Amazon SageMaker, Amazon Personalize, এবং Twilio সেগমেন্টের সাথে ক্রস-চ্যানেল গ্রাহকদের অভিজ্ঞতা ব্যক্তিগতকৃত করুন

আজ, গ্রাহকরা ক্রমবর্ধমান বড় ডিজিটাল এবং অফলাইন পদচিহ্নের মাধ্যমে ব্র্যান্ডগুলির সাথে যোগাযোগ করে, যা আচরণগত ডেটা হিসাবে পরিচিত মিথস্ক্রিয়া ডেটার একটি সম্পদ তৈরি করে৷ ফলস্বরূপ, বিপণনকারী এবং গ্রাহক অভিজ্ঞতা দলগুলিকে অবশ্যই টাচপয়েন্ট জুড়ে সেই গ্রাহকদের নিযুক্ত করতে এবং লক্ষ্য করতে একাধিক ওভারল্যাপিং সরঞ্জামগুলির সাথে কাজ করতে হবে। এটি জটিলতা বাড়ায়, প্রতিটি গ্রাহকের একাধিক দৃষ্টিভঙ্গি তৈরি করে এবং প্রতিটি গ্রাহককে প্রাসঙ্গিক বিষয়বস্তু, মেসেজিং এবং পণ্যের পরামর্শ সহ একটি পৃথক অভিজ্ঞতা প্রদান করা আরও চ্যালেঞ্জিং করে তোলে। প্রতিক্রিয়া হিসাবে, বিপণন দলগুলি গ্রাহক ডেটা প্ল্যাটফর্ম (CDPs) এবং ক্রস-চ্যানেল ক্যাম্পেইন ম্যানেজমেন্ট টুলস (CCCMs) ব্যবহার করে তাদের গ্রাহকদের একাধিক দৃষ্টিভঙ্গি একত্রিত করার প্রক্রিয়াকে সহজতর করতে। এই প্রযুক্তিগুলি অ-প্রযুক্তিগত ব্যবহারকারীদের ক্রস-চ্যানেল টার্গেটিং, ব্যস্ততা এবং ব্যক্তিগতকরণ সক্ষম করার জন্য একটি ত্বরান্বিত পথ সরবরাহ করে, যখন প্রযুক্তিগত দলগুলির উপর বিপণন দলগুলির নির্ভরতা এবং গ্রাহকদের সাথে জড়িত থাকার জন্য বিশেষজ্ঞ দক্ষতা হ্রাস করে৷

তা সত্ত্বেও, যখন এই প্রযুক্তিগুলি ব্যবসার অন্যান্য অংশের সিস্টেমের সাথে একত্রিত হয় না তখন বিপণনকারীরা গ্রাহকদের কার্যকলাপে অন্ধ দাগের সাথে নিজেদের খুঁজে পায়। এটি বিশেষত অ-ডিজিটাল চ্যানেলগুলির ক্ষেত্রে সত্য, উদাহরণস্বরূপ, ইন-স্টোর লেনদেন বা গ্রাহক সহায়তা থেকে গ্রাহক প্রতিক্রিয়া। বিপণন দলগুলি এবং তাদের গ্রাহকদের অভিজ্ঞতার সমকক্ষরাও তাদের ক্রস-চ্যানেল প্রচারাভিযান বা গ্রাহক টাচপয়েন্টে ডেটা বিজ্ঞানীদের দ্বারা তৈরি ভবিষ্যদ্বাণীমূলক ক্ষমতাগুলিকে একীভূত করার জন্য সংগ্রাম করে। ফলস্বরূপ, গ্রাহকরা মেসেজিং এবং সুপারিশগুলি পান যা প্রাসঙ্গিক নয় বা তাদের প্রত্যাশার সাথে অসামঞ্জস্যপূর্ণ।

