قم بإضفاء الطابع الشخصي على تجارب العملاء عبر القنوات باستخدام Amazon SageMaker و Amazon Personalize و Twilio Segment

اليوم، يتفاعل العملاء مع العلامات التجارية عبر بصمة رقمية وغير متصلة بالإنترنت كبيرة بشكل متزايد، مما يولد ثروة من بيانات التفاعل المعروفة باسم البيانات السلوكية. ونتيجة لذلك، يجب على المسوقين وفرق تجربة العملاء العمل باستخدام أدوات متداخلة متعددة لإشراك هؤلاء العملاء واستهدافهم عبر نقاط الاتصال. يؤدي ذلك إلى زيادة التعقيد وإنشاء طرق عرض متعددة لكل عميل، ويجعل توفير تجربة فردية مع المحتوى والرسائل واقتراحات المنتجات ذات الصلة لكل عميل أكثر صعوبة. واستجابة لذلك، تستخدم فرق التسويق منصات بيانات العملاء (CDPs) وأدوات إدارة الحملات عبر القنوات (CCCMs) لتبسيط عملية دمج وجهات النظر المتعددة لعملائها. توفر هذه التقنيات للمستخدمين غير التقنيين مسارًا سريعًا لتمكين الاستهداف والمشاركة والتخصيص عبر القنوات، مع تقليل اعتماد فرق التسويق على الفرق الفنية والمهارات المتخصصة للتعامل مع العملاء.

وعلى الرغم من ذلك، يجد المسوقون أنفسهم يعانون من نقاط عمياء في نشاط العملاء عندما لا يتم دمج هذه التقنيات مع أنظمة من أجزاء أخرى من العمل. وينطبق هذا بشكل خاص على القنوات غير الرقمية، على سبيل المثال، المعاملات داخل المتجر أو تعليقات العملاء من دعم العملاء. تكافح فرق التسويق ونظراؤها في مجال تجربة العملاء أيضًا من أجل دمج القدرات التنبؤية التي طورها علماء البيانات في حملاتهم عبر القنوات أو نقاط اتصال العملاء. ونتيجة لذلك، يتلقى العملاء رسائل وتوصيات ليست ذات صلة أو لا تتوافق مع توقعاتهم.

يوضح هذا المنشور كيف يمكن للفرق متعددة الوظائف العمل معًا لمواجهة هذه التحديات باستخدام حالة استخدام التخصيص متعدد القنوات. نحن نستخدم سيناريو خيالي للبيع بالتجزئة لتوضيح كيفية تشابك هذه الفرق لتوفير تجربة مخصصة في نقاط مختلفة على طول رحلة العميل. نحن نستخدم قطعة تويليو في السيناريو الخاص بنا، منصة بيانات العملاء مبنية على AWS. هناك أكثر من 12 CDPs في السوق للاختيار من بينها، والعديد منهم أيضًا شركاء AWS، ولكننا نستخدم Segment في هذا المنشور لأنها توفر طبقة مجانية ذاتية الخدمة تسمح لك بالاستكشاف والتجربة. نوضح كيفية دمج مخرجات المقطع مع بيانات المبيعات داخل المتجر، وبيانات تعريف المنتج، ومعلومات المخزون. وبناءً على ذلك، نوضح كيفية دمج المقطع مع تخصيص أمازون لتشغيل التوصيات في الوقت الحقيقي. نحن أيضًا نصف كيف نقوم بإنشاء درجات للميل إلى الشراء المتكرر باستخدام الأمازون SageMaker. وأخيرًا، نستكشف كيفية استهداف العملاء الجدد والحاليين بثلاث طرق:

• من خلال اللافتات على مواقع الويب التابعة لجهات خارجية، والمعروفة أيضًا باسم الإعلانات المصورة، باستخدام درجة الميل إلى الشراء لجذب عملاء مشابهين.
• يتم تقديم توصيات مخصصة على قنوات الويب والهاتف المحمول مدعومة من Amazon Personalize، والتي تستخدم خوارزميات التعلم الآلي (ML) لإنشاء توصيات المحتوى.
• مع استخدام الرسائل الشخصية الأمازون التحديد، خدمة الاتصالات التسويقية الصادرة والداخلية. تستهدف هذه الرسائل العملاء المنعزلين وأولئك الذين يظهرون ميلًا كبيرًا للتخلي عن خدماتهم.

