Le noeud Modèle de réponse en auto-apprentissage (MRAA) vous permet de créer un modèle que vous pouvez continuellement mettre à jour ou ré-estimer tout au long de la croissance d'un ensemble de données, sans qu'il soit nécessaire de recréer le modèle chaque fois sur la base de l'ensemble de données complet. Il est par exemple utile lorsque vous avez plusieurs produits et que vous voulez identifier le produit qu'un client est le plus susceptible d'acheter si vous le lui proposez. Ce modèle vous permet de prédire quelles offres sont les plus appropriées pour les clients et la probabilité d'acceptation des offres.

Le modèle peut être initialement créé à l'aide d'un petit ensemble de données avec des offres faites au hasard et les réponses à ces offres. Au fur et à mesure que l'ensemble de données augmente, le modèle peut être mis à jour. Il est donc de plus en plus à même de prédire les offres les mieux adaptées aux clients et la probabilité d'acceptation sur la base des autres champs d'entrée tels que l'âge, le sexe, la profession et le revenu. Vous pouvez modifier les offres disponibles en les ajoutant ou en les retirant dans le noeud, au lieu d'avoir à modifier la zone cible de l'ensemble de données.

Avant d'exécuter un noeud SLRM, vous devez spécifier les champs cible et de réponse cible et dans les propriétés du noeud. Le champ cible doit avoir un stockage chaîne et non un stockage numérique. La zone de réponse cible doit être un indicateur. La valeur vraie (True) de l'indicateur indique l'acceptation de l'offre et la valeur fausse (False) indique son refus.

Exemple. Une institution financière souhaite obtenir des résultats plus rentables en présentant à chaque client l'offre qui est le plus susceptible d'être acceptée. Vous pouvez utiliser un modèle d'auto-apprentissage pour identifier les caractéristiques des clients les plus susceptibles de répondre favorablement, sur la base des anciennes promotions, et pour mettre à jour le modèle en temps réel sur la base des dernières réponses des clients.