánéletre, a személyes adatokra, a biometrikus adatokra, az adatvédelemre és a kommunikáció titkosságára vonatkozó törvényeket is.

Hasonló ügyfelek keresése

1. Nyissa meg az Elemzési szegmensek>oldalt, és válassza ki azt a szegmens, amelyre az új szegmens alapozni szeretné. Ez a forrásod szegmens.

2. Válassza a Hasonló ügyfelek keresése lehetőséget.

3. Tekintse át az új szegmens javasolt nevét, és szükség szerint módosítsa azt.

4. Ha szükséges, címkéket is hozzáadhat az új szegmens.

5. Tekintse át az új szegmenst definiáló mezőket. Ezek a mezők határozzák meg, hogy a rendszer milyen alapon próbálja megkeresni a hasonló ügyfeleket a forrásszegmensében. A rendszer alapértelmezés szerint kiválasztja az ajánlott mezőket. Szükség esetén adjon hozzá további mezőket. A modell teljesítményét jelentősen csökkentő mezők automatikusan ki vannak zárva:

   • A következő adattípusú mezők: StringType, BooleanType, CharType, LongType, IntType, DoubleType, FloatType, ShortType
   • A 2 nél kevesebb vagy 30-nál nagyobb számosságú (a mező elemeinek száma) mezők

6. Válassza ki, hogy a forrás szegmens kivételével minden ügyfelet fel szeretne-e venni, vagy csak egy másik szegmens lévő ügyfeleket szeretne szerepeltetni az új szegmens.

7. A rendszer alapértelmezés szerint azt javasolja, hogy a kimenetében a célközönség legfeljebb 20%-át adja meg. Szükség szerint szerkessze ezt a küszöböt. A küszöb növelése csökkenti a pontosságot.

8. Vegye fel az ügyfeleket a forrás szegmens a Tagok felvétele a forrásból szegmens a hasonló attribútumokkal rendelkező ügyfelek mellett jelölőnégyzet bejelölésével .

9. Válassza a Futtatás lehetőséget az oldal alján egy bináris besorolási feladat (gépi tanulás módszer) elindításához, amely elemzi az adatkészletet.

A hasonló szegmens megtekintése

A hasonló szegmens feldolgozása után az új szegmens az Elemzési>szegmensek oldalon Bővítés típussaljelenik meg.

Válassza a Nézet lehetőséget az eredmények hasonlósági pontszámok és hasonlósági pontszámértékek közötti eloszlásának megtekintéséhez szegmens tagok előzetes verzió alatt.

Hasonló szegmens kezelése

Hasonló szegmens dolgozhat és kezelhet, mint más szegmensekkel. Exportálja például a szegmenst, vagy kiépíthet egy mérőszámot.

Hasonló szegmens szerkesztése, frissítése, átnevezése, letöltése és törlése. Hasonló szegmens szerkesztése újra feldolgozza az adatokat. A korábban létrehozott szegmens frissülni a frissített adatokkal.

A hasonlósági pontszámokról

A bináris besorolású gépi tanulási modell egy pontszámot rendel hozzá a hasonló szegmensben lévő ügyfelekhez. A pontszám a forrás-szegmensben lévő ügyfelekhez való hasonlóságon alapul.

• A 0,55 alatti hasonlósági pontszámok olyan ügyfelek, akiknek a rendszer besorolása nem hasonló a forrásban szereplő ügyfelekhez szegmens
• A 0,55 és 0,7 közötti hasonlósági pontszámok némileg hasonlónak minősülnek
• A 0,7 és 0,85 közötti hasonlósági pontszámok hasonlónak minősülnek
• A 0,85 – 1 közötti hasonlósági pontszámok olyan ügyfelek, akiket a rendszer nagyon hasonlónak minősít

A 0,4 alatti hasonlósági pontszámú ügyfelek nem szerepelnek a modell kimenetében. A rendszer ezeket nem tartja eléggé hasonlónak a forrásszegmenshez.