حل نظرة عامة

تخيل أنك مالك منتج تتولى مسؤولية تجربة العملاء عبر القنوات لشركة بيع بالتجزئة. تمتلك الشركة مجموعة متنوعة من القنوات عبر الإنترنت وغير المتصلة بالإنترنت، ولكنها ترى أن القنوات الرقمية هي فرصتها الأساسية للنمو. إنهم يريدون زيادة حجم وقيمة قاعدة عملائهم بالطرق التالية:

• اجذب عملاء جددًا ومؤهلين تأهيلاً عاليًا ومن المرجح أن يقوموا بالتحويل
• زيادة متوسط ​​قيمة الطلب لجميع عملائها
• أعد جذب العملاء المنعزلين للعودة ونأمل أن يقوموا بعمليات شراء متكررة

لضمان حصول هؤلاء العملاء على تجربة متسقة عبر القنوات، أنت كمالك منتج بحاجة إلى العمل مع فرق مثل التسويق الرقمي، وتطوير الواجهة الأمامية، وتطوير الأجهزة المحمولة، وتسليم الحملات، والوكالات الإبداعية. لضمان حصول العملاء على التوصيات ذات الصلة، تحتاج أيضًا إلى العمل مع فرق هندسة البيانات وعلوم البيانات. كل فريق من هذه الفرق مسؤول عن التفاعل مع الميزات أو تطويرها داخل البنية الموضحة في الرسم التخطيطي التالي.

يحتوي سير عمل الحل على الخطوات عالية المستوى التالية:

1. جمع البيانات من مصادر متعددة لتخزينها خدمة تخزين أمازون البسيطة (أمازون S3).
2. استعمل وظائف خطوة AWS لتنسيق إعداد البيانات وهندسة الميزات.
3. قم ببناء الشرائح والتنبؤات باستخدام SageMaker.
4. استخدم درجات الميل لاستهداف العرض.
5. أرسل رسائل مخصصة باستخدام Amazon Pinpoint.
6. دمج الاقتراحات المخصصة في الوقت الفعلي باستخدام Amazon Personalize.

في الأقسام التالية، نستعرض كل خطوة، ونشرح أنشطة كل فريق على مستوى عالٍ، ونوفر مراجع للموارد ذات الصلة، ونشارك المختبرات العملية التي توفر إرشادات أكثر تفصيلاً.

جمع البيانات من مصادر متعددة

يمكن لفرق التسويق الرقمي والواجهة الأمامية وتطوير الأجهزة المحمولة تكوين Segment لالتقاط ودمج تحليلات الويب والهاتف المحمول وأداء الوسائط الرقمية ومصادر المبيعات عبر الإنترنت باستخدام اتصالات القطاع. شريحة الأشخاص يسمح لفرق التسويق الرقمي بتحليل هوية المستخدمين من خلال تجميع التفاعلات عبر هذه المصادر في ملف تعريف مستخدم واحد بمعرف واحد ثابت. تسمى هذه الملفات الشخصية، جنبًا إلى جنب مع المقاييس المحسوبة الصفات المحسوبة والأحداث الأولية، يمكن تصديرها إلى Amazon S3. توضح لقطة الشاشة التالية كيفية إعداد قواعد الهوية في شريحة الأشخاص.

بالتوازي، يمكن استخدام الفرق الهندسية خدمة ترحيل البيانات AWS (AWS DMS) لنسخ المبيعات داخل المتجر وبيانات تعريف المنتج ومصادر بيانات المخزون من قواعد البيانات مثل Microsoft SQL أو Oracle وتخزين المخرجات في Amazon S3.

