Tilpas kundeoplevelser på tværs af kanaler med Amazon SageMaker, Amazon Personalize og Twilio Segment

I dag interagerer kunder med brands over et stadig større digitalt og offline fodaftryk, hvilket genererer et væld af interaktionsdata kendt som adfærdsdata. Som et resultat skal marketingfolk og kundeoplevelsesteams arbejde med flere overlappende værktøjer for at engagere og målrette disse kunder på tværs af berøringspunkter. Dette øger kompleksiteten, skaber flere visninger af hver kunde og gør det mere udfordrende at give en individuel oplevelse med relevant indhold, beskeder og produktforslag til hver kunde. Som svar bruger marketingteams kundedataplatforme (CDP'er) og værktøjer til kampagnestyring på tværs af kanaler (CCCM'er) til at forenkle processen med at konsolidere flere visninger af deres kunder. Disse teknologier giver ikke-tekniske brugere en accelereret vej til at muliggøre målretning på tværs af kanaler, engagement og personalisering, samtidig med at de reducerer marketingteams afhængighed af tekniske teams og specialistfærdigheder til at engagere sig med kunder.

På trods af dette befinder marketingfolk sig med blinde vinkler i kundeaktivitet, når disse teknologier ikke er integreret med systemer fra andre dele af virksomheden. Dette gælder især ikke-digitale kanaler, for eksempel transaktioner i butikken eller kundefeedback fra kundesupport. Marketingteams og deres modstykker til kundeoplevelser kæmper også for at integrere forudsigende egenskaber udviklet af dataforskere i deres kampagner på tværs af kanaler eller kundekontaktpunkter. Som følge heraf modtager kunder beskeder og anbefalinger, der ikke er relevante eller ikke er i overensstemmelse med deres forventninger.

Dette indlæg skitserer, hvordan tværfunktionelle teams kan arbejde sammen for at løse disse udfordringer ved hjælp af en omnichannel-tilpasning. Vi bruger et fiktivt detailscenario til at illustrere, hvordan disse teams griber ind i hinanden for at give en personlig oplevelse på forskellige punkter på kunderejsen. Vi bruger Twilio-segment i vores scenarie, en kundedataplatform bygget på AWS. Der er mere end 12 CDP'er på markedet at vælge imellem, hvoraf mange også er AWS-partnere, men vi bruger Segment i dette indlæg, fordi de giver et selvbetjent gratis niveau, der giver dig mulighed for at udforske og eksperimentere. Vi forklarer, hvordan man kombinerer output fra Segment med salgsdata i butikken, produktmetadata og lageroplysninger. Med udgangspunkt i dette forklarer vi, hvordan du integrerer Segment med Amazon Tilpas til at levere anbefalinger i realtid. Vi beskriver også, hvordan vi opretter resultater for churn og gentagelsestilbøjelighed ved hjælp af Amazon SageMaker. Til sidst undersøger vi, hvordan man målretter mod nye og eksisterende kunder på tre måder:

• Med bannere på tredjepartswebsteder, også kendt som displayannoncering, ved hjælp af en tilbøjelighed til at købe score for at tiltrække lignende kunder.
• På web- og mobilkanaler præsenteret med personlige anbefalinger drevet af Amazon Personalize, som bruger maskinlæringsalgoritmer (ML) til at skabe indholdsanbefalinger.
• Med personlig besked ved hjælp af Amazon præcis, en udgående og indgående marketingkommunikationstjeneste. Disse budskaber retter sig mod uengagerede kunder og dem, der udviser en høj tilbøjelighed til at fratræde.

Løsningsoversigt

Forestil dig, at du er en produktejer, der fører ansvaret for kundeoplevelsen på tværs af kanaler for en detailvirksomhed. Virksomheden har et mangfoldigt sæt af online og offline kanaler, men ser digitale kanaler som sin primære mulighed for vækst. De ønsker at øge størrelsen og værdien af ​​deres kundebase med følgende metoder:

• Tiltræk nye, højt kvalificerede kunder, som er mere tilbøjelige til at konvertere
• Forøg den gennemsnitlige ordreværdi for alle deres kunder
• Tiltræk uengagerede kunder til at vende tilbage og forhåbentlig foretage gentagne køb

For at sikre, at disse kunder får en ensartet oplevelse på tværs af kanaler, skal du som produktejer arbejde med teams som digital marketing, frontend-udvikling, mobiludvikling, kampagnelevering og kreative bureauer. For at sikre, at kunderne modtager relevante anbefalinger, skal du også arbejde med dataingeniør- og datavidenskabsteams. Hvert af disse teams er ansvarlige for at interagere med eller udvikle funktioner inden for arkitekturen illustreret i det følgende diagram.