এই পোস্টটি রূপরেখা দেয় যে কীভাবে ক্রস-ফাংশনাল দলগুলি এই চ্যালেঞ্জ মোকাবেলা করতে একসাথে কাজ করতে পারে একটি সর্বচ্যানেল ব্যক্তিগতকরণ ব্যবহারের ক্ষেত্রে। আমরা একটি কাল্পনিক খুচরো দৃশ্যকল্প ব্যবহার করি তা বোঝানোর জন্য যে কীভাবে সেই দলগুলি গ্রাহকের যাত্রায় বিভিন্ন পয়েন্টে ব্যক্তিগতকৃত অভিজ্ঞতা প্রদান করতে ইন্টারলক করে। আমরা ব্যাবহার করি টুইলিও সেগমেন্ট আমাদের দৃশ্যে, AWS-এ নির্মিত একটি গ্রাহক ডেটা প্ল্যাটফর্ম। বাজারে 12টিরও বেশি সিডিপি রয়েছে যা থেকে বেছে নেওয়া যায়, যাদের মধ্যে অনেকেই AWS অংশীদার, কিন্তু আমরা এই পোস্টে সেগমেন্ট ব্যবহার করি কারণ তারা একটি স্ব-পরিষেবা বিনামূল্যে স্তর প্রদান করে যা আপনাকে অন্বেষণ এবং পরীক্ষা করার অনুমতি দেয়। আমরা ব্যাখ্যা করি কিভাবে সেগমেন্ট থেকে আউটপুটকে ইন-স্টোর বিক্রয় ডেটা, পণ্য মেটাডেটা এবং ইনভেন্টরি তথ্যের সাথে একত্রিত করতে হয়। এর উপর ভিত্তি করে, আমরা ব্যাখ্যা করি কিভাবে সেগমেন্টের সাথে একীভূত করতে হয় আমাজন ব্যক্তিগতকৃত রিয়েল-টাইম সুপারিশ পাওয়ার জন্য। আমরা কীভাবে মন্থন এবং পুনরাবৃত্তি-ক্রয়ের প্রবণতা ব্যবহার করে স্কোর তৈরি করি তাও বর্ণনা করি আমাজন সেজমেকার. সবশেষে, আমরা কীভাবে নতুন এবং বিদ্যমান গ্রাহকদের তিনটি উপায়ে টার্গেট করতে পারি তা অন্বেষণ করি:

• থার্ড-পার্টি ওয়েবসাইটে ব্যানার সহ, যা ডিসপ্লে বিজ্ঞাপন হিসাবেও পরিচিত, অনুরূপ গ্রাহকদের আকৃষ্ট করার জন্য প্রবণতা-টু-বাই স্কোর ব্যবহার করে।
• ওয়েব এবং মোবাইল চ্যানেলগুলিতে Amazon Personalize দ্বারা চালিত ব্যক্তিগতকৃত সুপারিশ সহ উপস্থাপিত, যা সামগ্রীর সুপারিশ তৈরি করতে মেশিন লার্নিং (ML) অ্যালগরিদম ব্যবহার করে৷
• ব্যক্তিগতকৃত বার্তা ব্যবহার করে অ্যামাজন পিনপয়েন্ট, একটি বহির্গামী এবং অন্তর্মুখী বিপণন যোগাযোগ পরিষেবা। এই বার্তাগুলি বিচ্ছিন্ন গ্রাহকদের লক্ষ্য করে এবং যারা মন্থন করার উচ্চ প্রবণতা দেখায়।

সমাধান ওভারভিউ

কল্পনা করুন যে আপনি একজন পণ্যের মালিক যিনি একটি খুচরা কোম্পানির জন্য ক্রস-চ্যানেল গ্রাহক অভিজ্ঞতার চার্জের নেতৃত্ব দিচ্ছেন। কোম্পানির অনলাইন এবং অফলাইন চ্যানেলের একটি বৈচিত্র্যপূর্ণ সেট রয়েছে, কিন্তু ডিজিটাল চ্যানেলগুলিকে বিকাশের প্রাথমিক সুযোগ হিসাবে দেখে। তারা নিম্নলিখিত পদ্ধতির মাধ্যমে তাদের গ্রাহক বেসের আকার এবং মান বাড়াতে চায়:

• নতুন, উচ্চ যোগ্য গ্রাহকদের আকৃষ্ট করুন যারা রূপান্তরিত হওয়ার সম্ভাবনা বেশি
• তাদের সব গ্রাহকদের গড় অর্ডার মান বৃদ্ধি
• বিচ্ছিন্ন গ্রাহকদের ফিরে আসার জন্য পুনরায় আকৃষ্ট করুন এবং আশা করি পুনরায় কেনাকাটা করুন

সেই গ্রাহকরা চ্যানেল জুড়ে ধারাবাহিক অভিজ্ঞতা পান তা নিশ্চিত করতে, পণ্যের মালিক হিসাবে আপনাকে ডিজিটাল মার্কেটিং, ফ্রন্ট-এন্ড ডেভেলপমেন্ট, মোবাইল ডেভেলপমেন্ট, ক্যাম্পেইন ডেলিভারি এবং সৃজনশীল সংস্থাগুলির মতো দলের সাথে কাজ করতে হবে। গ্রাহকরা প্রাসঙ্গিক সুপারিশগুলি পান তা নিশ্চিত করতে, আপনাকে ডেটা ইঞ্জিনিয়ারিং এবং ডেটা সায়েন্স টিমের সাথেও কাজ করতে হবে। এই দলগুলির প্রত্যেকটি নিম্নলিখিত চিত্রে চিত্রিত স্থাপত্যের মধ্যে বৈশিষ্ট্যগুলির সাথে যোগাযোগ বা বিকাশের জন্য দায়ী।

সমাধান ওয়ার্কফ্লোতে নিম্নলিখিত উচ্চ-স্তরের পদক্ষেপ রয়েছে:

1. সংরক্ষণ করার জন্য একাধিক উত্স থেকে ডেটা সংগ্রহ করুন আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3)।
2. ব্যবহার এডাব্লুএস স্টেপ ফাংশন অনবোর্ডিং এবং ফিচার ইঞ্জিনিয়ারিং ডেটা অর্কেস্ট্রেট করতে।
3. সেজমেকার ব্যবহার করে বিভাগ এবং ভবিষ্যদ্বাণী তৈরি করুন।
4. প্রদর্শন টার্গেটিং জন্য প্রবণতা স্কোর ব্যবহার করুন.
5. Amazon Pinpoint ব্যবহার করে ব্যক্তিগতকৃত বার্তা পাঠান।
6. Amazon Personalize ব্যবহার করে রিয়েল-টাইম ব্যক্তিগতকৃত পরামর্শ একত্রিত করুন।

নিম্নলিখিত বিভাগগুলিতে, আমরা প্রতিটি ধাপের মধ্য দিয়ে হেঁটেছি, উচ্চ স্তরে প্রতিটি দলের ক্রিয়াকলাপ ব্যাখ্যা করি, সম্পর্কিত সংস্থানগুলির রেফারেন্স প্রদান করি এবং হ্যান্ড-অন ল্যাবগুলি শেয়ার করি যা আরও বিশদ নির্দেশিকা প্রদান করে।

একাধিক উৎস থেকে তথ্য সংগ্রহ করুন

ডিজিটাল মার্কেটিং, ফ্রন্ট-এন্ড এবং মোবাইল ডেভেলপমেন্ট টিমগুলি ব্যবহার করে ওয়েব এবং মোবাইল অ্যানালিটিক্স, ডিজিটাল মিডিয়া পারফরম্যান্স এবং অনলাইন বিক্রয় উত্সগুলি ক্যাপচার এবং সংহত করতে সেগমেন্ট কনফিগার করতে পারে সেগমেন্ট সংযোগ. সেগমেন্ট Personas ডিজিটাল বিপণন দলগুলিকে একটি অবিচ্ছিন্ন শনাক্তকারীর সাথে একটি একক ব্যবহারকারীর প্রোফাইলে এই উত্স জুড়ে একসাথে মিথস্ক্রিয়া সেলাই করে ব্যবহারকারীদের পরিচয় সমাধান করার অনুমতি দেয়। এই প্রোফাইলগুলি, গণনা করা মেট্রিক্স সহ গণনা করা বৈশিষ্ট্য এবং কাঁচা ঘটনা, Amazon S3 এ রপ্তানি করা যেতে পারে। নিম্নলিখিত স্ক্রিনশট দেখায় কিভাবে পরিচয় বিধি সেগমেন্ট ব্যক্তিতে সেট আপ করা হয়।

সমান্তরালভাবে, ইঞ্জিনিয়ারিং দলগুলি ব্যবহার করতে পারে AWS ডেটা মাইগ্রেশন পরিষেবা (AWS DMS) মাইক্রোসফ্ট এসকিউএল বা ওরাকলের মতো ডেটাবেস থেকে ইন-স্টোর বিক্রয়, পণ্য মেটাডেটা এবং ইনভেন্টরি ডেটা উত্সগুলিকে প্রতিলিপি করতে এবং আউটপুটটি Amazon S3 এ সংরক্ষণ করতে।

ডেটা অনবোর্ডিং এবং ফিচার ইঞ্জিনিয়ারিং

অ্যামাজন এস 3-তে ল্যান্ডিং জোনে ডেটা সংগ্রহ ও সংরক্ষণ করার পরে, ডেটা ইঞ্জিনিয়াররা এখান থেকে উপাদানগুলি ব্যবহার করতে পারেন সার্ভারহীন ডেটা লেক ফ্রেমওয়ার্ক (SDLF) ডেটা অনবোর্ডিংকে ত্বরান্বিত করতে এবং একটি ডেটা লেকের ভিত্তি কাঠামো তৈরি করতে। SDLF-এর সাহায্যে, ইঞ্জিনিয়াররা অ্যামাজন ব্যক্তিগতকরণের প্রশিক্ষণ দিতে ব্যবহৃত ব্যবহারকারী-আইটেম ডেটা প্রস্তুত করতে স্বয়ংক্রিয়ভাবে কাজ করতে পারে বা একটি সাধারণ শনাক্তকারী হিসাবে গ্রাহক আইডি বা ইমেল ঠিকানার মতো বৈশিষ্ট্যগুলি ব্যবহার করে অনলাইন এবং অফলাইন আচরণগত ডেটা এবং বিক্রয় ডেটা যুক্ত করে গ্রাহক আচরণের একক দৃশ্য তৈরি করতে পারে। .

