Aperçu des résultats

Chaque score de résultat représente la probabilité que le visiteur atteigne le résultat commercial particulier, sur la base des actions que le visiteur a effectuées jusqu'à présent au cours de la session ou d'autres activités liées au visiteur qui sont incluses dans les événements appropriés (par exemple, la géolocalisation).

Le modèle met à jour le score d'un visiteur à la hausse et à la baisse au fur et à mesure qu'il navigue sur votre site web, en montrant qu'il se rapproche ou s'éloigne de l'atteinte des résultats pour chaque résultat en temps réel.

Les modèles de votre organisation sont uniques.

Si un visiteur communique avec un agent, ce dernier peut voir les résultats du visiteur tout en consultant l'ensemble des données contextuelles du parcours du visiteur. De plus, les scores des résultats peuvent déclencher des plans d'action qui renforcent l'engagement d'un visiteur sur votre site.

Genesys Predictive Engagement surveille toutes les façons dont les visiteurs arrivent sur vos pages Web et interagissent avec elles. Par exemple, si vous êtes un site de commerce électronique, Genesys Predictive Engagement suit la façon dont les visiteurs naviguent sur votre site et placent des articles dans leur panier lorsqu'ils passent à la page de paiement.

Pour plus d'informations, voir A propos des données que nous suivons.

Chacun de vos modèles d'apprentissage automatique nécessite une formation avant de pouvoir faire des prédictions.

Pour commencer la formation :

1. Créer un résultat avec l'option de notation des résultats activée. Lorsque vous ajoutez une nouvelle issue, la notation de l'issue est désactivée par défaut et aucune formation de modèle n'a lieu.
2. Si vous souhaitez utiliser le résultat pour faire des prédictions, activez la notation des résultats pour le nouveau résultat. Vous pouvez activer la notation des résultats pour un maximum de 10 résultats. 
3. Faites en sorte que les visiteurs utilisent votre site web suivi. Pour vérifier l'activité des utilisateurs, utilisez Live Now.

Une fois ces étapes terminées, la formation au modèle commence automatiquement dans les 24 heures. La formation et les prédictions du modèle automatisé sont effectuées sur les événements originaux du parcours du client, qui ne sont pas anonymisés et contiennent généralement des IPI. Le processus de formation s'achève et le modèle est prêt à fonctionner avant le début du jour ouvrable suivant.

Le processus d'apprentissage des modèles est entièrement automatisé, de sorte que vos modèles sont toujours à jour et évoluent en fonction du comportement de vos clients ou de votre site web. Vous n'avez pas besoin d'un scientifique des données pour lancer, suivre ou maintenir la formation. Votre modèle est ré-entraîné chaque nuit en utilisant les sept derniers jours de vos données d'utilisateur. En outre, votre modèle est évalué périodiquement et réentraîné sur des données fraîches.  

Pendant que le modèle subit un réentraînement, les résultats sont prédits à l'aide de la version précédente du modèle. Pendant le processus de formation, les agents peuvent continuer à travailler normalement.

En général, plus vos modèles fonctionnent longtemps et plus ils évaluent de données, meilleures sont leurs prédictions.

La meilleure façon d'améliorer les prédictions d'un modèle est d'augmenter le nombre de résultats obtenus. En général, votre ensemble de données doit contenir plusieurs centaines d'exemples positifs pour que votre modèle soit suffisamment entraîné pour faire des prédictions fiables.

D'autres facteurs peuvent affecter la précision des performances de votre modèle, notamment :

• Nombre total de déplacements de visiteurs enregistrés
• Fréquence d'apparition d'un résultat dans les données
• Richesse des événements produits par le visiteur