Amazon Tilpas er glade for at annoncere den nye Næste bedste handling (aws-next-best-action
) opskrift for at hjælpe dig med at bestemme de bedste handlinger at foreslå til dine individuelle brugere, som vil gøre dig i stand til at øge brandloyalitet og konvertering.
Amazon Personalize er en fuldt administreret maskinlæringstjeneste (ML), der gør det nemt for udviklere at levere meget personlige brugeroplevelser i realtid. Det giver dig mulighed for at forbedre kundeengagementet ved at levere personlige produkt- og indholdsanbefalinger på websteder, applikationer og målrettede marketingkampagner. Du kan komme i gang uden forudgående ML-erfaring ved at bruge API'er til nemt at opbygge sofistikerede personaliseringsfunktioner med få klik. Alle dine data er krypteret for at være private og sikre.
I dette indlæg viser vi dig, hvordan du bruger Next Best Action-opskriften til at tilpasse handlingsanbefalinger baseret på hver brugers tidligere interaktioner, behov og adfærd.
Løsningsoversigt
Med den hurtige vækst af digitale kanaler og teknologiske fremskridt, der gør hyperpersonalisering mere tilgængelig, kæmper brands med at bestemme, hvilke handlinger der vil maksimere engagementet for hver enkelt bruger. Mærker viser enten de samme handlinger til alle brugere eller er afhængige af traditionelle brugersegmenteringstilgange til at anbefale handlinger til hver brugerkohorte. Disse tilgange er dog ikke længere tilstrækkelige, fordi enhver bruger forventer en unik oplevelse og har en tendens til at opgive mærker, der ikke forstår deres behov. Ydermere er brands ikke i stand til at opdatere handlingsanbefalingerne i realtid på grund af processens manuelle karakter.
Med Next Best Action kan du bestemme de handlinger, der har størst sandsynlighed for at engagere hver enkelt bruger baseret på deres præferencer, behov og historie. Næste bedste handling tager hensyn til hver brugers interesser i sessionen og giver anbefalinger til handling i realtid. Du kan anbefale handlinger såsom at tilmelde dig loyalitetsprogrammer, tilmelde dig et nyhedsbrev eller magasin, udforske en ny kategori, downloade en app og andre handlinger, der tilskynder til konvertering. Dette vil gøre dig i stand til at forbedre hver enkelt brugers oplevelse ved at give dem anbefalinger om handlinger på tværs af deres brugerrejse, som vil hjælpe med at fremme langsigtet brandengagement og omsætning. Det vil også hjælpe med at forbedre dit afkast af markedsføringsinvesteringer ved at anbefale den handling, som hver bruger med stor sandsynlighed vil foretage.
AWS-partnere kan lide Credera er begejstrede for de personaliseringsmuligheder, som Amazon Personalize Next Best Action vil låse op for deres kunder.
"Amazon Personalize er en maskinlæringsløsning i verdensklasse, der gør det muligt for virksomheder at skabe meningsfulde kundeoplevelser på tværs af en bred vifte af use cases uden omfattende omarbejdelse eller forudgående implementeringsomkostninger, som typisk kræves af disse typer løsninger. Vi er virkelig begejstrede for tilføjelsen af Next Best Action-kapaciteten, som vil gøre det muligt for kunderne at give personlige handlingsanbefalinger, hvilket væsentligt forbedrer deres digitale oplevelser og skaber yderligere forretningsværdi. Specifikt forventer vi, at alle, der arbejder inden for detail- eller indholdsområdet, ser en forbedret oplevelse for deres kunder og højere konverteringer som et direkte resultat af brugen af Amazon Personalize. Vi er meget begejstrede for at være lanceringspartner med AWS på denne udgivelse og ser frem til at give virksomhederne mulighed for at drive ML-baserede personlige løsninger med Next Best Action."
– Jason Goth, Partner og Chief Technology Officer, Credera.
Eksempler på brugssager
For at udforske virkningen af denne nye funktion mere detaljeret, lad os gennemgå et eksempel ved at tage tre brugere: A (User_id
11999), B (User_id
17141), og C (User_id
8103), som er i forskellige stadier af deres brugerrejse, mens de foretager køb på en hjemmeside. Vi ser derefter, hvordan Next Best Action foreslår de optimale handlinger for hver bruger baseret på deres tidligere interaktioner og præferencer.
Først ser vi på datasættet for handlingsinteraktioner for at forstå, hvordan brugere har interageret med handlinger tidligere. Følgende eksempel viser de tre brugere og deres forskellige indkøbsmønstre. Bruger A er en hyppig køber og har tidligere handlet mest i kategorierne "Skønhed & Grooming" og "Smykker". Bruger B er en tilfældig køber, der tidligere har foretaget et par køb i kategorien "Elektronik", og bruger C er en ny bruger på hjemmesiden, som har foretaget deres første køb i kategorien "Tøj".
