Skip to main content

Établir un ordre de priorité des actions au moyen de l’IA

4 Tâches

20 mins

Visible to: All users
Débutant Pega Customer Decision Hub 8.6 Français

Scénario

Lorsqu’ils se connectent au site web de U+ Bank, les clients voient s’afficher les offres de carte de crédit auxquelles ils sont admissibles en fonction de la politique d’engagement définie par l’entreprise.

Si un client est admissible à plusieurs offres de carte de crédit, une intelligence artificielle (IA) choisit l’offre qui lui sera présentée.

L’entreprise comprend comment l’IA de Pega Customer Decision Hub™ fonctionne dans le contexte du canal web. Quand un client voit une offre mais ne clique pas dessus, l’IA considère cette réponse comme négative et réduit la propension de l’offre. Lorsque le client clique sur l’offre, la propension augmente.

Pour effectuer cette tâche, utilisez les identifiants suivants :

Rôle

Nom d’utilisateur

Mot de passe

Decisioning Analyst

CDHAnalyst

rules

Caution: Ce défi nécessite des artefacts spécifiques. Cliquez sur Initialize (Launch) Pega instance for this challenge pour accéder au système utilisé pour les exercices.

Vous devez réaliser les tâches suivantes :

Tâche 1 : Activer la propension en matière d’arbitrage

Dans la section Arbitration de Next-Best-Action Designer, conservez uniquement Propensity  activée pour vous assurer que le processus d’arbitrage fait uniquement appel à l'IA pour sélectionner l’action prioritaire.

Tâche 2 : Vérifier le comportement négatif

Accédez au site web de U+ Bank et connectez-vous plusieurs fois de suite au compte de Troy, mais ne cliquez pas sur l’offre. Vous remarquerez qu’après plusieurs connexions successives, la propension d’une offre baisse lorsque vous ne cliquez pas dessus. Utilisez le rapport sur l’historique des interactions pour examiner la valeur de la propension. Le Subject ID de Troy est 14.

Note: La valeur Priority est utilisée pour classer les actions par ordre de priorité et sélectionner l’action prioritaire. Comme seule la propension est activée, la valeur Priority est égale à la valeur Propensity. La seule différence est due à l’ajustement de la propension, sur laquelle nous ne nous attarderons pas dans cet exercice.

Tâche 3 : Vérifier le comportement positif

Connectez-vous au site à plusieurs reprises en prenant soin de cliquer sur une offre à chaque fois pour enregistrer un comportement positif, démontrer que l’IA apprend des actions client et que la propension d’une offre augmente pour les clients présentant un profil similaire.

Note: Le système décide du moment où l’apprentissage a lieu. Par conséquent, il est possible que vous remarquiez de légères variations de la propension plutôt qu’une hausse continue après chaque clic. Toutefois, plusieurs clics se traduiront en une propension accrue au fil du temps.

Tâche 4 : Examiner le modèle de l’IA

Enfin, dans Pega Customer Decision Hub, analysez le modèle d’IA à l’origine de l’action/du traitement.

Vous devez initier votre votre propre instance Pega pour compléter ce Défi.

L'initialisation peut prendre jusqu'à 5 minutes, donc soyez patient.

Présentation du défi

Détail des tâches

1 Activer la propension en matière d’arbitrage.

  1. Connectez-vous à Customer Decision Hub en tant que Decisioning Analyst à l’aide du nom d’utilisateur CDHAnalyst et du mot de passe rules
  2. Dans le volet de navigation à gauche, cliquez sur Next-Best-Action > Designer.
    NBA designer
  3. Dans Next-Best-Action Designer, cliquez sur Arbitration.
  4. Sur la page d’accueil Arbitration, cliquez sur Edit pour modifier les paramètres d’arbitrage.
    Arbitration landing page
  5. Dans la section Propensity, assurez-vous que le bouton à droite est activé.
    Enable propensity
  6. Faites défiler vers le bas jusqu’à Business levers.
    turn off Business Levers
  7. Désactivez le bouton à droite de Business levers.
    save arbitration
  8. En haut de la page d’accueil Arbitration, cliquez sur Save pour enregistrer les modifications apportées aux paramètres d’arbitrage afin que seule la propension, calculée par l’IA, soit impliquée dans l’arbitrage de l’action.

2 Vérifier le comportement négatif

  1. Sur la page d’accueil du système utilisé pour les exercices, cliquez sur U+ Bank pour ouvrir le site internet de U+ Bank.
    Launch U bank
  2. Dans le coin supérieur droit du site internet de U+ Bank, cliquez sur Log in pour vous connecter en tant que client.
  3. Dans la liste déroulante Username, assurez-vous que Troy est sélectionné, puis cliquez sur Sign in. Une offre s’affiche.
    Note: Ne cliquez pas sur l’offre ! Chaque fois que vous vous déconnectez puis que vous vous reconnectez, Troy se voit présenter une offre. Ne cliquez pas sur celle-ci.
  1. Connectez-vous à plusieurs reprises sans jamais cliquer sur l’offre.
  2. Dans Customer Decision Hub, cliquez sur Interaction History > Recent interactions.
    Access interaction history
     
    access recent interactions
    Note: Vous pouvez également voir la propension des actions qui ont été effectuées pour un client dans le rapport Recent interactions. Le Subject ID pour Troy est 14.
  1. Vous remarquerez que l’impression décroît à chaque interaction client.
    observe propensity values of troy
    Note: Les valeurs qui s’affichent dans le système varient en fonction du nombre de fois où vous vous connectez à l’application U+ Bank.

