Amazon personalisieren freut sich, das Neue bekannt zu geben Gerade angesagt Rezept, das Ihnen hilft, Artikel zu empfehlen, die bei Ihren Benutzern am schnellsten an Popularität gewinnen.
Amazon Personalize ist ein vollständig verwalteter Dienst für maschinelles Lernen (ML), der es Entwicklern erleichtert, ihren Benutzern personalisierte Erfahrungen bereitzustellen. Es ermöglicht Ihnen, die Kundenbindung zu verbessern, indem personalisierte Produkt- und Inhaltsempfehlungen in Websites, Anwendungen und gezielten Marketingkampagnen unterstützt werden. Sie können ohne vorherige ML-Erfahrung loslegen und APIs verwenden, um mit wenigen Klicks auf einfache Weise ausgefeilte Personalisierungsfunktionen zu erstellen. Alle Ihre Daten werden verschlüsselt, um privat und sicher zu sein, und werden nur verwendet, um Empfehlungen für Ihre Benutzer zu erstellen.
Benutzerinteressen können sich aufgrund verschiedener Faktoren ändern, wie z. B. externe Ereignisse oder die Interessen anderer Benutzer. Für Websites und Apps ist es von entscheidender Bedeutung, ihre Empfehlungen an diese sich ändernden Interessen anzupassen, um die Benutzerinteraktion zu verbessern. Mit Trending-Now können Sie Artikel aus Ihrem Katalog anzeigen, die schneller als andere Artikel beliebter werden, z. B. Trendnachrichten, beliebte soziale Inhalte oder neu veröffentlichte Filme. Amazon Personalize sucht nach Artikeln, deren Popularität schneller zunimmt als andere Katalogartikel, um Benutzern dabei zu helfen, Artikel zu entdecken, die ihre Kollegen ansprechen. Mit Amazon Personalize können Sie auch die Zeiträume definieren, über die Trends je nach ihrem einzigartigen Geschäftskontext berechnet werden, mit Optionen für alle 30 Minuten, 1 Stunde, 3 Stunden oder 1 Tag, basierend auf den neuesten Interaktionsdaten von Benutzern.
In diesem Beitrag zeigen wir, wie Sie dieses neue Rezept verwenden, um Ihren Benutzern Top-Trendartikel zu empfehlen.
Lösungsüberblick
Trending-Now identifiziert die Top-Trending-Elemente, indem es die Zunahme der Interaktionen berechnet, die jedes Element über konfigurierbare Zeitintervalle hat. Die Artikel mit der höchsten Steigerungsrate gelten als Trendartikel. Die Zeit basiert auf den Zeitstempeldaten in Ihrem Interaktionsdatensatz. Sie können das Zeitintervall angeben, indem Sie beim Erstellen Ihrer Lösung eine Trenderkennungshäufigkeit angeben.
Das Trending-Now-Rezept erfordert ein Interaktions-Dataset, das eine Aufzeichnung der einzelnen Benutzer- und Elementereignisse (z. B. Klicks, Beobachtungen oder Käufe) auf Ihrer Website oder App zusammen mit den Ereigniszeitstempeln enthält. Sie können den Parameter verwenden Trenderkennungshäufigkeit um die Zeitintervalle zu definieren, in denen Trends berechnet und aktualisiert werden. Wenn Sie beispielsweise eine stark frequentierte Website mit sich schnell ändernden Trends haben, können Sie 30 Minuten als Trenderkennungshäufigkeit angeben. Alle 30 Minuten überprüft Amazon Personalize die Interaktionen, die erfolgreich aufgenommen wurden, und aktualisiert die Trendelemente. Mit diesem Rezept können Sie auch alle neuen Inhalte erfassen und anzeigen, die in den letzten 30 Minuten eingeführt wurden und bei Ihrer Benutzerbasis auf ein höheres Interesse gestoßen sind als alle bereits vorhandenen Katalogelemente. Für alle Parameterwerte, die länger als 2 Stunden sind, aktualisiert Amazon Personalize automatisch alle 2 Stunden die Trendartikelempfehlungen, um neue Interaktionen und neue Artikel zu berücksichtigen.