إعداد البيانات وهندسة الميزات

بعد جمع البيانات وتخزينها في منطقة التحميل على Amazon S3، يمكن لمهندسي البيانات استخدام المكونات من إطار بحيرة البيانات بدون خادم (SDLF) لتسريع إعداد البيانات وبناء الهيكل الأساسي لبحيرة البيانات. باستخدام SDLF، يمكن للمهندسين أتمتة عملية إعداد بيانات عنصر المستخدم المستخدمة لتدريب Amazon Personalize أو إنشاء عرض واحد لسلوك العميل من خلال الانضمام إلى البيانات السلوكية عبر الإنترنت وخارجها وبيانات المبيعات، باستخدام سمات مثل معرف العميل أو عنوان البريد الإلكتروني كمعرف مشترك. .

تعد Step Functions بمثابة المنسق الرئيسي الذي يقود مهام التحويل هذه داخل SDLF. يمكنك استخدام Step Functions لإنشاء وتنسيق عمليات سير عمل البيانات المجدولة والمستندة إلى الأحداث. يمكن للفريق الهندسي تنسيق مهام خدمات AWS الأخرى ضمن مسار البيانات. يتم تخزين مخرجات هذه العملية في منطقة موثوقة على Amazon S3 لاستخدامها في تطوير تعلم الآلة. لمزيد من المعلومات حول تنفيذ إطار عمل بحيرة البيانات بدون خادم، راجع البنية المرجعية لخط أنابيب تحليلات البيانات بدون خادم لـ AWS.

بناء القطاعات والتنبؤات

يمكن تقسيم عملية بناء الشرائح والتنبؤات إلى ثلاث خطوات: الوصول إلى البيئة، وبناء نماذج النزعة، وإنشاء ملفات الإخراج.

الوصول إلى البيئة

بعد أن يقوم الفريق الهندسي بإعداد وتحويل بيانات تطوير تعلم الآلة، يمكن لفريق علم البيانات بناء نماذج النزعة باستخدام SageMaker. أولاً، يقومون ببناء وتدريب واختبار مجموعة أولية من نماذج تعلم الآلة. وهذا يسمح لهم برؤية النتائج المبكرة، وتحديد الاتجاه الذي سيتبعونه، وإعادة إنتاج التجارب.

يحتاج فريق علم البيانات إلى نشط أمازون ساجميكر ستوديو على سبيل المثال، بيئة تطوير متكاملة (IDE) للتجربة السريعة لتعلم الآلة. إنه يوحد جميع الميزات الرئيسية لـ SageMaker ويوفر بيئة لإدارة مسارات ML الشاملة. إنه يزيل التعقيد ويقلل الوقت الذي يستغرقه إنشاء نماذج تعلم الآلة ونشرها في الإنتاج. يمكن للمطورين استخدامها دفاتر ملاحظات SageMaker Studio، وهي عبارة عن دفاتر ملاحظات Jupyter بنقرة واحدة يمكنك تدويرها بسرعة لتمكين سير عمل تعلم الآلة بالكامل بدءًا من إعداد البيانات وحتى نشر النموذج. لمزيد من المعلومات حول SageMaker لتعلم الآلة، راجع Amazon SageMaker لعلوم البيانات.

بناء نماذج النزعة

لتقدير الميل إلى عدم الشراء وتكرار الشراء، يجب أن تتفق فرق تجربة العملاء وعلوم البيانات على العوامل الدافعة المعروفة لأي من النتيجتين.

يتحقق فريق علم البيانات من صحة هذه العوامل المعروفة بينما يكتشف أيضًا عوامل غير معروفة من خلال عملية النمذجة. من الأمثلة على العوامل الدافعة للتراجع هو عدد العائدات في آخر 3 أشهر. من الأمثلة على العوامل الدافعة لعمليات إعادة الشراء عدد العناصر المحفوظة على موقع الويب أو تطبيق الهاتف المحمول.