Bruger type | Bruger ID | handlinger | Action_Event_Type | Timestamp |
Bruger A | 11999 | Køb i kategorien "Skønhed og pleje". | taget | 2023-09-17 20:03:05 |
Bruger A | 11999 | Køb i kategorien "Skønhed og pleje". | taget | 2023-09-18 19:28:38 |
Bruger A | 11999 | Køb i kategorien "Skønhed og pleje". | taget | 2023-09-20 17:49:52 |
Bruger A | 11999 | Køb i kategorien "Smykker". | taget | 2023-09-26 18:36:16 |
Bruger A | 11999 | Køb i kategorien "Skønhed og pleje". | taget | 2023-09-30 19:21:05 |
Bruger A | 11999 | Download mobilappen | taget | 2023-09-30 19:29:35 |
Bruger A | 11999 | Køb i kategorien "Smykker". | taget | 2023-10-01 19:35:47 |
Bruger A | 11999 | Køb i kategorien "Skønhed og pleje". | taget | 2023-10-04 19:19:34 |
Bruger A | 11999 | Køb i kategorien "Smykker". | taget | 2023-10-06 20:38:55 |
Bruger A | 11999 | Køb i kategorien "Skønhed og pleje". | taget | 2023-10-10 20:17:07 |
Bruger B | 17141 | Køb i kategorien "Elektronik". | taget | 2023-09-29 20:17:49 |
Bruger B | 17141 | Køb i kategorien "Elektronik". | taget | 2023-10-02 00:38:08 |
Bruger B | 17141 | Køb i kategorien "Elektronik". | taget | 2023-10-07 11:04:56 |
Bruger C | 8103 | Køb i kategorien "Tøj". | taget | 2023-09-26 18:30:56 |
Traditionelt viser brands enten de samme handlinger til alle brugere eller anvender brugersegmenteringsstrategier til at anbefale handlinger til deres brugerbase. Følgende tabel er et eksempel på et brand, der viser det samme sæt handlinger til alle brugere. Disse handlinger kan være relevante for brugerne eller ikke, hvilket reducerer deres engagement med brandet.
Bruger type | Bruger ID | Handlingsanbefalinger | Rang af handling |
Bruger A | 11999 | Abonner på loyalitetsprogram | 1 |
Bruger A | 11999 | Download mobilappen | 2 |
Bruger A | 11999 | Køb i kategorien "Elektronik". | 3 |
Bruger B | 17141 | Abonner på loyalitetsprogram | 1 |
Bruger B | 17141 | Download mobilappen | 2 |
Bruger B | 17141 | Køb i kategorien "Elektronik". | 3 |
Bruger C | 8103 | Abonner på loyalitetsprogram | 1 |
Bruger C | 8103 | Download mobilappen | 2 |
Bruger C | 8103 | Køb i kategorien "Elektronik". | 3 |
Lad os nu bruge Næste bedste handling til at anbefale handlinger for hver bruger. Når du har defineret de handlinger, der er berettiget til anbefalinger, aws-next-best-action
recept returnerer en rangeret liste over handlinger, tilpasset til hver bruger, baseret på brugertilbøjelighed (sandsynligheden for, at en bruger udfører en bestemt handling, der går mellem 0.0-1.0) og værdien af den handling, hvis den er angivet. I forbindelse med dette indlæg tager vi kun hensyn til brugertilbøjelighed.
I det følgende eksempel ser vi, at for bruger A (hyppig køber), Abonner på loyalitetsprogram er den mest anbefalede handling med en tilbøjelighedsscore på 1.00, hvilket betyder, at denne bruger med størst sandsynlighed tilmelder sig loyalitetsprogrammet, fordi de har lavet talrige indkøb. Derfor har det en stor sandsynlighed for at øge bruger A's engagement ved at anbefale handlingen Abonner på loyalitetsprogram til Bruger A.