3 Vérifier le comportement positif

  1. Après avoir constaté l’impact d’un comportement négatif, cliquez sur Learn more sous l’offre. Connectez et déconnectez-vous à plusieurs reprises en prenant soin de cliquer sur Learn more à chaque nouvelle connexion. La propension de l’offre augmentera. Vous remarquerez qu’après trois connexions et clics sur Learn more, la propension augmente dans l’historique des interactions.
    propensity positive values
    Note: Le système décide du moment où l’apprentissage a lieu. Par conséquent, il est possible que vous remarquiez de légères variations de la propension plutôt qu’une hausse continue après chaque clic. Toutefois, plusieurs clics se traduiront en une propension accrue au fil du temps.

4 Examiner le modèle de l’IA

  1. Connectez-vous à Customer Decision Hub en tant que Decisioning Analyst.
  2. Dans le menu de gauche, accédez à Intelligence -> Prediction Studio pour afficher les modèles d’IA. Prediction Studio s’ouvrira alors.
    Prediction studio from cdh
  3. Cliquez sur Models pour consulter les modèles d’IA.
  4. Faites défiler vers le bas, localisez Web_Click_Through_Rate et cliquez pour ouvrir le modèle au niveau du traitement.
    web click-through rate model
    Note: Cet exercice ne porte pas sur une analyse des modèles d’IA. Nous nous contenterons d’analyser la liste des prédicteurs et les résultats déjà configurés par un Data Scientist.
  1. L’écran de suivi principal présente un aperçu de tous les modèles sur un canal donné :
    monitoring - web click-through rate
  2. Vous remarquerez, par exemple, que le modèle le plus performant est celui de la carte Rewards Plus, dont le score de performance est de 88,01 % environ. Et que le modèle suscitant le moins de réponses est celui de la carte Rewards (484 environ).
  3. L’onglet Predictors contient une liste des éléments prédictifs configurés au moment de la création de ce modèle. L’IA peut ne pas tous les utiliser.
    predictors - web click-through rate
  4. L’onglet Outcomes contient les résultats d’action mappés aux comportements positifs et négatifs. Vous remarquerez que Clicked est mappé comme comportement positif et que NoResponse est mappé comme comportement négatif.
  5. Dans l’onglet Monitor, ouvrez le rapport Model Report de l’un des modèles. Par exemple, le modèle Rewards Plus :
    Predictors -web click-through rate
    Note: La vue réelle des éléments prédictifs peut être différente en fonction du nombre de clics enregistré précédemment. 
  6. Dans l’onglet Predictors, cliquez sur un élément prédictif pour l’ouvrir. Examinez les valeurs uniques ou les plages de chiffres du prédicteur, ainsi que la valeur ou plage dont la propension est la plus élevée.
    Detailed predictor report
  7. Dans le coin supérieur gauche, utilisez le bouton de retour pour revenir en arrière.
    Back to predictors
  8. À la page Prediction Studio principale, ouvrez et actualisez également Omni_Adaptive_Model. Il s'agit du modèle au niveau de l’action.
    Omni Adaptive model
  9. Dans le coin inférieur gauche, cliquez sur Back to Customer Decision Hub pour revenir au portail Customer Decision Hub.
    Back to CDH
  10. Accédez à Content -> Actions, et ouvrez n’importe laquelle des actions de carte de crédit. Dans l’onglet Details de l’action, à droite, vous remarquerez qu’une liste d’éléments prédictifs utilisés par le modèle d’IA s’affiche. Ce modèle d’IA, OmniAdaptiveModel, est un modèle au niveau de l’action. Cela signifie que le modèle prévoit le comportement des clients, sans tenir compte d’un traitement spécifique.
    Exemple pour la carte Rewards Plus :
    Customer predictors
  11. Dans l’action, cliquez sur Treatments pour afficher le modèle d’IA au niveau du traitement.
  12. À côté du traitement web, cliquez sur l’icône Polaris pour afficher les détails du modèle d’IA au niveau de traitement.
    Polaris icon for rewards card
  13. La fenêtre contextuelle qui s’ouvre vous donne un aperçu du modèle d’IA au niveau du traitement. Vous pouvez voir le niveau de confiance actuel concernant les prévisions du comportement client et les prédicteurs utilisés pour effectuer les prévisions.
    Analytical model report for rewards plus card


Disponible dans la mission suivante :

If you are having problems with your training, please review the Pega Academy Support FAQs.

Did you find this content helpful?

Want to help us improve this content?

We'd prefer it if you saw us at our best.

Pega Academy has detected you are using a browser which may prevent you from experiencing the site as intended. To improve your experience, please update your browser.

Close Deprecation Notice