Datensätze mit geringem Datenverkehr, aber einem 30-Minuten-Wert können aufgrund spärlicher oder fehlender Interaktionsdaten eine schlechte Empfehlungsgenauigkeit aufweisen. Das Trending-Now-Rezept erfordert, dass Sie Interaktionsdaten für mindestens zwei vergangene Zeiträume bereitstellen (dieser Zeitraum ist Ihre gewünschte Trenderkennungshäufigkeit). Wenn für die letzten 2 Zeiträume keine Interaktionsdaten vorhanden sind, ersetzt Amazon Personalize die Trendartikel durch beliebte Artikel, bis die erforderlichen Mindestdaten verfügbar sind.
Das Trending-Now-Rezept ist sowohl für benutzerdefinierte Dataset-Gruppen als auch für Video-on-Demand-Domänen-Dataset-Gruppen verfügbar. In diesem Beitrag zeigen wir, wie Sie Ihre Empfehlungen mit dieser neuen Trending-Now-Funktion für einen Medienanwendungsfall mit einer benutzerdefinierten Datensatzgruppe an die sich schnell ändernden Trends im Benutzerinteresse anpassen können. Das folgende Diagramm veranschaulicht den Lösungsworkflow.
In Video-on-Demand-Anwendungen können Sie diese Funktion beispielsweise verwenden, um anzuzeigen, welche Filme in der letzten 1 Stunde im Trend lagen, indem Sie 1 Stunde für Ihre Trenderkennungshäufigkeit angeben. Für jeweils eine Stunde an Daten identifiziert Amazon Personalize die Artikel mit der größten Steigerungsrate bei den Interaktionen seit der letzten Auswertung. Zu den verfügbaren Frequenzen gehören 1 Minuten, 30 Stunde, 1 Stunden und 3 Tag.
Voraussetzungen:
Um das Trending-Now-Rezept zu verwenden, müssen Sie zuerst Amazon Personalize-Ressourcen auf der Amazon Personalize-Konsole einrichten. Erstellen Sie Ihre Datensatzgruppe, importieren Sie Ihre Daten, trainieren Sie eine Lösungsversion und stellen Sie eine Kampagne bereit. Vollständige Anweisungen finden Sie unter Erste Schritte.
Für diesen Beitrag sind wir dem Konsolenansatz gefolgt, um eine Kampagne mit dem neuen Trending-Now-Rezept bereitzustellen. Alternativ können Sie die gesamte Lösung mit dem bereitgestellten SDK-Ansatz erstellen Notizbuch. Für beide Ansätze verwenden wir die Öffentliches MovieLens-Dataset.
Bereiten Sie den Datensatz vor
Führen Sie die folgenden Schritte aus, um Ihr Dataset vorzubereiten:
- Erstellen Sie eine Datensatzgruppe.
- Erstellen Sie wie folgt ein Interaktions-Dataset Schema:
- Importieren Sie die Interaktionsdaten zu Amazon Personalisieren von Amazon Simple Storage-Service (Amazon S3).
Für die Interaktionsdaten verwenden wir den Bewertungsverlauf aus dem Filmrezensionsdatensatz MovieLens.
Bitte verwenden Sie den folgenden Python-Code, um das Interaktions-Dataset aus dem öffentlichen MovieLens-Dataset zu kuratieren.
Das MovieLens
Datensatz enthält die user_id
, rating
, item_id
, Interaktionen zwischen den Benutzern und Elementen und die Zeit, zu der diese Interaktion stattfand (ein Zeitstempel, der als UNIX-Epochenzeit angegeben wird). Der Datensatz enthält auch Informationen zum Filmtitel, um die Film-ID dem tatsächlichen Titel und den Genres zuzuordnen. Die folgende Tabelle ist ein Beispiel des Datensatzes.
