Resumen de resultados
El servicio de puntuación de resultados basado en IA de Genesys Predictive Engagement aprende a predecir los resultados de su negocio utilizando modelos de aprendizaje automático exclusivos para su empresa.
Predicción de resultados
Genesys Predictive Engagement utiliza la IA para predecir si un visitante alcanzará un objetivo empresarial concreto. Estos objetivos empresariales se denominan resultados. Para cada resultado que defina, hay un modelo de aprendizaje automático que evalúa el comportamiento de un visitante en comparación con el comportamiento de otros visitantes en su sitio web para determinar la puntuación del resultado del visitante. Los modelos de su organización son únicos para usted.
La puntuación de cada resultado representa la probabilidad de que el visitante logre el resultado comercial concreto, basándose en las acciones que el visitante ha realizado hasta el momento durante la sesión o en otras actividades relacionadas con el visitante que se incluyen en los eventos correspondientes (por ejemplo, la geolocalización).
El modelo actualiza la puntuación de un visitante para cada resultado en tiempo real, y las puntuaciones de un visitante pueden cambiar mientras navega por su sitio web.
Si un visitante se comunica con un agente, éste puede ver las puntuaciones de los resultados del visitante mientras ve el conjunto completo de datos del contexto del viaje del visitante. Además, las puntuaciones de los resultados pueden desencadenar mapas de acción que mejoren el compromiso del visitante en su sitio.Genesys Predictive Engagement supervisa todas las formas en que los visitantes llegan a sus páginas web e interactúan con ellas. Por ejemplo, si tiene un sitio de comercio electrónico, Genesys Predictive Engagement rastrea cómo los visitantes navegan por su sitio web y colocan artículos en su cesta de la compra a medida que avanzan hacia la página de pago.
- La forma en que un visitante alcanza una determinada puntuación de probabilidad es exclusiva de su empresa y su sitio web.
- Las puntuaciones de resultados y la ciencia de datos asociada se puntúan de una manera que cumple con el GDPR. Los científicos de datos de Predictive Engagement trabajan exclusivamente con datos anonimizados que cumplen con la GDPR.
Empiece a entrenar sus modelos
Cada uno de sus modelos de aprendizaje automático requiere formación antes de poder realizar predicciones.
Para iniciar la formación:
- Cree un resultado.
- Haga que los visitantes utilicen su sitio web rastreado. Para verificar la actividad del usuario, utilice Live Now.
Formación continua
El proceso de formación del modelo está totalmente automatizado. No necesita un científico de datos para iniciar, supervisar o mantener la formación. Su modelo se reentrena cada noche utilizando los datos de los últimos 30 días de sus usuarios. Además, el modelo se evalúa periódicamente y se vuelve a entrenar con datos nuevos.
Mientras el modelo se somete a reentrenamiento, las puntuaciones de los resultados se predicen utilizando la versión previamente entrenada del modelo. Durante el proceso de formación, los agentes pueden seguir trabajando con normalidad.
El modelo recién entrenado se somete a pruebas para garantizar que funciona mejor que la versión anterior en términos de precisión y recuperación. Si el nuevo modelo no funciona al menos tan bien como el anterior, se restablece el modelo anterior hasta que se recopilen más datos. No se conservan los modelos históricos.- Cuando se añade un nuevo resultado, el modelo de entrenamiento lo tiene en cuenta automáticamente.
- La formación y las predicciones automatizadas del modelo se realizan a partir de los eventos originales del recorrido del cliente, que no están anonimizados y suelen contener información de identificación personal.
Mejorar las predicciones
En general, cuanto más tiempo funcionen los modelos y más datos evalúen, mejores serán sus predicciones.
La mejor manera de mejorar las predicciones de un modelo es aumentar el número de resultados obtenidos. En general, el conjunto de datos debe contener varios cientos de ejemplos positivos para que el modelo esté adecuadamente entrenado para realizar predicciones fiables.
Hay otros factores que pueden afectar a la precisión del rendimiento de tu modelo, como:
- Número total de desplazamientos de visitantes registrados
- Frecuencia con la que se produce un resultado en los datos
- Riqueza de acontecimientos que produce el visitante
Propina
Puede excluir direcciones IP para evitar que los eventos generados internamente influyan en sus modelos.