স্টেপ ফাংশন হল মূল অর্কেস্ট্রেটর যা SDLF-এর মধ্যে এই ট্রান্সফরমেশন কাজগুলি পরিচালনা করে৷ আপনি নির্ধারিত এবং ইভেন্ট-চালিত ডেটা ওয়ার্কফ্লো উভয়ই তৈরি এবং অর্কেস্ট্রেট করতে ধাপ ফাংশন ব্যবহার করতে পারেন। ইঞ্জিনিয়ারিং টিম একটি ডেটা পাইপলাইনের মধ্যে অন্যান্য AWS পরিষেবাগুলির কাজগুলি অর্কেস্ট্রেট করতে পারে৷ এই প্রক্রিয়ার আউটপুটগুলি ML ডেভেলপমেন্টের জন্য ব্যবহার করার জন্য Amazon S3-এ একটি বিশ্বস্ত অঞ্চলে সংরক্ষণ করা হয়। সার্ভারহীন ডেটা লেক ফ্রেমওয়ার্ক বাস্তবায়নের বিষয়ে আরও তথ্যের জন্য, দেখুন AWS সার্ভারহীন ডেটা বিশ্লেষণ পাইপলাইন রেফারেন্স আর্কিটেকচার.

বিভাগ এবং ভবিষ্যদ্বাণী তৈরি করুন

বিল্ডিং সেগমেন্ট এবং ভবিষ্যদ্বাণী প্রক্রিয়া তিনটি ধাপে বিভক্ত করা যেতে পারে: পরিবেশ অ্যাক্সেস, প্রবণতা মডেল তৈরি, এবং আউটপুট ফাইল তৈরি।

পরিবেশে প্রবেশ করুন

ইঞ্জিনিয়ারিং দল এমএল ডেভেলপমেন্ট ডেটা প্রস্তুত ও রূপান্তর করার পরে, ডেটা সায়েন্স টিম সেজমেকার ব্যবহার করে প্রবণতা মডেল তৈরি করতে পারে। প্রথমত, তারা এমএল মডেলের একটি প্রাথমিক সেট তৈরি করে, প্রশিক্ষণ দেয় এবং পরীক্ষা করে। এটি তাদের প্রাথমিক ফলাফল দেখতে, পরবর্তী কোন দিকে যেতে হবে তা নির্ধারণ করতে এবং পরীক্ষাগুলি পুনরুত্পাদন করতে দেয়।

তথ্য বিজ্ঞান দলের একটি সক্রিয় প্রয়োজন অ্যামাজন সেজমেকার স্টুডিও উদাহরণস্বরূপ, দ্রুত এমএল পরীক্ষার জন্য একটি সমন্বিত উন্নয়ন পরিবেশ (আইডিই)। এটি সেজমেকারের সমস্ত মূল বৈশিষ্ট্যগুলিকে একীভূত করে এবং এন্ড-টু-এন্ড এমএল পাইপলাইনগুলি পরিচালনা করার জন্য একটি পরিবেশ সরবরাহ করে। এটি জটিলতা দূর করে এবং এমএল মডেলগুলি তৈরি করতে এবং সেগুলিকে উত্পাদনে স্থাপন করতে যে সময় লাগে তা হ্রাস করে। বিকাশকারীরা ব্যবহার করতে পারেন সেজমেকার স্টুডিও নোটবুক, যা এক-ক্লিক জুপিটার নোটবুক যা আপনি ডেটা প্রস্তুতি থেকে মডেল স্থাপন পর্যন্ত সম্পূর্ণ এমএল ওয়ার্কফ্লো সক্ষম করতে দ্রুত স্পিন করতে পারেন। এমএল এর জন্য সেজমেকার সম্পর্কে আরও তথ্যের জন্য, দেখুন ডেটা সায়েন্সের জন্য অ্যামাজন সেজমেকার.

প্রবণতা মডেল তৈরি করুন

মন্থন এবং পুনরাবৃত্তি-ক্রয়ের প্রবণতা অনুমান করতে, গ্রাহকের অভিজ্ঞতা এবং ডেটা সায়েন্স দলগুলির উভয় ফলাফলের জন্য পরিচিত ড্রাইভিং কারণগুলির সাথে একমত হওয়া উচিত।

ডেটা সায়েন্স টিম মডেলিং প্রক্রিয়ার মাধ্যমে অজানা কারণগুলি আবিষ্কার করার সময় এই পরিচিত কারণগুলিকে যাচাই করে। ফ্যাক্টর ড্রাইভিং মন্থনের একটি উদাহরণ হল গত 3 মাসে রিটার্নের সংখ্যা। একটি ফ্যাক্টর ড্রাইভিং পুনঃক্রয় একটি উদাহরণ ওয়েবসাইট বা মোবাইল অ্যাপে সংরক্ষিত আইটেম সংখ্যা হতে পারে।