Bruger type | Bruger ID | Handlingsanbefalinger | Rang af handling | Tilbøjelighedsscore |
Bruger A | 11999 | Abonner på loyalitetsprogram | 1 | 1.00 |
Bruger A | 11999 | Køb i kategorien "Smykker". | 2 | 0.86 |
Bruger A | 11999 | Køb i kategorien "Skønhed og pleje". | 3 | 0.85 |
Bruger B | 17141 | Køb i kategorien "Elektronik". | 1 | 0.78 |
Bruger B | 17141 | Abonner på loyalitetsprogram | 2 | 0.71 |
Bruger B | 17141 | Køb i kategorien "Smart Homes". | 3 | 0.66 |
Bruger C | 8103 | Køb i kategorien "Håndtasker og sko". | 1 | 0.60 |
Bruger C | 8103 | Download mobilappen | 2 | 0.48 |
Bruger C | 8103 | Køb i kategorien "Tøj". | 3 | 0.46 |
Tilsvarende har bruger B (casual buyer persona) større sandsynlighed for at fortsætte med at købe i kategorien "Elektronik" og også købe nye produkter i en lignende kategori, "Smart Homes". Derfor anbefaler Next Best Action dig at prioritere handlinger, Køb i kategorien "Elektronik" og Køb i kategorien "Smart Homes". Det betyder, at hvis du beder bruger B om at købe produkter i disse to kategorier, kan det føre til større engagement. Vi bemærker også, at handlingen til at abonnere på loyalitetsprogram anbefales til bruger B, men med en lavere tilbøjelighedsscore på 0.71 sammenlignet med bruger A, hvis tilbøjelighedsscore er 1.0. Dette skyldes, at brugere, der har en dybere historie og er længere fremme på deres indkøbsrejse, drager mere fordel af loyalitetsprogrammer på grund af de ekstra fordele og med stor sandsynlighed vil interagere mere.
Endelig ser vi, at Next Best Action for User C køber i kategorien "Håndtasker & Sko", som ligner deres tidligere handling med Køb i kategorien "Tøj". Vi ser også, at tilbøjelighedsscoren til at downloade mobilappen er relativt lavere (0.48) end en anden handling, Køb i kategorien "Håndtasker & Sko", som har en højere tilbøjelighedsscore på 0.60. Det betyder, at hvis du anbefaler bruger C at købe produkter i en komplementær kategori ("Håndtasker og sko") i forhold til at downloade mobilappen, er der større sandsynlighed for, at de holder sig til dit brand og fortsætter med at shoppe i fremtiden.
For flere detaljer om, hvordan du implementerer Next Best Action (aws-next-best-action
) opskrift, se dokumentation.
Konklusion
Den nye Next Best Action-opskrift i Amazon Personalize hjælper dig med at anbefale de rigtige handlinger til den rigtige bruger i realtid baseret på deres individuelle adfærd og behov. Dette vil gøre dig i stand til at maksimere brugerengagementet og føre til højere konverteringsrater.
For mere information om Amazon Personalize, se Amazon Personalize Developer Guide.
Om forfatterne
Shreeya Sharma er en Sr. Technical Product Manager, der arbejder med AWS AI/ML på Amazon Personalize. Hun har en baggrund inden for datalogi, teknologirådgivning og dataanalyse. I sin fritid nyder hun at rejse, optræde teater og prøve nye eventyr.
Pranesh Anubhav er senior softwareingeniør for Amazon Personalize. Han brænder for at designe maskinlæringssystemer til at betjene kunder i stor skala. Uden for sit arbejde elsker han at spille fodbold og er en ivrig tilhænger af Real Madrid.
Aniket Deshmukh er en anvendt videnskabsmand i AWS AI-laboratorier, der understøtter Amazon Personalize. Aniket arbejder inden for det generelle område af anbefalingssystemer, kontekstuelle banditter og multimodal dyb læring.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
- PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
- PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
- PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
- Kilde: https://aws.amazon.com/blogs/machine-learning/build-brand-loyalty-by-recommending-actions-to-your-users-with-amazon-personalize-next-best-action/
- :har
- :er
- :ikke
- $OP
- 1
- 100
- 11
- 114
- 120
- 125
- 13
- 14
- 17
- 19
- 20
- 28
- 29
- 30
- 35 %
- 36
- 49
- 60
- 7
- 72
- 8
- a
- Om
- tilgængelig
- Konto
- tværs
- Handling
- aktioner
- tilføjet
- Desuden
- Yderligere
- fremskridt
- eventyr
- Efter
- AI
- AI / ML
- Alle
- sammen
- også
- Amazon
- Amazon Tilpas
- Amazon Web Services
- an
- analytics
- ,
- Annoncere
- En anden
- enhver
- nogen
- API'er
- app
- applikationer
- anvendt
- tilgange
- ER
- OMRÅDE
- Array
- AS
- At
- AWS
- baggrund
- bund
- baseret
- BE
- fordi
- adfærd
- gavner det dig
- fordele
- BEDSTE
- mellem
- brand
- brands
- bygge
- virksomhed
- virksomheder
- men
- købe
- KØBER..
