成果の概要

Genesys Predictive EngagementのAIを活用した成果スコアリングサービスは、お客様のビジネスに特化した機械学習モデルを用いて、お客様のビジネス成果を予測するよう学習します。

アウトカムスコアの予測

Genesys Predictive Engagementは、AIを用いて、訪問者が特定のビジネス目的を達成するかどうかを予測します。これらのビジネス目標は、 アウトカム と呼ばれます。定義された各結果に対して、機械学習モデルがあり、訪問者の行動をウェブサイト上の他の訪問者の行動と比較して評価し、訪問者の結果スコアを決定します。あなたの組織のモデルは、あなただけのものです。

各成果スコアは、セッション中に訪問者がこれまでに行った行動や、適切なイベントに含まれる訪問者に関連する他の活動（例えば、ジオロケーション）に基づき、訪問者が特定のビジネス成果を達成する可能性を表しています。

このモデルは、各結果に対する訪問者のスコアをリアルタイムで更新し、訪問者がウェブサイトを閲覧するたびにスコアが変化することがあります。

訪問者がエージェントと通信した場合、エージェントは訪問者のジャーニーコンテキストデータ一式を見ながら、訪問者のアウトカムスコアを見ることができます。また、結果スコアは、サイト訪問者のエンゲージメントを高めるアクションマップのトリガーとなります。

注意： モデルのトレーニングやデプロイは社内サービスで行うため、Genesys Predictive Engagementでお客様固有のモデルをデプロイすることはできません。私たちのチームは、お客様のユースケースに基づき、新しいアルゴリズムを調査し、スコアリングサービスに統合しています。

Genesys Predictive Engagementによる成果確率のデータ収集方法

Genesys Predictive Engagementは、訪問者がWebページにたどり着き、どのようにインタラクションを行うかをすべて監視しています。例えば、Eコマースサイトの場合、Genesys Predictive Engagementは、訪問者がどのようにウェブサイトをナビゲートし、チェックアウトページに進んでショッピングカートに商品を入れるかを追跡します。

メモ：

訪問者がどのように一定の確率のスコアを獲得するかは、あなたのビジネスやウェブサイトに固有のものです。
アウトカムスコアと関連するデータサイエンスは、GDPRに準拠した方法で採点されます。 Predictive Engagementのデータサイエンティストは、匿名化されたGDPR準拠のデータのみを対象としています。

詳細については、当社が追跡するデータについてをご覧ください。

モデルのトレーニングを開始

機械学習の各モデルが予測を行うには、学習が必要です。

トレーニングを開始するには

アウトカムを作成する.
訪問者に追跡型ウェブサイトを利用してもらう。ユーザーの活動を確認するには、 Live Now をご利用ください。

これらの手順を完了すると、24時間以内にモデルの学習が自動的に開始されます。トレーニングが完了し、翌営業日の開始時刻までにモデルが使えるようになります。

注意： 最初は、 Outcome Scores のセクションに、横にチェックの入った緑のバーが表示されるだけです。このバーは、成果条件が満たされたことを示す。モデルの学習が完了すると、結果のスコアが表示されます。

継続的なトレーニング

モデルの学習プロセスは完全に自動化されています。トレーニングの開始、監視、維持にデータサイエンティストは必要ありません。モデルは毎晩、過去30日分のユーザーデータを使って再トレーニングされます。また、モデルは定期的に評価され、新鮮なデータで再トレーニングされます。

モデルの再トレーニング中は、以前にトレーニングされたモデルを用いて結果のスコアを予測する。トレーニングの間、エージェントは通常通り仕事を続けることができます。

新しく学習させたモデルは、精度と再現性の面で以前のバージョンよりも性能が向上していることを確認するためにテストされます。新しいモデルが前のモデルと同等以上に機能しない場合、より多くのデータが集まるまで前のモデルに戻されます。歴史的モデルは保持しない。

メモ：

新しい結果を追加すると、モデル学習は自動的にその結果を考慮します。

自動化されたモデルのトレーニングと予測は、匿名化されておらず、一般的に個人情報を含むオリジナルのカスタマージャーニーイベントに対して実行されます。

予測精度の向上

一般に、モデルの実行時間が長く、評価するデータが多いほど、予測精度は高くなります。

モデルの予測精度を向上させる最善の方法は、達成された結果の数を増やすことです。一般に、信頼性の高い予測を行うためにモデルを十分に学習させるには、データセットに数百の正の例が含まれている必要があります。

その他の要因も、モデルの性能の精度に影響を与える可能性があります。

訪問者移動の記録総数
データ中のある結果が発生する頻度
来場者が演出するイベントの豊かさ
ヒント:

IPアドレスを除外することができます内部で発生したイベントがモデルに影響を与えないようにすることができます。