بالنسبة لحالة الاستخدام الخاصة بنا، نفترض أن فريق التسويق الرقمي يريد إنشاء جمهور مستهدف باستخدام النمذجة المشابهة للعثور على العملاء الذين من المرجح أن يعيدوا الشراء في الشهر التالي. نفترض أيضًا أن فريق الحملة يريد إرسال عرض عبر البريد الإلكتروني إلى العملاء الذين من المحتمل أن ينهوا اشتراكهم خلال الأشهر الثلاثة المقبلة لتشجيعهم على تجديد اشتراكهم.

يمكن لفريق علم البيانات البدء بتحليل البيانات (الميزات) وتلخيص الخصائص الرئيسية لمجموعة البيانات لفهم سلوكيات البيانات الرئيسية. يمكنهم بعد ذلك خلط البيانات وتقسيمها إلى تدريب واختبار وتحميل مجموعات البيانات هذه إلى المنطقة الموثوقة. يمكنك استخدام خوارزمية مثل XGBoost المصنف لتدريب النموذج وتوفير اختيار الميزة تلقائيًا، وهو أفضل مجموعة من المرشحين لتحديد درجات الميل (أو القيم المتوقعة).

يمكنك بعد ذلك ضبط النموذج عن طريق تحسين مقاييس الخوارزمية (مثل معلمات مفرطة) بناءً على النطاقات المتوفرة في إطار عمل XGBoost. تُستخدم بيانات الاختبار لتقييم أداء النموذج وتقدير مدى تعميمه على البيانات الجديدة. لمزيد من المعلومات حول مقاييس التقييم، راجع قم بضبط نموذج XGBoost.

وأخيرًا، يتم حساب درجات الميل لكل عميل وتخزينها في منطقة S3 الموثوقة ليتم الوصول إليها ومراجعتها والتحقق من صحتها بواسطة فرق التسويق والحملة. توفر هذه العملية أيضًا تقييمًا حسب الأولوية لأهمية الميزة، مما يساعد على شرح كيفية إنتاج النتائج.

إنشاء ملفات الإخراج

بعد أن يكمل فريق علم البيانات تدريب النموذج وضبطه، يعملون مع الفريق الهندسي لنشر أفضل نموذج للإنتاج. يمكننا ان نستخدم تحويل دفعة SageMaker لتشغيل التنبؤات عند جمع بيانات جديدة وإنشاء درجات لكل عميل. يمكن للفريق الهندسي تنسيق وأتمتة سير عمل تعلم الآلة باستخدام خطوط أنابيب Amazon SageMaker، وهي خدمة تكامل مستمر وتسليم مستمر (CI/CD) مخصصة لهذا الغرض لتعلم الآلة، والتي توفر بيئة لإدارة سير عمل تعلم الآلة من البداية إلى النهاية. فهو يوفر الوقت ويقلل الأخطاء التي تنتج عادةً عن التنسيق اليدوي.

يتم استيراد مخرجات سير عمل ML بواسطة Amazon Pinpoint لإرسال رسائل مخصصة وتصديرها إلى Segment لاستخدامها عند الاستهداف على قنوات العرض. يوفر الرسم التوضيحي التالي نظرة عامة مرئية على سير عمل ML.

تعرض لقطة الشاشة التالية مثالاً لملف الإخراج.

استخدم درجات الميل لاستهداف العرض

يمكن لفرق الهندسة والتسويق الرقمي إنشاء تدفق عكسي للبيانات مرة أخرى إلى القطاع لزيادة مدى الوصول. يستخدم هذا مزيجًا من AWS لامدا وأمازون S3. في كل مرة يتم فيها إنشاء ملف إخراج جديد بواسطة سير عمل ML وحفظه في حاوية S3 الموثوق بها، يتم استدعاء وظيفة Lambda التي تقوم بتشغيل التصدير إلى Segment. يمكن للتسويق الرقمي بعد ذلك استخدام نتائج الميل المحدثة بانتظام كسمات للعملاء لبناء الجماهير وتصديرها إلى وجهات القطاع (انظر لقطة الشاشة التالية). لمزيد من المعلومات حول بنية ملف تصدير المقطع، راجع أمازون S3 من لامدا.