Løsningsarbejdsgangen indeholder følgende trin på højt niveau:

1. Indsaml data fra flere kilder til at gemme i Amazon Simple Storage Service (Amazon S3).
2. Brug AWS-trinfunktioner at orkestrere data onboarding og feature engineering.
3. Byg segmenter og forudsigelser ved hjælp af SageMaker.
4. Brug tilbøjelighedsscore til displaymålretning.
5. Send personlige beskeder ved hjælp af Amazon Pinpoint.
6. Integrer personlige forslag i realtid ved hjælp af Amazon Personalize.

I de følgende afsnit gennemgår vi hvert trin, forklarer hvert teams aktiviteter på et højt niveau, giver referencer til relaterede ressourcer og deler praktiske laboratorier, der giver mere detaljeret vejledning.

Indsaml data fra flere kilder

Digital marketing, front-end og mobiludviklingsteams kan konfigurere Segment til at fange og integrere web- og mobilanalyse, digitale mediers ydeevne og online salgskilder ved hjælp af Segmentforbindelser. Segment Personas giver digitale marketingteams mulighed for at afgøre brugernes identitet ved at sammenføje interaktioner på tværs af disse kilder til en enkelt brugerprofil med én vedvarende identifikator. Disse profiler kaldes sammen med beregnede metrics Beregnede egenskaber og råbegivenheder, kan eksporteres til Amazon S3. Følgende skærmbillede viser, hvordan identitetsregler er sat op i Segment Personas.

Sideløbende kan ingeniørteams bruge AWS Data Migration Service (AWS DMS) til at replikere salg i butikken, produktmetadata og lagerdatakilder fra databaser som Microsoft SQL eller Oracle og gemme outputtet i Amazon S3.

Data onboarding og feature engineering

Efter data er indsamlet og gemt i landingszonen på Amazon S3, kan dataingeniører bruge komponenter fra serverløs data lake framework (SDLF) for at accelerere data onboarding og opbygge den grundlæggende struktur for en datasø. Med SDLF kan ingeniører automatisere forberedelsen af ​​brugerelementdata, der bruges til at træne Amazon Personalize eller skabe et enkelt syn på kundeadfærd ved at forbinde online og offline adfærdsdata og salgsdata ved at bruge attributter såsom kunde-id eller e-mailadresse som en fælles identifikator .

Step Functions er den vigtigste orkestrator, der driver disse transformationsjobs inden for SDLF. Du kan bruge Step Functions til at opbygge og orkestrere både planlagte og begivenhedsdrevne dataworkflows. Ingeniørteamet kan orkestrere opgaverne for andre AWS-tjenester inden for en datapipeline. Outputtet fra denne proces gemmes i en betroet zone på Amazon S3 til brug for ML-udvikling. For mere information om implementering af serverless data lake framework, se AWS serverløs dataanalyse pipeline referencearkitektur.

Byg segmenter og forudsigelser

Processen med at bygge segmenter og forudsigelser kan opdeles i tre trin: få adgang til miljøet, opbygge tilbøjelighedsmodeller og oprette outputfiler.

Få adgang til miljøet

Efter at ingeniørteamet har forberedt og transformeret ML-udviklingsdataene, kan datavidenskabsteamet bygge tilbøjelighedsmodeller ved hjælp af SageMaker. Først bygger, træner og tester de et indledende sæt ML-modeller. Dette giver dem mulighed for at se tidlige resultater, beslutte, hvilken retning de skal gå næste gang, og reproducere eksperimenter.

Data science-teamet har brug for en aktiv Amazon SageMaker Studio et integreret udviklingsmiljø (IDE) til hurtig ML-eksperimentering. Det forener alle nøglefunktionerne i SageMaker og tilbyder et miljø til at styre end-to-end ML-pipelines. Det fjerner kompleksitet og reducerer den tid, det tager at bygge ML-modeller og implementere dem i produktionen. Udviklere kan bruge SageMaker Studio notesbøger, som er Jupyter-notebooks med ét klik, som du hurtigt kan skrue op for at aktivere hele ML-workflowet fra dataforberedelse til modelimplementering. For mere information om SageMaker til ML, se Amazon SageMaker for Data Science.

Byg tilbøjelighedsmodellerne

For at estimere tilbøjeligheden til afgang og gentagelse af køb bør kundeoplevelses- og datavidenskabsteamene blive enige om de kendte drivende faktorer for begge resultater.

Datavidenskabsteamet validerer disse kendte faktorer, mens de også opdager ukendte faktorer gennem modelleringsprocessen. Et eksempel på en faktor, der driver churn, kan være antallet af returneringer i de sidste 3 måneder. Et eksempel på en faktor, der driver tilbagekøb, kan være antallet af varer, der er gemt på hjemmesiden eller mobilappen.