BENUTZERIDENTIFIKATION | ARTIKEL IDENTIFIKATIONSNUMMER | TIMESTAMP | TITEL | GENRES |
116927 | 1101 | 1105210919 | Spitzenkanone (1986) | Aktion|Romantik |
158267 | 719 | 974847063 | Vielzahl (1996) | Komödie |
55098 | 186871 | 1526204585 | Heilen (2017) | Dokumentarfilm |
159290 | 59315 | 1485663555 | Iron Man (2008) | Action|Abenteuer|Sci-Fi |
108844 | 34319 | 1428229516 | Insel, die (2005) | Action|Sci-Fi|Thriller |
85390 | 2916 | 953264936 | Gesamtrückruf (1990) | Action|Abenteuer|Sci-Fi|Thriller |
103930 | 18 | 839915700 | Vier Zimmer (1995) | Komödie |
104176 | 1735 | 985295513 | Große Erwartungen (1998) | Drama|Romantik |
97523 | 1304 | 1158428003 | Butch Cassidy und das Sundance Kid (1969) | Action|Western |
87619 | 6365 | 1066077797 | Matrix neu geladen, The (2003) | Action|Abenteuer|Sci-Fi|Thriller|IMAX |
Der kuratierte Datensatz enthält USER_ID
, ITEM_ID
(Film-ID) und TIMESTAMP
um das Amazon Personalize-Modell zu trainieren. Dies sind die Pflichtfelder, um ein Modell mit dem Trending-Now-Rezept zu trainieren. Die folgende Tabelle ist ein Beispiel des kuratierten Datensatzes.
BENUTZERIDENTIFIKATION | ARTIKEL IDENTIFIKATIONSNUMMER | TIMESTAMP |
48953 | 529 | 841223587 |
23069 | 1748 | 1092352526 |
117521 | 26285 | 1231959564 |
18774 | 457 | 848840461 |
58018 | 179819 | 1515032190 |
9685 | 79132 | 1462582799 |
41304 | 6650 | 1516310539 |
152634 | 2560 | 1113843031 |
57332 | 3387 | 986506413 |
12857 | 6787 | 1356651687 |
Trainiere ein Modell
Nachdem der Dataset-Importauftrag abgeschlossen ist, können Sie Ihr Modell trainieren.
- Auf dem Lösungen Tab, wählen Sie Lösung erstellen.
- Wähle die
new aws-trending-now
Rezept. - Im Erweiterte Konfiguration Abschnitt gesetzt Trenderkennungshäufigkeit zu 30 Minuten.
- Auswählen
Lösung erstellen mit dem Training beginnen.
Erstellen Sie eine Kampagne
In Amazon Personalize verwenden Sie eine Kampagne, um Empfehlungen für Ihre Benutzer auszusprechen. In diesem Schritt erstellen Sie eine Kampagne mit der Lösung, die Sie im vorherigen Schritt erstellt haben, und erhalten die Trending-Now-Empfehlungen:
- Auf dem Kampagnen Tab, wählen Sie Kampagne erstellen.
- Aussichten für Kampagnenname, Geben Sie einen Namen ein.
- Aussichten für Lösung, wählen Sie die Lösung
trending-now-solution
. - Aussichten für Lösungsversions-IDWählen Sie die Lösungsversion, die das verwendet
aws-trending-now
Rezept. - Aussichten für Mindestens bereitgestellte Transaktionen pro Sekunde, belassen Sie es auf dem Standardwert.
- Auswählen
Kampagne erstellen um mit der Erstellung Ihrer Kampagne zu beginnen.
Holen Sie sich Empfehlungen
Nachdem Sie Ihre Kampagne erstellt oder aktualisiert haben, können Sie eine empfohlene Liste mit Artikeln abrufen, die im Trend liegen, sortiert von der höchsten zur niedrigsten. Auf der Kampagne (trending-now-campaign
) Personalisierungs-API Tab, wählen Sie Holen Sie sich Empfehlungen.
