ML Models

Η σελίδα ML Models εμφανίζει τα μοντέλα machine learning που τροφοδοτούν προβλέψεις σε όλο το workspace σας - και σάς επιτρέπει να ελέγχετε την κατάστασή τους, πότε εκπαιδεύτηκαν τελευταία και να ενεργοποιείτε εκπαίδευση μη αυτόματα.

Μεταβείτε στις Ρυθμίσεις → ML Models από την πλαϊνή γραμμή.

Τα μοντέλα

Εμφανίζονται έξι μοντέλα επιπέδου workspace:

Μοντέλο	Τι κάνει
Send-Time Optimization	Προβλέπει την καλύτερη ώρα και ημέρα αποστολής μηνυμάτων για μέγιστο engagement
Personalized Paths	Προβλέπει ποια διαδρομή experiment θα μετατρέψει καλύτερα για κάθε χρήστη
Churn Prediction	Εντοπίζει χρήστες που κινδυνεύουν να γίνουν ανενεργοί
Channel Preference	Προβλέπει το καλύτερο κανάλι messaging για κάθε χρήστη
Engagement Scoring	Βαθμολογία 0-100 από δημοσιευμένο τύπο - όχι εκπαιδευμένο μοντέλο, άρα ακριβής και πάντα ενημερωμένη
Predicted CLV	Προβλέπει την αναμενόμενη δαπάνη κάθε πελάτη τις επόμενες 90 ημέρες, καθώς και την πιθανότητα να παραμένει ενεργός (predicted customer lifetime value)

Κάθε μοντέλο εκπαιδεύεται ανά workspace, στα δικά σας δεδομένα συμβάντων workspace - όχι σε συγκεντρωμένα δεδομένα άλλων πελατών.

Ανάγνωση κάρτας μοντέλου

Κάθε κάρτα εμφανίζει:

• Status - ένα από:

  Κατάσταση	Σημασία
  Not Trained	Δεν υπάρχει ακόμη μοντέλο για αυτό το workspace
  Training...	Εκτελείται αυτή τη στιγμή job εκπαίδευσης
  Trained	Υπάρχει μοντέλο που εξυπηρετεί προβλέψεις
  Failed	Η τελευταία προσπάθεια εκπαίδευσης απέτυχε· η κάρτα εμφανίζει μήνυμα σφάλματος

• Version - η τρέχουσα έκδοση μοντέλου, εμφανίζεται όταν υπάρχει μοντέλο.

• Last Trained - σχετικός χρόνος τελευταίας επιτυχημένης εκπαίδευσης ή Never.

• Accuracy - το metric αξιολόγησης μοντέλου από την τελευταία εκπαίδευση, όταν είναι διαθέσιμο.

Οι καταστάσεις ανανεώνονται αυτόματα κάθε 30 δευτερόλεπτα όσο η σελίδα είναι ανοιχτή.

Τα μοντέλα ενεργοποιούνται καθώς συσσωρεύονται δεδομένα

Τα μοντέλα δεν μπορούν να εκπαιδευτούν σε άδειο workspace. Κάθε μοντέλο χρειάζεται αρκετό ιστορικό συμβάντων - και αρκετή ποικιλία σε αυτό - πριν παράξει κάτι:

• Αν δεν υπάρχουν αρκετά δεδομένα, η εκπαίδευση αποτυγχάνει με μήνυμα όπως «Not enough data to train - continue using the platform to generate training data.»
• Αν τα δεδομένα δεν έχουν ποικιλία (π.χ. το churn prediction χρειάζεται και ενεργούς και ανενεργούς χρήστες), η εκπαίδευση αποτυγχάνει με επεξηγηματικό σφάλμα.

Αυτό είναι αναμενόμενο για νέα workspaces. Συνεχίστε την παρακολούθηση συμβάντων και την αποστολή μηνυμάτων· τα μοντέλα ενεργοποιούνται και βελτιώνονται καθώς συσσωρεύεται πραγματική κίνηση. Κατάσταση Failed ή Not Trained νωρίς δεν είναι ελάττωμα.