عندما تكون البيانات متاحة في Segment، يمكن للتسويق الرقمي رؤية درجات الميل التي تم تطويرها في SageMaker كسمات عند إنشاء شرائح العملاء. يمكنهم إنشاء جماهير متشابهة لاستهدافهم بالإعلانات الرقمية. لإنشاء حلقة تعليقات، يجب أن يضمن التسويق الرقمي استيعاب مرات الظهور والنقرات والحملات مرة أخرى في Segment لتحسين الأداء.

إرسال رسائل صادرة مخصصة

يمكن لفريق تسليم الحملة تنفيذ ونشر حملات استرداد الأموال المستندة إلى الذكاء الاصطناعي لإعادة إشراك العملاء المعرضين لخطر الاضطراب. تستخدم هذه الحملات قائمة جهات اتصال العملاء التي تم إنشاؤها في SageMaker كشرائح أثناء التكامل مع Amazon Personalize لتقديم توصيات المنتجات المخصصة. انظر الرسم البياني التالي.

يمكن لفريق التسويق الرقمي تجربة استخدام رحلات Amazon Pinpoint لتقسيم شرائح الاسترداد إلى مجموعات فرعية وحجز نسبة مئوية من المستخدمين كمجموعة تحكم غير معرضة للحملة. وهذا يسمح لهم بقياس تأثير الحملة وإنشاء حلقة من ردود الفعل.

دمج التوصيات في الوقت الحقيقي

لتخصيص القنوات الواردة، تعمل فرق التسويق الرقمي والهندسة معًا لدمج وتكوين Amazon Personalize لتقديم توصيات المنتج في نقاط مختلفة من رحلة العميل. على سبيل المثال، يمكنهم نشر ملف عنصر مماثل التوصية على صفحات تفاصيل المنتج لاقتراح عناصر تكميلية (انظر الرسم البياني التالي). بالإضافة إلى ذلك، يمكنهم نشر موصي التصفية المستندة إلى المحتوى في رحلة الدفع لتذكير العملاء بالمنتجات التي يشترونها عادةً قبل إكمال طلبهم.

أولاً، يحتاج الفريق الهندسي إلى إنشاء خدمات RESTful الصغيرة التي تستجيب لطلبات الويب والهاتف المحمول وتطبيقات القنوات الأخرى مع توصيات المنتج. تستدعي هذه الخدمات الصغيرة Amazon Personalize للحصول على توصيات، وحل معرفات المنتج في معلومات ذات معنى أكثر مثل الاسم والسعر، والتحقق من مستويات مخزون المخزون، وتحديد نقطة نهاية حملة Amazon Personalize التي سيتم الاستعلام عنها بناءً على الصفحة أو الشاشة الحالية للمستخدم.

تحتاج فرق تطوير الواجهة الأمامية والمتنقلة إلى إضافة أحداث تتبع لإجراءات العملاء المحددة إلى تطبيقاتهم. ويمكنهم بعد ذلك استخدام المقطع لإرسال تلك الأحداث مباشرة إلى Amazon Personalize في الوقت الفعلي. أحداث التتبع هذه هي نفس بيانات عنصر المستخدم التي استخرجناها سابقًا. إنها تسمح لحلول Amazon Personalize بتحسين التوصيات بناءً على التفاعلات المباشرة مع العملاء. من الضروري تسجيل مرات الظهور ومشاهدات المنتج وإضافات سلة التسوق والمشتريات لأن هذه الأحداث تنشئ حلقة تعليقات للموصيين. Lambda عبارة عن وسيط يجمع أحداث المستخدم من Segment ويرسلها إلى Amazon Personalize. تعمل Lambda أيضًا على تسهيل تبادل البيانات العكسي، ونقل التوصيات المحدثة للمستخدم مرة أخرى إلى Segment. لمزيد من المعلومات حول تكوين التوصيات في الوقت الفعلي باستخدام Segment وAmazon Personalize، راجع تقسيم البيانات في الوقت الفعلي وورشة عمل Amazon Personalize.