আমাদের ব্যবহারের ক্ষেত্রে, আমরা ধরে নিই যে ডিজিটাল মার্কেটিং টিম লুকলাইক মডেলিং ব্যবহার করে একটি টার্গেট শ্রোতা তৈরি করতে চায় যাতে পরবর্তী মাসে পুনঃক্রয় করার সম্ভাবনা বেশি থাকে। আমরা আরও অনুমান করি যে প্রচারাভিযান দল গ্রাহকদের একটি ইমেল অফার পাঠাতে চায় যারা তাদের সাবস্ক্রিপশন পুনর্নবীকরণ করতে উত্সাহিত করার জন্য পরবর্তী 3 মাসের মধ্যে তাদের সদস্যতা শেষ করবে।

ডেটা সায়েন্স টিম ডেটা বিশ্লেষণ করে শুরু করতে পারে এবং ডেটাসেটের প্রধান বৈশিষ্ট্যগুলিকে সংক্ষিপ্ত করে মূল ডেটা আচরণগুলি বোঝার জন্য। তারপরে তারা প্রশিক্ষণ এবং পরীক্ষা এবং বিশ্বস্ত অঞ্চলে এই ডেটাসেটগুলি আপলোড করার জন্য ডেটা শাফেল এবং বিভক্ত করতে পারে। আপনি যেমন একটি অ্যালগরিদম ব্যবহার করতে পারেন এক্সজিবিস্ট মডেলকে প্রশিক্ষণ দেওয়ার জন্য ক্লাসিফায়ার এবং স্বয়ংক্রিয়ভাবে বৈশিষ্ট্য নির্বাচন প্রদান করে, যা প্রবণতা স্কোর (বা পূর্বাভাসিত মান) নির্ধারণের জন্য প্রার্থীদের সেরা সেট।

তারপর আপনি অ্যালগরিদম মেট্রিক্স অপ্টিমাইজ করে মডেল টিউন করতে পারেন (যেমন হাইপারপ্যারামিটার) XGBoost ফ্রেমওয়ার্কের মধ্যে প্রদত্ত রেঞ্জের উপর ভিত্তি করে। পরীক্ষার ডেটা মডেলের কার্যকারিতা মূল্যায়ন করতে এবং নতুন ডেটাতে এটি কতটা ভালভাবে সাধারণীকরণ করে তা অনুমান করতে ব্যবহৃত হয়। মূল্যায়ন মেট্রিক্স সম্পর্কে আরও তথ্যের জন্য, দেখুন একটি XGBoost মডেল টিউন করুন.

সবশেষে, প্রবণতা স্কোর প্রতিটি গ্রাহকের জন্য গণনা করা হয় এবং বিপণন এবং প্রচারাভিযান দলগুলি দ্বারা অ্যাক্সেস, পর্যালোচনা এবং যাচাই করার জন্য বিশ্বস্ত S3 জোনে সংরক্ষণ করা হয়। এই প্রক্রিয়াটি বৈশিষ্ট্যের গুরুত্বের একটি অগ্রাধিকারমূলক মূল্যায়নও প্রদান করে, যা স্কোরগুলি কীভাবে তৈরি হয়েছিল তা ব্যাখ্যা করতে সহায়তা করে।

আউটপুট ফাইল তৈরি করুন

ডেটা সায়েন্স টিম মডেল প্রশিক্ষণ এবং টিউনিং সম্পন্ন করার পরে, তারা প্রকৌশল দলের সাথে কাজ করে উৎপাদনে সেরা মডেল স্থাপন করতে। আমরা ব্যবহার করতে পারি সেজমেকার ব্যাচের রূপান্তর নতুন তথ্য সংগ্রহ করা হয় এবং প্রতিটি গ্রাহকের জন্য স্কোর জেনারেট করা হয় ভবিষ্যদ্বাণী চালানোর জন্য. প্রকৌশল দল অর্কেস্ট্রেট এবং ML ওয়ার্কফ্লো ব্যবহার করে স্বয়ংক্রিয় করতে পারে অ্যামাজন সেজমেকার পাইপলাইন, ML-এর জন্য একটি উদ্দেশ্য-নির্মিত ক্রমাগত ইন্টিগ্রেশন এবং ক্রমাগত ডেলিভারি (CI/CD) পরিষেবা, যা এন্ড-টু-এন্ড ML ওয়ার্কফ্লো পরিচালনা করার জন্য একটি পরিবেশ প্রদান করে। এটি সময় সাশ্রয় করে এবং সাধারণত ম্যানুয়াল অর্কেস্ট্রেশন দ্বারা সৃষ্ট ত্রুটিগুলি হ্রাস করে৷

ML কর্মপ্রবাহের আউটপুট ব্যক্তিগতকৃত বার্তা পাঠানোর জন্য Amazon Pinpoint দ্বারা আমদানি করা হয় এবং প্রদর্শন চ্যানেলগুলিতে লক্ষ্য করার সময় ব্যবহার করার জন্য সেগমেন্টে রপ্তানি করা হয়। নিম্নলিখিত চিত্রটি ML কর্মপ্রবাহের একটি ভিজ্যুয়াল ওভারভিউ প্রদান করে।

নিম্নলিখিত স্ক্রিনশট একটি উদাহরণ আউটপুট ফাইল দেখায়.