Der folgende Screenshot zeigt die Kampagnendetailseite mit den Ergebnissen von a GetRecommendations
Anruf, der die empfohlenen Artikel und die Empfehlungs-ID enthält.
Die Ergebnisse aus der GetRecommendations
Anruf enthält die IDs der empfohlenen Artikel. Die folgende Tabelle ist ein Beispiel, nachdem die IDs den tatsächlichen Filmtiteln zur besseren Lesbarkeit zugeordnet wurden. Der Code zum Durchführen der Zuordnung ist im beigefügten Notizbuch enthalten.
ARTIKEL IDENTIFIKATIONSNUMMER | TITEL |
356 | Forrest Gump (1994) |
318 | Shawshank Redemption, Die (1994) |
58559 | Dunkler Ritter, Der (2008) |
33794 | Batman Begins (2005) |
44191 | V für Vendetta (2006) |
48516 | Abgeschieden, Die (2006) |
195159 | Spider-Man: In den Spider-Vers (2018) |
122914 | Avengers: Infinity War – Teil II (2019) |
91974 | Unterwelt: Erwachen (2012) |
204698 | Joker (2019) |
Holen Sie sich trendige Empfehlungen
Nachdem Sie eine Lösungsversion mit der aws-trending-now
Rezept, Amazon Personalize identifiziert die Top-Trendartikel, indem es die Zunahme der Interaktionen berechnet, die jeder Artikel über konfigurierbare Zeitintervalle hat. Die Artikel mit der höchsten Steigerungsrate gelten als Trendartikel. Die Zeit basiert auf den Zeitstempeldaten in Ihrem Interaktionsdatensatz.
Lassen Sie uns nun die neuesten Interaktionen für Amazon Personalize bereitstellen, um die Trendartikel zu berechnen. Wir können die neuesten Interaktionen mithilfe von Echtzeitaufnahme bereitstellen, indem wir eine erstellen Ereignistracker oder durch einen Massendaten-Upload mit einem Dataset-Importauftrag im inkrementellen Modus. Im Notebook haben wir Beispielcode bereitgestellt, um die neuesten Echtzeit-Interaktionsdaten mithilfe des Ereignis-Trackers individuell in Amazon Personalize zu importieren.
Für diesen Beitrag werden wir die neuesten Interaktionen als Massendaten-Upload mit einem Datensatzimportjob im inkrementellen Modus bereitstellen. Bitte verwenden Sie den folgenden Python-Code, um inkrementelle Dummy-Interaktionen zu generieren und die Daten der inkrementellen Interaktionen mithilfe eines Dataset-Importauftrags hochzuladen.
Wir haben diese Wechselwirkungen synthetisch erzeugt, indem wir zufällig einige Werte für ausgewählt haben USER_ID
und ITEM_ID
, und Generieren von Interaktionen zwischen diesen Benutzern und Elementen mit den neuesten Zeitstempeln. Die folgende Tabelle enthält die zufällig ausgewählten ITEM_ID
Werte, die zum Generieren inkrementeller Interaktionen verwendet werden.
ARTIKEL IDENTIFIKATIONSNUMMER | TITEL |
153 | Batman für immer (1995) |
260 | Star Wars: Episode IV - Eine neue Hoffnung (1977) |
1792 | US-Marschälle (1998) |
2363 | Godzilla (Gojira) (1954) |
2407 | Kokon (1985) |
2459 | Texas-Kettensägen-Massaker, The (1974) |
3948 | Triff die Eltern (2000) |
6539 | Fluch der Karibik: Der Fluch der Bla… |
8961 | Unglaubliche, Die (2004) |
61248 | Todesrennen (2008) |
Laden Sie die inkrementellen Interaktionsdaten hoch durch die Auswahl An aktuellen Datensatz anhängen (oder verwenden Sie den inkrementellen Modus, wenn Sie APIs verwenden), wie im folgenden Schnappschuss gezeigt.