وفي الختام

يصف هذا المنشور كيفية تقديم تجربة عملاء متعددة القنوات باستخدام مزيج من النظام الأساسي لبيانات عملاء Segment وخدمات AWS مثل Amazon SageMaker وAmazon Personalize وAmazon Pinpoint. لقد استكشفنا الدور الذي تلعبه الفرق متعددة الوظائف في كل مرحلة من رحلة العميل وفي سلسلة قيمة البيانات. تركز البنية والنهج الذي تمت مناقشته على بيئة البيع بالتجزئة، ولكن يمكنك تطبيقه على قطاعات أخرى مثل الخدمات المالية أو الوسائط والترفيه. إذا كنت مهتمًا بتجربة بعض ما ناقشناه، فاطلع على متجر تجريبي للبيع بالتجزئة, حيث يمكنك العثور على ورش عمل عملية تتضمن Segment وشركاء AWS الآخرين.

مراجع إضافية

للحصول على معلومات إضافية ، راجع الموارد التالية:

• تخصيص القناة الشاملة مع القطاع
• تخصيص قناة Omnichannel باستخدام Amazon Personalize
• قم ببناء وضبط ونشر نموذج التنبؤ بالتضخم الشامل باستخدام Amazon SageMaker Pipelines
• أتمتة خطوط الأنابيب الهندسية مع Amazon SageMaker
• مراقبة جودة النموذج

حول الجزء

Segment هو أحد شركاء AWS للتكنولوجيا المتقدمة ويمتلك كفاءات بائعي برامج AWS المستقلين (ISV) التالية: البيانات والتحليلات، وتجربة العملاء الرقمية، والبيع بالتجزئة، والتعلم الآلي. تستخدم العلامات التجارية مثل Atlassian وDigital Ocean حلول التحليلات في الوقت الفعلي التي تدعمها Segment.

---

حول المؤلف

دواين براون هو متخصص رئيسي في منصة التحليلات في AWS ومقرها في لندن. وهو جزء من برنامج العملاء "كل شيء يعتمد على البيانات" (D2E)، حيث يساعد العملاء على أن يصبحوا أكثر اعتمادًا على البيانات والتركيز على تجربة العملاء. لديه خلفية في التحليلات الرقمية والتخصيص وأتمتة التسويق. في أوقات فراغه، يستمتع دواين بالتسلق الداخلي واستكشاف الطبيعة.

هارا جافريليادي هو كبير استراتيجيي تحليلات البيانات في AWS Professional Services ومقرها لندن. إنها تساعد العملاء على تحويل أعمالهم باستخدام البيانات والتحليلات والتعلم الآلي. وهي متخصصة في تحليلات العملاء واستراتيجية البيانات. تحب Hara المشي في الريف وتستمتع باكتشاف المكتبات المحلية واستوديوهات اليوغا في أوقات فراغها.

كيني راجان هو مهندس حلول شريك أول. يساعد Kenny العملاء في تحقيق أقصى استفادة من AWS وشركائها من خلال توضيح كيفية عمل شركاء AWS وخدمات AWS معًا بشكل أفضل. إنه مهتم بالتعلم الآلي والبيانات وتنفيذ تخطيط موارد المؤسسات (ERP) والحلول الصوتية على السحابة. خارج العمل، يستمتع كيني بقراءة الكتب والمساعدة في الأنشطة الخيرية.

• كوينسمارت. أفضل بورصة للبيتكوين والعملات المشفرة في أوروبا.
• بلاتوبلوكشين. Web3 Metaverse Intelligence. تضخيم المعرفة. دخول مجاني.
• كريبتوهوك. الرادار. تجربة مجانية.
• المصدر: https://aws.amazon.com/blogs/machine-learning/personalize-cross-channel-customer-experiences-with-amazon-sagemaker-amazon-personalize-and-segment/