প্রদর্শন টার্গেটিং জন্য প্রবণতা স্কোর ব্যবহার করুন

প্রকৌশল এবং ডিজিটাল বিপণন দলগুলি নাগাল বাড়ানোর জন্য সেগমেন্টে ফিরে বিপরীত ডেটা প্রবাহ তৈরি করতে পারে। এটি একটি সমন্বয় ব্যবহার করে এডাব্লুএস ল্যাম্বদা এবং Amazon S3। প্রতিবার ML ওয়ার্কফ্লো দ্বারা একটি নতুন আউটপুট ফাইল তৈরি করা হয় এবং বিশ্বস্ত S3 বালতিতে সংরক্ষণ করা হয়, একটি Lambda ফাংশন আহ্বান করা হয় যা সেগমেন্টে একটি রপ্তানি ট্রিগার করে। ডিজিটাল মার্কেটিং তারপরে নিয়মিতভাবে আপডেট হওয়া প্রবণতা স্কোরগুলিকে গ্রাহকের বৈশিষ্ট্য হিসাবে ব্যবহার করতে পারে এবং সেগমেন্ট গন্তব্যে দর্শকদের রপ্তানি করতে পারে (নিচের স্ক্রিনশট দেখুন)। সেগমেন্ট এক্সপোর্টের ফাইল গঠন সম্পর্কে আরও তথ্যের জন্য, দেখুন Lambda থেকে Amazon S3.

যখন সেগমেন্টে ডেটা উপলব্ধ থাকে, তখন ডিজিটাল মার্কেটিং সেজমেকারে প্রবণতা স্কোরগুলিকে বৈশিষ্ট্য হিসাবে দেখতে পারে যখন তারা গ্রাহক বিভাগ তৈরি করে। তারা ডিজিটাল বিজ্ঞাপনের মাধ্যমে তাদের লক্ষ্য করার জন্য চেহারার মতো দর্শক তৈরি করতে পারে। একটি ফিডব্যাক লুপ তৈরি করতে, ডিজিটাল মার্কেটিংকে অবশ্যই নিশ্চিত করতে হবে যে ইমপ্রেশন, ক্লিক এবং প্রচারাভিযানগুলি পারফরম্যান্স অপ্টিমাইজ করার জন্য সেগমেন্টে আবার প্রবেশ করানো হচ্ছে।

ব্যক্তিগতকৃত আউটবাউন্ড বার্তা পাঠান

প্রচারাভিযান ডেলিভারি দল AI-চালিত উইন-ব্যাক প্রচারাভিযানগুলি বাস্তবায়ন এবং স্থাপন করতে পারে যাতে মন্থনের ঝুঁকিতে থাকা গ্রাহকদের পুনরায় সম্পৃক্ত করা যায়। এই প্রচারাভিযানগুলি ব্যক্তিগতকৃত পণ্যের সুপারিশগুলি উপস্থাপন করার জন্য Amazon Personalize-এর সাথে একীভূত হওয়ার সময় সেজমেকারে তৈরি হওয়া গ্রাহক পরিচিতিগুলির তালিকাকে বিভাগ হিসাবে ব্যবহার করে৷ নিচের চিত্রটি দেখুন।

ডিজিটাল মার্কেটিং টিম অ্যামাজন পিনপয়েন্ট যাত্রা ব্যবহার করে পরীক্ষা করতে পারে উইন-ব্যাক সেগমেন্টগুলিকে সাবগ্রুপগুলিতে বিভক্ত করতে এবং ব্যবহারকারীদের শতাংশকে একটি নিয়ন্ত্রণ গোষ্ঠী হিসাবে সংরক্ষণ করতে পারে যা প্রচারাভিযানের সংস্পর্শে আসে না। এটি তাদের প্রচারাভিযানের প্রভাব পরিমাপ করতে দেয় এবং একটি প্রতিক্রিয়া লুপ তৈরি করে।

রিয়েল-টাইম সুপারিশ সংহত করুন

অন্তর্মুখী চ্যানেলগুলিকে ব্যক্তিগতকৃত করার জন্য, ডিজিটাল বিপণন এবং প্রকৌশল দলগুলি গ্রাহকের যাত্রার বিভিন্ন পয়েন্টে পণ্যের সুপারিশ প্রদানের জন্য Amazon Personalize-কে সংহত এবং কনফিগার করার জন্য একসাথে কাজ করে। উদাহরণস্বরূপ, তারা একটি স্থাপন করতে পারেন অনুরূপ আইটেম পরিপূরক আইটেমগুলির পরামর্শ দেওয়ার জন্য পণ্যের বিস্তারিত পৃষ্ঠাগুলিতে সুপারিশকারী (নিম্নলিখিত চিত্রটি দেখুন)। অতিরিক্তভাবে, তারা চেকআউট যাত্রায় একটি বিষয়বস্তু-ভিত্তিক ফিল্টারিং সুপারিশকারীকে মোতায়েন করতে পারে যাতে গ্রাহকদের তারা সাধারণত তাদের অর্ডার সম্পূর্ণ করার আগে কিনবে সেগুলি মনে করিয়ে দিতে।

