Überblick über die Ergebnisse

Der KI-gestützte Ergebnisbewertungsservice von Genesys Predictive Engagement lernt mit Hilfe von maschinellen Lernmodellen, die auf Ihr Unternehmen zugeschnitten sind, Ihre Geschäftsergebnisse vorherzusagen.

Ergebnisse sind Ereignisse, die es Ihnen ermöglichen Zu Verfolgen Sie die Erreichung eines Geschäftsziels. Sie können die aggregierte Berichterstattung über die Anzahl der Erfolge und den damit verbundenen Wert anzeigen. Die Funktion zur Bewertung von Predictive Engagement-Ergebnissen verwendet diese Ergebnisereignisse, um Ihr Geschäftsergebnis vorherzusagen s Verwendung von maschinellen Lernmodellen, die auf Ihre Kunden zugeschnitten sind. Du kann bis zu 100 Ergebnisse erstellen und die Ergebnisbewertung für bis zu 10 Ergebnisse pro Organisation ermöglichen.

Vorhersage von Ergebniswerten

Jeder Ergebniswert stellt die Wahrscheinlichkeit dar, dass der Besucher ein bestimmtes Geschäftsergebnis erreicht, basierend auf den Aktionen, die der Besucher bisher während der Sitzung durchgeführt hat, oder auf anderen Aktivitäten im Zusammenhang mit dem Besucher, die in den entsprechenden Ereignissen enthalten sind (z. B. Geolocation).

Das Modell aktualisiert die Punktzahl eines Besuchers sowohl nach oben als auch nach unten, während dieser auf Ihrer Website navigiert, und zeigt in Echtzeit an, wie weit er sich von den Zielen für jedes Ergebnis entfernt oder nähert.

Für bis zu 10 von Ihnen definierte Ergebnisse gibt es ein Modell für maschinelles Lernen, das das Verhalten eines Besuchers anhand des Verhaltens anderer Besucher auf Ihrer Website bewertet, um die Ergebnisbewertung des Besuchers zu ermitteln. Die Modelle Ihrer Organisation sind einzigartig für Sie.

Wenn ein Besucher mit einem Agenten kommuniziert, kann der Agent die Ergebnisse des Besuchers sehen, während er den kompletten Satz von Kontextdaten der Reise des Besuchers sieht. Außerdem können die Ergebniswerte Aktionskarten auslösen, die das Engagement eines Besuchers auf Ihrer Website erhöhen.
Hinweis: Da unser interner Service das Training und den Einsatz der Modelle übernimmt, ist es nicht möglich, kundenspezifische Modelle mit Genesys Predictive Engagement einzusetzen. Unser Team erforscht und integriert neue Algorithmen in den Scoring-Dienst auf der Grundlage von Kundenanwendungsfällen.

Wie Genesys Predictive Engagement Daten zur Ergebniswahrscheinlichkeit sammelt

Genesys Predictive Engagement überwacht alle Wege, auf denen Besucher auf Ihre Webseiten gelangen und mit ihnen interagieren. Wenn Sie zum Beispiel eine E-Commerce-Website betreiben, kann Genesys Predictive Engagement verfolgen, wie Besucher auf Ihrer Website navigieren und Artikel in den Warenkorb legen, während sie zur Kasse gehen.

Hinweis:
  • Wie ein Besucher einen bestimmten Wahrscheinlichkeitswert erreicht, hängt von Ihrem Unternehmen und Ihrer Website ab.
  • Die Ergebnisbewertung und die damit verbundene Datenwissenschaft werden GDPR-konform bewertet. Die Datenwissenschaftler von Predictive Engagement arbeiten ausschließlich mit anonymisierten, GDPR-konformen Daten.
Weitere Informationen finden Sie unter Über die Daten, die wir verfolgen .

Beginnen Sie mit dem Training Ihrer Modelle

Jedes Ihrer Modelle für maschinelles Lernen muss trainiert werden, bevor es Vorhersagen treffen kann.

So beginnen Sie die Ausbildung:

  1. Erstellen eines Ergebnisses mit aktivierter Ergebnisbewertung . Wenn Sie ein neues Ergebnis hinzufügen, ist die Ergebnisbewertung standardmäßig deaktiviert und es erfolgt kein Modelltraining.
  2. Wenn Sie das Ergebnis zum Erstellen von Vorhersagen verwenden möchten, aktivieren Sie die Ergebnisbewertung für das neue Ergebnis. Sie können die Ergebnisbewertung für bis zu 10 Ergebnisse aktivieren. 
  3. Lassen Sie Besucher Ihre getrackte Website nutzen. Um die Benutzeraktivität zu überprüfen, verwenden Sie Live Now.
Nachdem Sie diese Schritte abgeschlossen haben, beginnt das Modelltraining automatisch innerhalb von 24 Stunden. Automatisiertes Modelltraining und Vorhersagen werden anhand der ursprünglichen Customer Journey-Ereignisse durchgeführt, die nicht anonymisiert sind und im Allgemeinen personenbezogene Daten enthalten. Der Trainingsprozess ist abgeschlossen und das Modell ist vor Beginn des nächsten Arbeitstages einsatzbereit.
Hinweis: Im Abschnitt Outcome Scores sehen Sie zunächst nur einen grünen Balken mit einem Häkchen daneben. Dieser Balken zeigt an, dass die Ergebnisbedingung erfüllt wurde. Sie können die Ergebniswerte sehen, nachdem Ihr Modell trainiert wurde.

Fortlaufende Schulung

Der Modelltrainingsprozess ist vollständig automatisiert, sodass Ihre Modelle immer auf dem neuesten Stand sind und sich an Änderungen des Kundenverhaltens oder der Website anpassen. Sie brauchen keinen Datenwissenschaftler, um die Schulung zu beginnen, zu überwachen oder zu pflegen. Ihr Modell wird jede Nacht mit den Benutzerdaten der letzten sieben Tage neu trainiert. Außerdem wird Ihr Modell regelmäßig ausgewertet und mit neuen Daten neu trainiert.  

Während das Modell neu trainiert wird, werden die Ergebnisse anhand der zuvor trainierten Version des Modells vorhergesagt. Während des Schulungsprozesses können die Agenten wie gewohnt weiterarbeiten.

Verbesserung der Vorhersagen

Im Allgemeinen gilt: Je länger Ihre Modelle laufen und je mehr Daten sie auswerten, desto besser sind ihre Vorhersagen.

Der beste Weg, die Vorhersagen eines Modells zu verbessern, besteht darin, die Anzahl der erzielten Ergebnisse zu erhöhen. Im Allgemeinen sollte Ihr Datensatz mehrere hundert positive Beispiele enthalten, damit Ihr Modell ausreichend trainiert ist und zuverlässige Vorhersagen machen kann.

Andere Faktoren können die Genauigkeit der Leistung Ihres Modells beeinträchtigen, z. B:

  • Gesamtzahl der erfassten Besucherreisen
  • Häufigkeit des Auftretens eines Ergebnisses in den Daten
  • Reichtum an Ereignissen, die der Besucher hervorbringt

Hinweis: Du kannst IP-Adressen ausschließen um zu verhindern, dass intern generierte Ereignisse Ihre Modelle beeinflussen.