决策表法测试用例_实时决策的实际用例

决策表法测试用例

我们生活在一个实时社会中，人们立即需要东西。 立即满足的冲动很强大，当前的按需经济反映了这一点。 为了与消费者的期望保持一致，企业越来越多地借助机器对机器通信，ihings互联网（IoT），人工智能和机器学习来实现流程自动化，从而实现更实时的交易。

随着对即时性的需求继续推动经济发展，各行各业的组织数量激增，他们致力于开发利用实时决策能力的新一代应用程序。 在这个由两部分组成的系列文章中，我将讨论用于实时决策的用例，这些用例展示了充分利用高速数据的企业的真实示例。

通过超个性化增强客户体验

个性化是推动机器学习发展和兴趣的最大用例之一。 当客户能够与产品或服务建立个人联系时，他们更有可能与品牌建立持久的关系。 虽然提供个性化体验的想法并不新鲜，但是随着交付相关的个性化内容的时间窗口不断缩短，成功实现个性化变得越来越困难。

考虑一个拥有数十万每日读者的在线新闻出版物。 通过摄取和处理用户的行为数据，出口可以改变每个用户的体验，存储各种用户事件数据以对站点的不同部分进行更改。 例如，实时决策和自动化为用户提供了广告拦截器，以确保使用替代的UI组件来帮助吸引网站访问者。 另一个示例是向用户提供个性化建议，使他们能够策划自己的网站版本，以包括他们最感兴趣的主题。超个性化系统根据主题兴趣和警报等偏好组合以及学习者的学习情况来学习读者的行为。通过浏览量，点击率，位置记录，共享的社交媒体信息以及其他网络活动来确定建议的文章的行为。

进一步迈向个性化，出版物正在使用实时分析来实施标题A / B测试，在系统选择面向未来读者的响应率最高的标题之前，实时发布和测试标题。 今天的新闻周期发展Swift-文章在几分钟之内就可以成为旧新闻，因此实时优化页面浏览量对于保持读者的参与至关重要。

利用机器学习预防广告欺诈

根据最近的研究 ，涉及欺诈性刷卡的商家更多地关注接受而不是预防。 尽管这种方法通过处理所有交易在短期内增加了收入，但它导致了欺诈偿还的长期损失以及对品牌声誉的打击，其损失甚至可能更加有害。 另一方面，过分谨慎会导致误报，这不仅会在短期内减少收入，还会导致客户流失。

传统欺诈检测方法的成本正在Swift增加，欺诈者不断创新以领先于对策，这使问题更加复杂。 做出正确的决定来接受或拒绝交易，并减少误报，对于吸引和留住客户和商人至关重要。 对于事务处理，标准很高。 该系统必须能够处理每秒数千次刷卡，网络功能虚拟化（NFV）抽头和每秒在线支付，且时间预算仅为毫秒，并且要求严格的一致性-由于节点关闭而丢失数据是不可接受的。

例如，当某人刷卡刷卡购买新衬衫时，数据库会立即通过复杂的逻辑运行数百个输入变量，例如位置，一天中的时间，最近的购买以及该零售商的先前交易，以确定是否在几毫秒内拒绝交易。

增加玩家保留率和ARPPU

游戏是无可争议的移动应用之王。 只需问20岁以下的人是否在玩Fortnite。 仅在2017年，移动游戏就产生了80％的应用程序支出，是PC游戏的两倍以上，而主机游戏的收入则是三倍以上，但是与前16名相比， 每位付费用户的整体平均收入 （ARPPU）仅为7美元ARPPU为50美元的移动游戏中所占的百分比。 保留率也是如此。行业专家认为，第7天保留率的保留率基准至少应达到15％（这意味着安装后第七天刚返回的用户数量），但2017年大多数游戏的徘徊率约为4％。

玩家玩游戏的平均时长只有五分钟，因此增加参与度和提高长期保留率在很大程度上取决于创造一种与玩家能力有关的体验，然后提供与之相关的及时，相关的应用内优惠当下重要的是特定玩家的需求。 为了成功实现这一目标，开发人员必须具备实施自适应游戏的能力，可以在每个玩家的基础上微调难度，以确保每个会话都具有足够的挑战性而不会感到无聊或沮丧。 从那里开始，可以优化应用内商品，以在需要的确切时刻提供正确的商品，例如，当玩家被困在某个关卡上或连续失败多次时。 届时玩家将更愿意购买生活或观看广告以获取竞争优势。

实时决策在当今与数据和技术的几乎每笔交易和交互中都占有一席之地。 在第二部分中，我将探讨这种即时性在物联网（IoT），通信服务提供商和金融交易中所起的作用。

翻译自: https://www.infoworld.com/article/3292991/practical-use-cases-for-real-time-decisioning.html

决策表法测试用例