Συχνότητα εκπαίδευσης

Μόλις το workspace έχει δραστηριότητα συμβάντων, τα μοντέλα επανεκπαιδεύονται αυτόματα σε σταθερό πρόγραμμα (όλες οι ώρες UTC):

Μοντέλο	Πρόγραμμα
Engagement Scoring	Επανυπολογίζεται καθημερινά στις 02:00 (χωρίς εκπαίδευση - είναι τύπος)
Personalized Paths	Καθημερινά στις 03:30
Predicted CLV	Καθημερινά
Churn Prediction	Εβδομαδιαία, Δευτέρα στις 03:00
Send-Time Optimization	Εβδομαδιαία, Τρίτη στις 03:00
Channel Preference	Εβδομαδιαία, Τετάρτη στις 03:00

Μετά από κάθε προγραμματισμένη επανεκπαίδευση, τα scores επιπέδου χρήστη ανανεώνονται ώστε τα τμήματα που βασίζονται σε αυτά να παραμένουν ενημερωμένα.

Οι προγραμματισμένες εκτελέσεις καλύπτουν workspaces με δραστηριότητα συμβάντων τις τελευταίες 90 ημέρες· αδρανές workspace παραλείπεται μέχρι να αρχίσουν να ρέουν ξανά συμβάντα.

Μη αυτόματη εκπαίδευση

Δεν χρειάζεται να περιμένετε το πρόγραμμα. Επιλέξτε Train Now σε οποιαδήποτε κάρτα και επιβεβαιώστε για άμεση έναρξη εκπαίδευσης - χρήσιμο μετά από έκρηξη νέων δεδομένων ή για επανάληψη μετά από αποτυχία.

• Η εκπαίδευση εκτελείται στο παρασκήνιο και μπορεί να πάρει λίγα λεπτά.
• Το κουμπί απενεργοποιείται όσο αυτό το μοντέλο εκπαιδεύεται ήδη.
• Αν αποτύχει η εκπαίδευση, η κάρτα εμφανίζει το σφάλμα ώστε να ξέρετε αν είναι πρόβλημα δεδομένων (περιμένετε περισσότερη κίνηση) ή κάτι προς αναφορά.

Πού χρησιμοποιούνται οι προβλέψεις

• Send-Time Optimization - τροφοδοτεί βελτιστοποίηση χρόνου αποστολής κατά τον προγραμματισμό μηνυμάτων.
• Personalized Paths - οδηγεί τον κόμβο Experiment journey σε personalized mode, επιλέγοντας την καλύτερη διαδρομή ανά χρήστη. Μέχρι να εκπαιδευτεί το μοντέλο, το experiment επιστρέφει σε απλό random split.
• Churn Prediction, Engagement Scoring, Channel Preference - τα scores ανά χρήστη είναι διαθέσιμα ως φίλτρα τμημάτων (engagement score, churn risk, channel preference), ώστε να στοχεύετε κοινά απευθείας με αυτά.
• Predicted CLV - προβλέπει την πιθανή δαπάνη κάθε πελάτη τον επόμενο χρόνο· εκτίθεται ως e-commerce segment filters (Predicted CLV amount και Predicted CLV tier). Δείτε RFM Analysis.

Event-specific likelihood models (π.χ. «πιθανό να αγοράσει σε 30 ημέρες») ρυθμίζονται ξεχωριστά - δείτε Predictive Events.

Αντιμετώπιση προβλημάτων

• Όλα λένε Not Trained - φυσιολογικό για νέο workspace. Τα μοντέλα χρειάζονται πρώτα πραγματική κίνηση συμβάντων· περιμένετε τις προγραμματισμένες εκτελέσεις ή επιλέξτε Train Now όταν έχετε ουσιαστικά δεδομένα.
• Απέτυχε με σφάλμα ποικιλίας δεδομένων - το μοντέλο χρειάζεται αντιθετικά παραδείγματα (π.χ. και engaged και inactive χρήστες). Αυτό επιλύεται καθώς διαφοροποιείται η συμπεριφορά του κοινού.
• Αποτυχία φόρτωσης κατάστασης μοντέλου - η σελίδα δεν μπόρεσε να φτάσει την υπηρεσία ML· οι εμφανιζόμενες καταστάσεις ίσως είναι παρωχημένες. Ανανεώστε τη σελίδα.

Σημειώσεις

• Η προβολή αυτής της σελίδας απαιτεί πρόσβαση ρυθμίσεων στον ρόλο σας.
• Τα μοντέλα αποθηκεύονται και εξυπηρετούνται ανά workspace· η αλλαγή workspace εμφανίζει τις καταστάσεις μοντέλων αυτού του workspace.

Σχετικά

• Predictive Events - Εκπαιδεύστε likelihood models για συγκεκριμένα συμβάντα
• Δημιουργία τμημάτων - Χρησιμοποιήστε model scores σε φίλτρα τμημάτων