- Købe
- by
- Kampagner
- CAN
- Kan få
- kapaciteter
- kapacitet
- tilfælde
- afslappet
- kategorier
- Boligtype
- kanaler
- chef
- Chief Technology Officer
- kohorte
- Virksomheder
- sammenlignet
- komplementære
- computer
- Datalogi
- Overvej
- rådgivning
- indhold
- kontekstuelle
- fortsæt
- Konvertering
- konverteringer
- Koste
- skabe
- kunde
- Kundeforlovelse
- Kunder
- data
- Dataanalyse
- dyb
- dyb læring
- dybere
- definere
- levere
- designe
- detail
- detaljer
- Bestem
- Udvikler
- udviklere
- forskellige
- digital
- direkte
- Dont
- downloade
- downloading
- køre
- kørsel
- grund
- hver
- nemt
- nemt
- enten
- berettiget
- bemyndigelse
- muliggøre
- muliggør
- tilskynde
- krypteret
- engagement
- engagerende
- ingeniør
- Engineering
- Hver
- eksempel
- ophidset
- forvente
- forventer
- erfaring
- Oplevelser
- udforske
- Udforskning
- omfattende
- ekstremt
- Feature
- få
- Fornavn
- efter
- Til
- Videresend
- hyppig
- fra
- fuldt ud
- yderligere
- Endvidere
- fremtiden
- Generelt
- få
- større
- Vækst
- Have
- he
- hjælpe
- hjælper
- hende
- Høj
- højere
- højeste
- stærkt
- hans
- historie
- Hvordan
- How To
- Men
- HTML
- HTTPS
- if
- KIMOs Succeshistorier
- gennemføre
- implementering
- Forbedre
- forbedret
- forbedring
- in
- Forøg
- stigende
- individuel
- oplysninger
- interagere
- interaktioner
- interesser
- ind
- investering
- IT
- rejse
- jpg
- Labs
- lancere
- føre
- læring
- ligesom
- sandsynlighed
- Sandsynlig
- Liste
- langsigtet
- længere
- Se
- leder
- elsker
- lavere
- Loyalitet
- loyalitetsprogram
- Loyalitetsprogrammer
- maskine
- machine learning
- lavet
- magasin
- lave
- maerker
- Making
- lykkedes
- leder
- manuel
- Marketing
- Maksimer
- Kan..
- meningsfuld
- midler
- ML
- Mobil
- Mobil app
- mere
- mest
- for det meste
- Natur
- behov
- Ny
- nye produkter
- Nyhedsbrev
- næste
- ingen
- Varsel..
- talrige
- of
- Officer
- on
- kun
- optimal
- or
- Andet
- ud
- uden for
- i løbet af
- særlig
- partner
- partnere
- lidenskabelige
- forbi
- mønstre
- udfører
- Personalisering
- Tilpas
- Personlig
- plato
- Platon Data Intelligence
- PlatoData
- spiller
- muligheder
- Indlæg
- strømforsyning
- præferencer
- tidligere
- Forud
- Prioriter
- private
- behandle
- Produkt
- produktchef
- Produkter
- Program
- Programmer
- fremme
- give
- forudsat
- giver
- leverer
- køb
- indkøb
- køb
- formål
- spænder
- rangeret
- hurtige
- priser
- ægte
- real Madrid
- realtid
- virkelig
- opskrift
- anbefaler
- Anbefaling
- anbefalinger
- anbefales
- anbefale
- anbefaler
- reducere
- henvise
- relativt
- frigive
- relevant
- stole
- påkrævet
- resultere
- detail
- afkast
- afkast
- indtægter
- gennemgå
- højre
- samme
- Scale
- Videnskab
- Videnskabsmand
- score
- sikker
- se
- segmentering
- senior
- tjener
- tjeneste
- Tjenester
- sæt
- hun
- Shopping
- Vis
- Shows
- betydeligt
- signering
- lignende
- Fodbold
- Software
- Software Engineer
- løsninger
- Løsninger
- sofistikeret
- Space
- specifikt
- etaper
- påbegyndt
- strategier
- Kamp
- Hold mig opdateret
- sådan
- tilstrækkeligt
- tyder
- foreslår
- Støtte
- Systemer
- bord
- tager
- tager
- målrettet
- Teknisk
- Teknologier
- tendens
- end
- at
- Fremtiden
- teater
- deres
- Them
- derefter
- derfor
- Disse
- de
- denne
- tre
- begejstret
- tid
- til
- top
- traditionelle
- Traveling
- forsøger
- to
- typer
- typisk
- ude af stand
- forstå
- enestående
- låse
- Opdatering
- brug
- Bruger
- brugerrejse
- brugere
- ved brug af
- værdi
- we
- web
- webservices
- Hjemmeside
- websites
- Hvad
- som
- mens
- WHO
- hvis
- bred
- vilje
- med
- inden for
- uden
- Arbejde
- arbejder
- virker
- verdens klasse
- Du
- Din
- zephyrnet