Utilice el nodo de modelo de respuesta de autoaprendizaje (SLRM) para generar un modelo que se puede actualizar o volver a estimar continuamente a medida que crece el conjunto de datos, sin necesidad de volverlo a generar cada vez con el conjunto de datos completo. Por ejemplo, esta función resulta útil cuando se tienen varios productos y se desea identificar el producto que es más probable que compre un cliente si se le ofrece. Este modelo permite predecir qué ofertas son las más apropiadas para los clientes y la probabilidad de que sean aceptadas.

El modelo se puede generar inicialmente con un pequeño conjunto de datos con ofertas realizadas aleatoriamente y las respuestas a dichas ofertas. A medida que crece el conjunto de datos, el modelo se puede actualizar y, de ese modo, aumenta su capacidad para predecir las ofertas más adecuadas para los clientes y la probabilidad de aceptación basada en otros campos de entrada como edad, sexo, trabajo e ingresos. Puede modificar las ofertas disponibles añadiéndolas o eliminándolas dentro del nodo, en lugar de tener que cambiar el campo objetivo del conjunto de datos.

Antes de ejecutar un nodo SLRM, debe especificar los campos objetivo y respuesta objetivo en las propiedades del nodo. El campo objetivo debe tener un almacenamiento de cadena, no numérico. El campo respuesta objetivo debe ser un distintivo. El valor para verdadero de la marca indica la aceptación de la oferta y el valor para falso el rechazo de la oferta.

Ejemplo. Una institución financiera desea obtener resultados más rentables adaptando a cada cliente la oferta que es más posible que acepte. Puede utilizar el modelo de autoaprendizaje para identificar las características de los clientes que es más probable que respondan favorablemente, teniendo en cuenta las promociones anteriores, y para actualizar el modelo en tiempo real en función de las últimas respuestas de los clientes.