Til vores brugssag antager vi, at det digitale marketingteam ønsker at skabe en målgruppe ved hjælp af lookalike-modellering for at finde kunder, der med størst sandsynlighed vil genkøbe i den næste måned. Vi antager også, at kampagneteamet ønsker at sende et e-mailtilbud til kunder, som sandsynligvis vil afslutte deres abonnement inden for de næste 3 måneder for at opmuntre dem til at forny deres abonnement.

Datavidenskabsteamet kan starte med at analysere dataene (funktionerne) og opsummere datasættets hovedkarakteristika for at forstå nøgledataadfærden. De kan derefter blande og opdele dataene i træning og teste og uploade disse datasæt til den betroede zone. Du kan bruge en algoritme som f.eks XGBoost klassificerer til at træne modellen og automatisk give funktionsvalget, som er det bedste sæt af kandidater til at bestemme tilbøjelighedsscorerne (eller forudsagte værdier).

Du kan derefter tune modellen ved at optimere algoritmemålingerne (f.eks hyperparametre) baseret på de intervaller, der leveres inden for XGBoost-rammen. Testdata bruges til at evaluere modellens ydeevne og estimere, hvor godt den generaliserer til nye data. For mere information om evalueringsmålinger, se Tune en XGBoost-model.

Til sidst beregnes tilbøjelighedsscorerne for hver kunde og gemmes i den betroede S3-zone for at blive tilgået, gennemgået og valideret af marketing- og kampagneteamene. Denne proces giver også en prioriteret evaluering af egenskabernes betydning, som hjælper med at forklare, hvordan scoringerne blev produceret.

Opret outputfilerne

Efter at datavidenskabsteamet har gennemført modeltræningen og tuning, arbejder de sammen med ingeniørteamet for at implementere den bedste model til produktion. Vi kan bruge SageMaker batch transformation at køre forudsigelser, efterhånden som nye data indsamles og generere score for hver kunde. Ingeniørteamet kan orkestrere og automatisere ML-arbejdsgangen ved hjælp af Amazon SageMaker Pipelines, en specialbygget kontinuerlig integration og kontinuerlig levering (CI/CD)-tjeneste til ML, som tilbyder et miljø til at styre end-to-end ML-arbejdsgangen. Det sparer tid og reducerer fejl, der typisk er forårsaget af manuel orkestrering.

Outputtet fra ML-workflowet importeres af Amazon Pinpoint til afsendelse af personlige beskeder og eksporteres til Segment til brug ved målretning på displaykanaler. Følgende illustration giver et visuelt overblik over ML-arbejdsgangen.

Følgende skærmbillede viser et eksempel på en outputfil.

Brug tilbøjelighedsscore til displaymålretning

De tekniske og digitale marketingteams kan skabe det omvendte dataflow tilbage til segmentet for at øge rækkevidden. Dette bruger en kombination af AWS Lambda og Amazon S3. Hver gang en ny outputfil genereres af ML-arbejdsgangen og gemmes i den betroede S3-bøtte, aktiveres en Lambda-funktion, der udløser en eksport til Segment. Digital markedsføring kan derefter bruge regelmæssigt opdaterede tilbøjelighedsscores som kundeattributter til at opbygge og eksportere målgrupper til segmentdestinationer (se følgende skærmbillede). For mere information om filstrukturen for segmenteksporten, se Amazon S3 fra Lambda.

Når dataene er tilgængelige i Segment, kan digital markedsføring se tilbøjelighedsscorerne udviklet i SageMaker som attributter, når de opretter kundesegmenter. De kan generere lookalike-målgrupper for at målrette dem med digital annoncering. For at skabe en feedback-loop skal digital markedsføring sikre, at visninger, klik og kampagner indlæses tilbage i segmentet for at optimere ydeevnen.

Send personlige udgående beskeder

Kampagneleveringsteamet kan implementere og implementere AI-drevne win-back-kampagner for igen at engagere kunder med risiko for afgang. Disse kampagner bruger listen over kundekontakter genereret i SageMaker som segmenter, mens de integreres med Amazon Personalize for at præsentere personlige produktanbefalinger. Se følgende diagram.

Det digitale marketingteam kan eksperimentere med Amazon Pinpoint-rejser til at opdele win-back-segmenter i undergrupper og reservere en procentdel af brugerne som en kontrolgruppe, der ikke er eksponeret for kampagnen. Dette giver dem mulighed for at måle kampagnens effekt og skaber en feedback-loop.

Integrer anbefalinger i realtid

For at personalisere indgående kanaler arbejder de digitale marketing- og ingeniørteams sammen om at integrere og konfigurere Amazon Personalize til at give produktanbefalinger på forskellige punkter i kundens rejse. For eksempel kan de indsætte en lignende vare anbefaler på produktdetaljesider for at foreslå supplerende varer (se følgende diagram). Derudover kan de implementere en indholdsbaseret filtreringsanbefaling i kasserejsen for at minde kunderne om produkter, de typisk ville købe, før de gennemfører deres ordre.

