Karar motoru
Her kullanıcı için seçenekler arasından en iyisini davranıştan öğrenerek seçer. A/B testi tek kazanan seçer; karar motoru kullanıcı grupları arasındaki farkı görür ve öğrenmeye devam eder.
Her kullanıcı için seçenekler arasından en iyisini davranıştan öğrenerek seçer. A/B testi tek kazanan seçer; karar motoru kullanıcı grupları arasındaki farkı görür ve öğrenmeye devam eder.
Panelde Karar Motoru sayfasından veya API ile yönetilir.
POST /v1/apps/{appId}/decision-agents
Authorization: Bearer <admin kapsamlı anahtar>
{
"slug": "teklif",
"name": "Teklif seçimi",
"arms": [{ "id": "indirim", "label": "Yüzde 10 indirim" }, { "id": "kargo", "label": "Kargo bedava" }],
"reward_events": ["purchase"],
"reward_window_hours": 72,
"holdout_percent": 10,
"context_prediction": "kayip",
"use_best_channel": true
}| Alan | Açıklama |
|---|---|
arms | 2–8 seçenek. Sonradan değişmez, çünkü öğrenme onlara bağlıdır. Yeni seçenekler için yeni ajan oluşturun |
reward_events | Başarı sayılan olaylar |
reward_window_hours | Karardan sonra ödül beklenen süre, 1–720 saat, varsayılan 72 |
holdout_percent | Rastgele dağıtılan kontrol payı, 0–50, varsayılan 10 |
context_prediction | İsteğe bağlı öngörü modeli kısa adı: ajan skor kovasına göre ayrı öğrenir |
use_best_channel | En iyi kanalı bağlam olarak kullanır |
Otomasyonda kullanma
Akıllı karar adımını ekleyin ve ajanı seçin. Her seçenek ayrı bir kol olur. Adım mesaj göndermez, her kola kendi içeriğiyle gönderim adımı ekleyin. Tercih ve bastırma kuralları gönderim adımında uygulanır.
Ajan duraklatılırsa veya silinirse kullanıcı Ulaşılamıyor koluna gider. Kolları boş bırakmayın.
Uygulamadan kullanma
POST /v1/apps/{appId}/decision-agents/{id}/decide
Authorization: Bearer <notifications:write kapsamlı anahtar>
{ "external_id": "musteri-42" }Yanıt arm_id, label, policy ve context döner. Karar kaydedilir, ödül olayı geldikçe ajan öğrenir.
Nasıl karar verir
Thompson örneklemesi kullanılır: her seçeneğin başarı oranı için bir olasılık dağılımı tutulur, bu dağılımlardan örnek çekilir, en yüksek örnek seçilir. Az denenen seçenek belirsiz olduğu için şans bulur, kanıtlanan seçenek öne geçer. Dil modeli kullanılmaz, kişisel veri dışarı çıkmaz.
- Bağlamda 30'dan az sonuçlanmış deneme varsa genel istatistik kullanılır.
- Yalnızca sonuçlanmış denemeler sayılır: ödül almış ya da penceresi kapanmış. Süren deneme başarısız sayılmaz.
- Son 90 günün verisi kullanılır: davranış değişince öğrenme de değişir.
- Ödüller 10 dakikada bir işlenir.
Kazancı okuma
GET /decision-agents/{id}/report öğrenen politikayı kontrol grubuyla karşılaştırır. significant yalnızca fark istatistiksel olarak anlamlıysa (p < 0,05) ve öğrenen önde ise true olur. Panel de öyle söyler: "Henüz kanıt yok" yazıyorsa kazanç iddia etmeyin.
holdout_percent: 0 ile kazanç ölçülemez.
Sınırlar
- Ajan kötü seçeneği de bir süre gösterir: öğrenmenin bedeli budur. Hassas içerikte seçenekleri buna göre belirleyin.
- App başına en çok 20 ajan. Ajan silinince öğrenme de silinir.
- Kampanyada kullanılmaz: kampanya tek içerik gönderir, otomasyon kollanır.
Otomasyonlar (Faz 11)
Otomasyon, kullanıcıyı bir tetikleyiciyle içeri alıp bekleme, koşul, dallanma ve gönderim adımlarından geçiren otomatik akıştır (eski sağlayıcı Journeys eşdeğeri). API'de kaynak adı journeys, alan adı journey_id, olay…
A/B testi ve holdout (Faz 12)
Kampanya ve otomasyon gönderimlerinde içerik varyantlarını karşılaştırma, kontrol (holdout) grubu ile artımlı etkiyi ölçme ve kazananı otomatik/elle seçme. Tasarım kararları: ADR-0019. Ortak kod:…