Warten Sie nach Abschluss des Importjobs des inkrementellen Interaktionsdatensatzes auf die von Ihnen konfigurierte Trenderkennungshäufigkeit, damit die neuen Empfehlungen widergespiegelt werden.
Auswählen Holen Sie sich Empfehlungen auf der Kampagnen-API-Seite, um die neueste empfohlene Liste der Artikel zu erhalten, die im Trend liegen.
Jetzt sehen wir die neueste Liste der empfohlenen Artikel. Die folgende Tabelle enthält die Daten nach Zuordnung der IDs zu den eigentlichen Filmtiteln zur besseren Lesbarkeit. Der Code zum Durchführen der Zuordnung ist im beigefügten Notizbuch enthalten.
ARTIKEL IDENTIFIKATIONSNUMMER | TITEL |
260 | Star Wars: Episode IV - Eine neue Hoffnung (1977) |
6539 | Fluch der Karibik: Der Fluch der Bla… |
153 | Batman für immer (1995) |
3948 | Triff die Eltern (2000) |
1792 | US-Marschälle (1998) |
2459 | Texas-Kettensägen-Massaker, The (1974) |
2363 | Godzilla (Gojira) (1954) |
61248 | Todesrennen (2008) |
8961 | Unglaubliche, Die (2004) |
2407 | Kokon (1985) |
Das Vorhergehende GetRecommendations
Anruf enthält die IDs der empfohlenen Artikel. Jetzt sehen wir die ITEM_ID
Die empfohlenen Werte stammen aus dem Dataset für inkrementelle Interaktionen, das wir für das Amazon Personalize-Modell bereitgestellt hatten. Dies ist nicht überraschend, da dies die einzigen Elemente sind, die in den letzten 30 Minuten Interaktionen aus unserem synthetischen Datensatz erhalten haben.
Sie haben jetzt erfolgreich ein Trending-Now-Modell trainiert, um Artikelempfehlungen zu generieren, die bei Ihren Benutzern immer beliebter werden, und die Empfehlungen an das Benutzerinteresse anzupassen. In Zukunft können Sie diesen Code anpassen, um andere Recommender zu erstellen.
Sie können auch Filter zusammen mit dem Trending-Now-Rezept, um die Trends zwischen verschiedenen Arten von Inhalten zu unterscheiden, z. B. lange vs. kurze Videos, oder sich bewerben Werbefilter um bestimmte Artikel explizit zu empfehlen, basierend auf Regeln, die mit Ihren Geschäftszielen übereinstimmen.
Aufräumen
Stellen Sie sicher, dass Sie alle ungenutzten Ressourcen bereinigen, die Sie in Ihrem Konto erstellt haben, während Sie die in diesem Beitrag beschriebenen Schritte befolgen. Sie können Filter, Empfehlungsgeber, Datensätze und Datensatzgruppen über löschen AWS-Managementkonsole oder mit dem Python-SDK.
Zusammenfassung
The new aws-trending-now
Rezept von Amazon Personalize hilft Ihnen, die Artikel zu identifizieren, die bei Ihren Benutzern schnell beliebt werden, und Ihre Empfehlungen an die sich schnell ändernden Trends im Benutzerinteresse anzupassen.
Weitere Informationen zu Amazon Personalize finden Sie unter Amazon Personalize-Entwicklerhandbuch.
Über die Autoren
Vamshi Krishna Enabothala ist Senior Applied AI Specialist Architect bei AWS. Er arbeitet mit Kunden aus verschiedenen Branchen zusammen, um wirkungsvolle Daten-, Analyse- und maschinelle Lerninitiativen zu beschleunigen. Er interessiert sich leidenschaftlich für Empfehlungssysteme, NLP und Computer Vision-Bereiche in KI und ML. Außerhalb der Arbeit ist Vamshi ein RC-Enthusiast, der RC-Ausrüstung (Flugzeuge, Autos und Drohnen) baut und auch gerne im Garten arbeitet.
