​

概要

Campaign Decisioningは、個々の顧客に対する次の最適な意思決定をリアルタイムで自律的に判断する、人工知能の特化型アプリケーションです。従来の「if-then」型の自動化や静的なセグメントとは異なり、MoEngage Decisioning Agentは「予測してから決定する（Predict-then-Decide）」フレームワークに基づいて構築された自己学習型のオーケストレーションシステムです。数兆のデータポイントを分析することで、エージェントはすべてのインタラクションのコンテンツ、チャネル、頻度を1対1の規模でパーソナライズし、キャンペーンのROI（投資収益率）と長期的なビジネス価値を最大化します。

​

エージェントのコンポーネント

効果的に機能するために、すべてのエージェントは次の基本的な柱に基づいて構築されています。

• 報酬：すべてのエージェントは、成功を数学的に定義する複合報酬関数（Composite Reward Function）を使用します。この関数は、ユーザーの価値をイベントの加重合成としてモデル化します。エージェントのインテリジェンスは、ユーザーのライフタイム全体にわたってこの報酬の合計を最大化するという単一の目的に専念します。
• ガードレール：AIは自律的ですが、監督を行う必要があります。マーケターは、ブランドの安全性と良好なユーザーエクスペリエンスを確保するためにガードレールを設定します。これらのコントロールには、ターゲットオーディエンス、頻度の上限、実験のために許可される探索の上限、エージェントコントロールグループの設定が含まれます。エージェントは、これらの境界内で厳密にパフォーマンスを継続的に最適化します。

​

意思決定インテリジェンスのプロセス

ユーザーがエンゲージメントの対象になると、エージェントのインテリジェンスエンジンは次のプロセスを実行します。

• 観察：エージェントはユーザーの 現在の状態 を収集して意図をモデル化します。ユーザープロパティ、集計された行動（購入頻度や平均注文額など）、キャンペーンのセマンティックな類似性を分析します。これにより、キャンペーンのコンテンツが、個人とその類似オーディエンスの両方の変化する関心とどの程度一致しているかを算出します。
• 予測：マルチタスク学習アーキテクチャを活用して、エージェントは複数の結果を並行して予測します。単純なバイナリトリガーを超えて、ポジティブなエンゲージメント、潜在的なチャーン、または疲労に関する報酬イベントの個別の確率を計算します。
• 決定：エージェントは、ターゲットとなる報酬イベントの確率を単一の 複合報酬スコア に集約することで、すべてのキャンペーンオプションをランク付けします。現在のコンテキストに照らして各オプションを評価し、ガードレールに準拠した上位の候補キャンペーンを特定します。このフェーズでは、特に「コールド」ユーザーや新しいアセットに対して戦略的な探索も実行され、エージェントは過去のパターンだけに頼るのではなく、新しい戦略を発見できます。
• 最適化：エージェントは、実際の実行結果を収集することでループを完結させます。このフィードバックにより、成果を上げる戦略が強化され、パフォーマンスの低い戦略から方向転換することで、エージェントはROIを最大化するためにロジックを継続的に適応させます。

​

意思決定の仕組み

エージェントは、次の仕組みを使用して時間の経過とともに学習し、適応します。

• 強化学習：手動での再トレーニングが必要な静的モデルとは異なり、エージェントは強化によって学習します。クリック、購入、却下を含むすべてのインタラクションがフィードバックシグナルとして機能します。エージェントは インクリメンタルトレーニング を使用して、パラメーターをリアルタイムで更新します。決定が報酬につながった場合はその戦略が強化され、そうでない場合はエージェントが直ちに調整します。
• Contextual Multi-Armed Bandits（CMAB）：意思決定の中核はCMABによって支えられています。固定された結果を予測する標準的なモデルとは異なり、CMABは特定のユーザーコンテキストを次の最適な決定にマッピングする適応型ポリシーエンジンとして機能します。これにより、エージェントが局所最適解に陥ることを防ぎ、ユーザーの行動や市場トレンドの変化に合わせて自動的に適応できるようになります。CMABは、次のトレードオフを管理することでポリシーを最適化します。
  • 活用（Exploitation）：エージェントは、ユーザーの現在のプロファイルに基づいて、最もパフォーマンスが高いとわかっているメッセージを使用します。
  • 探索（Exploration）：エージェントは、新しいパターンを発見するために、少数のトラフィックで「ワイルドカード」オプションを意図的にテストします。これにより、新しいキャンペーンの「コールドスタート」問題が解決されます。
• 複合報酬スコア：エージェントはマルチタスク学習アーキテクチャを使用して各報酬を予測し、次の計算式を使用してすべての決定に対する統合された複合報酬スコアを計算します。
  $Reward = (1.0 x Very good events) + (0.5 x Very good events) + (-0.5 x Bad events) + (-1.0 x Very bad events).
  このインテリジェンスを調整するには、ユーザーにとってポジティブなイベントとネガティブなイベントを、その意図とビジネスへの影響に基づいて、Very Good、Good、Bad、Very Badの4つのカテゴリに分類する必要があります。

​

エージェントの舵取りにおける人間の役割

AIの舵取りに必要な高レベルのインプットを提供するうえで、人間の役割は非常に重要です。

• 戦略的意図：AIの高レベルの目標を定義し、獲得数と長期的な利益率のバランスなど、複雑なビジネス上の優先事項を、エージェントが学習に使用する数学的な報酬に変換できます。
• ガバナンス：メッセージの頻度や通知停止時間から厳格なブランドの安全性まで、譲れない境界を設定して、AIがユーザーとの関係を尊重するようにできます。これにより、AIのスピードと規模がブランドの信頼性を損なうことがなくなります。
• クリエイティブな判断：エージェントは規模を処理しますが、中核となるクリエイティブなビジョンと人間的な共感の確立はあなたに依存しています。多様なクリエイティブメッセージを提供することで、AIは適切な価値提案を、エンゲージする可能性が最も高いユーザーに戦略的にマッピングできます。