For det første skal ingeniørteamet skabe RESTful mikrotjenester, der reagerer på web-, mobil- og andre kanalapplikationsanmodninger med produktanbefalinger. Disse mikrotjenester kalder Amazon Personalize for at få anbefalinger, omsætte produkt-id'er til mere meningsfulde oplysninger som navn og pris, kontrollere lagerbeholdninger og bestemme, hvilket Amazon Personalize-kampagneslutpunkt, der skal forespørges på, baseret på brugerens aktuelle side eller skærm.

Frontend- og mobiludviklingsteamene skal tilføje sporingshændelser for specifikke kundehandlinger til deres applikationer. De kan derefter bruge Segment til at sende disse begivenheder direkte til Amazon Personalize i realtid. Disse sporingshændelser er de samme som de brugerelementdata, vi har udtrukket tidligere. De tillader Amazon Personalize-løsninger at forfine anbefalinger baseret på live kundeinteraktioner. Det er vigtigt at fange visninger, produktvisninger, tilføjelser til indkøbskurv og køb, fordi disse begivenheder skaber en feedback-loop for anbefalerne. Lambda er en mellemmand, der indsamler brugerbegivenheder fra Segment og sender dem til Amazon Personalize. Lambda letter også den omvendte dataudveksling og videresender opdaterede anbefalinger for brugeren tilbage til segmentet. For mere information om konfiguration af realtidsanbefalinger med Segment og Amazon Personalize, se Segmenter realtidsdata og Amazon Personalize Workshop.

Konklusion

Dette indlæg beskrev, hvordan man leverer en omnichannel kundeoplevelse ved hjælp af en kombination af Segment kundedataplatform og AWS-tjenester såsom Amazon SageMaker, Amazon Personalize og Amazon Pinpoint. Vi undersøgte den rolle, tværfunktionelle teams spiller på hvert trin i kunderejsen og i dataværdikæden. Den diskuterede arkitektur og tilgang er fokuseret på et detailmiljø, men du kan anvende det til andre vertikaler såsom finansielle tjenester eller medier og underholdning. Hvis du er interesseret i at prøve noget af det, vi diskuterede, så tjek det Detaildemobutik, hvor du kan finde hands-on workshops, der inkluderer Segment og andre AWS-partnere.

Yderligere referencer

For yderligere oplysninger, se følgende ressourcer:

• Omnichannel personalisering med Segment
• Omnichannel personalisering med Amazon Personalize
• Byg, tune og implementer en end-to-end churn-forudsigelsesmodel ved hjælp af Amazon SageMaker Pipelines
• Automatiser feature engineering pipelines med Amazon SageMaker
• Overvåg modelkvalitet

Om segment

Segment er en AWS Advanced Technology Partner og indehaver af følgende AWS Independent Software Vendor (ISV) kompetencer: Data & Analytics, Digital Customer Experience, Retail og Machine Learning. Mærker som Atlassian og Digital Ocean bruger analyseløsninger i realtid drevet af Segment.

---

Om forfatterne

Dwayne Browne er Principal Analytics Platform Specialist hos AWS med base i London. Han er en del af kundeprogrammet Data-Driven Everything (D2E), hvor han hjælper kunder med at blive mere datadrevne og kundeoplevelsesfokuserede. Han har en baggrund i digital analyse, personalisering og marketing automation. I sin fritid nyder Dwayne at klatre indendørs og udforske naturen.

Hara Gavriliadi er Senior Data Analytics Strategist hos AWS Professional Services med base i London. Hun hjælper kunder med at transformere deres virksomhed ved hjælp af data, analyser og maskinlæring. Hun har specialiseret sig i kundeanalyse og datastrategi. Hara elsker gåture på landet og nyder at opdage lokale boghandlere og yogastudier i sin fritid.

Kenny Rajan er Senior Partner Solution Architect. Kenny hjælper kunder med at få mest muligt ud af AWS og dets partnere ved at demonstrere, hvordan AWS-partnere og AWS-tjenester fungerer bedre sammen. Han er interesseret i maskinlæring, data, ERP-implementering og stemmebaserede løsninger i skyen. Uden for arbejdet nyder Kenny at læse bøger og hjælpe med velgørenhedsaktiviteter.

• Coinsmart. Europas bedste Bitcoin og Crypto Exchange.
• Platoblokkæde. Web3 Metaverse Intelligence. Viden forstærket. FRI ADGANG.
• CryptoHawk. Altcoin radar. Gratis prøveversion.
• Kilde: https://aws.amazon.com/blogs/machine-learning/personalize-cross-channel-customer-experiences-with-amazon-sagemaker-amazon-personalize-and-segment/