প্রথমত, ইঞ্জিনিয়ারিং টিমকে RESTful মাইক্রোসার্ভিস তৈরি করতে হবে যা পণ্যের সুপারিশ সহ ওয়েব, মোবাইল এবং অন্যান্য চ্যানেল অ্যাপ্লিকেশন অনুরোধে সাড়া দেয়। এই মাইক্রোসার্ভিসগুলি সুপারিশগুলি পেতে, পণ্যের আইডিগুলিকে আরও অর্থপূর্ণ তথ্য যেমন নাম এবং মূল্যের মধ্যে সমাধান করতে, ইনভেন্টরি স্টকের স্তরগুলি পরীক্ষা করতে এবং ব্যবহারকারীর বর্তমান পৃষ্ঠা বা স্ক্রিনের উপর ভিত্তি করে অনুসন্ধানের জন্য কোন Amazon ব্যক্তিগতকরণ প্রচারাভিযানের শেষ পয়েন্ট নির্ধারণ করতে কল করে৷

ফ্রন্ট-এন্ড এবং মোবাইল ডেভেলপমেন্ট দলগুলিকে তাদের অ্যাপ্লিকেশনগুলিতে নির্দিষ্ট গ্রাহক ক্রিয়াকলাপের জন্য ট্র্যাকিং ইভেন্টগুলি যুক্ত করতে হবে। তারা তারপর সেই ইভেন্টগুলি পাঠাতে সেগমেন্ট ব্যবহার করতে পারে রিয়েল টাইমে সরাসরি অ্যামাজন ব্যক্তিগতকরণে. এই ট্র্যাকিং ইভেন্টগুলি ব্যবহারকারী-আইটেম ডেটার মতোই যা আমরা আগে বের করেছি। তারা লাইভ গ্রাহক মিথস্ক্রিয়াগুলির উপর ভিত্তি করে সুপারিশগুলি পরিমার্জন করার জন্য অ্যামাজন ব্যক্তিগতকরণ সমাধানগুলিকে অনুমতি দেয়। ইমপ্রেশন, পণ্যের ভিউ, কার্ট যোগ করা এবং কেনাকাটা ক্যাপচার করা অপরিহার্য কারণ এই ইভেন্টগুলি সুপারিশকারীদের জন্য একটি প্রতিক্রিয়া লুপ তৈরি করে। Lambda হল একজন মধ্যস্থতাকারী, সেগমেন্ট থেকে ব্যবহারকারীর ইভেন্ট সংগ্রহ করে এবং Amazon Personalize-এ পাঠায়। Lambda বিপরীত ডেটা আদান-প্রদানের সুবিধা দেয়, ব্যবহারকারীর জন্য আপডেট করা সুপারিশগুলিকে সেগমেন্টে ফেরত দেয়। সেগমেন্ট এবং অ্যামাজন ব্যক্তিগতকরণের সাথে রিয়েল-টাইম সুপারিশ কনফিগার করার বিষয়ে আরও তথ্যের জন্য, দেখুন রিয়েল-টাইম ডেটা এবং অ্যামাজন ব্যক্তিগতকৃত ওয়ার্কশপ সেগমেন্ট করুন.

উপসংহার

এই পোস্টে বর্ণনা করা হয়েছে কিভাবে সেগমেন্ট গ্রাহক ডেটা প্ল্যাটফর্ম এবং AWS পরিষেবা যেমন Amazon SageMaker, Amazon Personalize, এবং Amazon Pinpoint এর সংমিশ্রণ ব্যবহার করে একটি omnichannel গ্রাহক অভিজ্ঞতা প্রদান করা যায়। আমরা ক্রস-ফাংশনাল দলগুলি গ্রাহক যাত্রার প্রতিটি পর্যায়ে এবং ডেটা মান শৃঙ্খলে কী ভূমিকা পালন করে তা অনুসন্ধান করেছি। আলোচনা করা আর্কিটেকচার এবং পদ্ধতি একটি খুচরা পরিবেশের উপর দৃষ্টি নিবদ্ধ করে, তবে আপনি এটিকে অন্যান্য উল্লম্ব যেমন আর্থিক পরিষেবা বা মিডিয়া এবং বিনোদনে প্রয়োগ করতে পারেন। আপনি যদি আমরা যা আলোচনা করেছি তার কিছু চেষ্টা করে দেখতে আগ্রহী হন তবে দেখুন খুচরা ডেমো স্টোর, যেখানে আপনি সেগমেন্ট এবং অন্যান্য AWS অংশীদারদের অন্তর্ভুক্ত হ্যান্ডস-অন ওয়ার্কশপগুলি খুঁজে পেতে পারেন৷

