予測の紹介

仕組み

Tealium Predictは、マシンラーニングテクノロジーを組み込んだ製品であり、複雑なルール（マシンラーニング）を使用するTealium AudienceStream CDP製品と組み合わせて使用します。また、このテクノロジーを抽出し、完全に管理された機能を実現することもできます。この製品をAudienceStreamと組み合わせると、よりインテリジェントなオーディエンスの構築と作成を実施し、社内のテクノロジースタック全体で使用できる、信頼性の高いマシンラーニングインサイトを有効にすることができます。

Tealium Predictを使用すると、訪問者の行動に関する意味のある予測を行うデータモデルの作成、最適化、デプロイを実施できます。デプロイ済みモデルは、予測の出力属性を使用する形でTealiumによってリアルタイムで管理されます。モデルのトレーニングとデプロイが終了した後、開発ユーザーがこの属性を使用できます。その後、数回クリックするだけで、新しい出力属性を使用するモデルを作成できます。このモデルはただちに使用でき、AudienceStream内でのアクションが可能です。

主な利点

Tealium Predictの主な利点は、以下のとおりです。

• 実装全体でマシンラーニングのインテリジェンスを活用 1,200を上回るTealiumの統合のうち任意のものを使用して、予測インサイトを自動的に有効にすることができます。
• 簡素化 Tealium Predictを使用すると、データサイエンティストまたは専門チームの必要なしで、マシンラーニングの実装を簡素化できます。モデルを作成して、デプロイし、コードを1行も作成せずにAudienceStreamの中でそのモデルの価値を有効にすることができます。
• カスタマーのアクションを予測 カスタマーが将来、どのような行動を実行する可能性が高いか、という結論を自動的に導き、これらのニーズに直接取り組むカスタマイズ済みプログラムを設計することができます。
• パーソナライゼーション Tealium Customer Data Hubにより、意味のある訪問者パーソナライゼーションデータをピンポイントで特定できます。
• ユーザーデータに関係するマシンラーニングプロジェクトに費やす期間を短縮 データ収集とデータの有効化は、マシンラーニングのインテリジェンスにネイティブ統合されます。その結果、データの準備と有効化に費やす期間を大幅に短縮できます。
• 予測の可能性を含めたカスタマーのスコアリング モデル内に組み込まれているテクノロジーを使用して、訪問者に関するスコアを生成し、その訪問者が再アクセスするか特定の行動を完了させる可能性を提示することもできます。その後、それらのスコアを活用してオーディエンスを生成し、再エンゲージメントキャンペーンなど、いっそうの積極的なアクションを起こすこともできます。

予測しようとする要因を選択

ターゲット属性とは、AudienceStream属性のうち、予測しようとする訪問者の行動を定義または通知する属性であり、Tealium Predictの任意のモデルで使用できます。このターゲット属性は、Boolean/Flag（ブール値/フラグ）、またはBadge（バッジ）型どちらかの属性であること、さらにVisit（訪問）またはVisitor（訪問者）をスコープにしていることが求められます。

ターゲット属性の選択

Tealium Predictを使用してモデルを作成する場合、AudienceStreamデータセットのうち、ターゲット属性になる可能性のあるものが表示されます。各属性の右にある、[Ready]または[Not Ready]というレーティングは、選択されている属性がトレーニングの準備ができているかどうかを示します。このレーティングを使用すると、モデルを作成するために準備ができているのがどのフラグとバッジであるのか明白になるので、モデルの作成が簡素化されます。[Not Ready]というレーティングは、その属性が他のコンテキストで問題になっている、という意味ではありません。単純に、この属性は現時点でTealium Predictモデルのトレーニングを成功させるには不十分とみなされている、という意味です。

一般的に、マシンラーニングテクノロジーを成功させるには、相対的にかなりの量のデータが必要であり、大量のデータを使用してトレーニングを実施する方が、マシンラーニングモデルはより良い結果をもたらします。

ターゲット属性が[Ready]または[Not Ready]のどちらであるかを定義するのは、次の2つの要因です。

• その属性に対応するデータの量
• その量のうち、true値とfalse値の間の分布。

trueとfalse両方のグループが、最小のしきい値を上回っている必要があります。たとえば、Training Date Range（トレーニング期間）全体にまたがる日付の場合、TrueとFalseの各訪問者に関して中央値にあたる1日の件数は、200以上であることが求められます。ターゲット属性に関して最も多くのオプションを提供できるように、このしきい値は内部でできるだけ小さい値に設定されます。[Not Ready]というラベルの付いたターゲット属性を使用しているモデルは、通常はトレーニングプロセスの間に失敗します。そのモデルでトレーニングを実施するには、データが不十分だからです。

使用することを考えているターゲット属性に[Not Ready]というラベルが付いている場合、以下の一般的なソリューションのいずれかを試してください。

• より多くのデータが蓄積されるのを待ちます。より長い期間が経過すると、この問題はたいていの場合、自動的に解決します。
• AudienceStreamデータソースに、より多くのトラフィックを誘導するいくつかの方法を特定します。
• AudienceStreamプロファイルに別のデータソースを追加し、そのターゲットに関する1日のデータ量が増えるようにします。

このテクノロジーの詳細

マシン ラーニング テクノロジーの詳細については、 マシン ラーニングのコンセプトとテクノロジーを参照してください。