অতিরিক্ত রেফারেন্স

অতিরিক্ত তথ্যের জন্য, নিম্নলিখিত সংস্থানগুলি দেখুন:

• সেগমেন্ট সহ সর্বনিম্নচ্যানেল ব্যক্তিগতকরণ
• Amazon Personalize এর সাথে Omnichannel Personalization
• Amazon SageMaker Pipelines ব্যবহার করে একটি এন্ড-টু-এন্ড মন্থন পূর্বাভাস মডেল তৈরি করুন, সুর করুন এবং স্থাপন করুন
• Amazon SageMaker এর সাথে স্বয়ংক্রিয় বৈশিষ্ট্য ইঞ্জিনিয়ারিং পাইপলাইন
• মডেল মান নিরীক্ষণ

সেগমেন্ট সম্পর্কে

সেগমেন্ট হল একটি AWS অ্যাডভান্সড টেকনোলজি পার্টনার এবং নিম্নলিখিত AWS স্বাধীন সফ্টওয়্যার ভেন্ডর (ISV) দক্ষতার ধারক: ডেটা এবং অ্যানালিটিক্স, ডিজিটাল গ্রাহক অভিজ্ঞতা, খুচরা, এবং মেশিন লার্নিং৷ আটলাসিয়ান এবং ডিজিটাল মহাসাগরের মতো ব্র্যান্ডগুলি সেগমেন্ট দ্বারা চালিত রিয়েল-টাইম বিশ্লেষণ সমাধানগুলি ব্যবহার করে৷

---

লেখক সম্পর্কে

ডোয়াইন ব্রাউন লন্ডনে অবস্থিত AWS-এর একজন প্রধান বিশ্লেষণ প্ল্যাটফর্ম বিশেষজ্ঞ। তিনি ডেটা-ড্রাইভেন এভরিথিং (D2E) গ্রাহক প্রোগ্রামের অংশ, যেখানে তিনি গ্রাহকদের আরও ডেটা-চালিত হতে এবং গ্রাহকের অভিজ্ঞতাকে কেন্দ্রীভূত করতে সহায়তা করেন। ডিজিটাল বিশ্লেষণ, ব্যক্তিগতকরণ এবং বিপণন অটোমেশনে তার একটি পটভূমি রয়েছে। তার অবসর সময়ে, ডোয়াইন ইনডোর ক্লাইম্বিং এবং প্রকৃতি অন্বেষণ উপভোগ করে।

হারা গ্যাভরিলিয়াদি লন্ডনে অবস্থিত AWS প্রফেশনাল সার্ভিসেস-এর একজন সিনিয়র ডেটা অ্যানালিটিক্স স্ট্র্যাটেজিস্ট। তিনি ডেটা, অ্যানালিটিক্স এবং মেশিন লার্নিং ব্যবহার করে গ্রাহকদের তাদের ব্যবসায় রূপান্তর করতে সাহায্য করেন। তিনি গ্রাহক বিশ্লেষণ এবং তথ্য কৌশল বিশেষজ্ঞ. হারা গ্রামাঞ্চলে হাঁটা পছন্দ করে এবং তার অবসর সময়ে স্থানীয় বইয়ের দোকান এবং যোগ স্টুডিও আবিষ্কার করা উপভোগ করে।

কেনি রাজন একজন সিনিয়র পার্টনার সলিউশন আর্কিটেক্ট। কেনি গ্রাহকদের AWS এবং এর অংশীদারদের থেকে সবচেয়ে বেশি পেতে সাহায্য করে তা প্রদর্শন করে যে AWS অংশীদার এবং AWS পরিষেবাগুলি একসাথে আরও ভালভাবে কাজ করে৷ তিনি মেশিন লার্নিং, ডেটা, ইআরপি বাস্তবায়ন এবং ক্লাউডে ভয়েস-ভিত্তিক সমাধানগুলিতে আগ্রহী। কাজের বাইরে, কেনি বই পড়া এবং দাতব্য কার্যকলাপে সাহায্য করতে পছন্দ করে।

• Coinsmart. ইউরোপের সেরা বিটকয়েন এবং ক্রিপ্টো এক্সচেঞ্জ।
• প্লেটোব্লকচেন। Web3 মেটাভার্স ইন্টেলিজেন্স। জ্ঞান প্রসারিত. বিনামূল্যে এক্সেস.
• ক্রিপ্টোহক। Altcoin রাডার। বিনামূল্যে ট্রায়াল.
• সূত্র: https://aws.amazon.com/blogs/machine-learning/personalize-cross-channel-customer-experiences-with-amazon-sagemaker-amazon-personalize-and-segment/