Anchit Gupta ist Senior Product Manager für Amazon Personalize. Sie konzentriert sich auf die Bereitstellung von Produkten, die es einfacher machen, Lösungen für maschinelles Lernen zu entwickeln. In ihrer Freizeit kocht sie gerne, spielt Brett-/Kartenspiele und liest.
Abhishek Mangal ist Software Engineer für Amazon Personalize und arbeitet an der Architektur von Softwaresystemen, um Kunden in großem Umfang zu bedienen. In seiner Freizeit sieht er sich gerne Animes an und glaubt, dass „One Piece“ das beste Geschichtenerzählen der jüngeren Geschichte ist.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- Platoblockkette. Web3-Metaverse-Intelligenz. Wissen verstärkt. Hier zugreifen.
- Quelle: https://aws.amazon.com/blogs/machine-learning/recommend-top-trending-items-to-your-users-using-the-new-amazon-personalize-recipe/
- :Ist
- $UP
- 1
- 10
- 100
- 1985
- 1994
- 1996
- 1998
- 2012
- 2017
- 2018
- 2019
- 7
- a
- Über Uns
- beschleunigen
- Nach
- Konto
- Genauigkeit
- automatisch
- Nach der
- AI
- Alle
- erlaubt
- Amazon
- Amazon personalisieren
- unter
- Analytik
- und
- anime
- Bekannt geben
- Bienen
- APIs
- App
- Anwendungen
- angewandt
- Angewandte KI
- Bewerben
- Ansatz
- Ansätze
- Apps
- SIND
- Bereiche
- AS
- At
- Im Prinzip so, wie Sie es von Google Maps kennen.
- verfügbar
- AWS
- Base
- basierend
- BE
- weil
- Werden
- glaubt,
- unten
- zwischen
- bauen
- Building
- Geschäft
- by
- Berechnen
- berechnet
- Berechnung
- rufen Sie uns an!
- Kampagnen (Campaign)
- Kampagnen
- CAN
- Kann bekommen
- Fähigkeiten
- Erfassung
- Karibik
- Autos
- Häuser
- Katalog
- Übernehmen
- Ändern
- Auswählen
- Code
- Spalten
- COM
- abschließen
- Computer
- Computer Vision
- betrachtet
- Konsul (Console)
- enthält
- Inhalt
- Kontext
- erstellen
- erstellt
- Erstellen
- kritischem
- kuratiert
- Strom
- verfluchen
- Original
- Kunde
- Kundenbindung
- Kunden
- technische Daten
- Datensätze
- datetime
- Tag
- Standard
- Grad
- Übergeben
- liefern
- zeigen
- Abhängig
- einsetzen
- erwünscht
- Detail
- Entwickler:in / Unternehmen
- Entwickler
- anders
- unterscheiden
- entdeckt,
- Entdeckung
- Tut nicht
- Domain
- Drohnen
- jeder
- einfacher
- leicht
- ermöglicht
- verschlüsselt
- Engagement
- Eingriff
- Ingenieur
- Enter
- Enthusiast
- Ganz
- Epoche
- Ausrüstung
- Auswertung
- Event
- Veranstaltungen
- Jedes
- Beispiel
- aufgeregt
- Erwartungen
- ERFAHRUNGEN
- Erfahrungen
- extern
- Faktoren
- beschleunigt
- schnellsten
- Merkmal
- wenige
- Felder
- Filter
- Vorname
- konzentriert
- gefolgt
- Folgende
- Aussichten für
- für immer
- vorwärts
- Frequenz
- für
- voller
- voll
- gewinnen
- Games
- erzeugen
- erzeugt
- Erzeugung
- bekommen
- gegeben
- Ziele
- gehen
- mehr
- größte
- Gruppe an
- Gruppen
- Haben
- Hilfe
- hilft
- GUTE
- höher
- höchste
- Geschichte
- ein Geschenk
- STUNDEN
- Ultraschall
- Hilfe
- HTML
- http
- HTTPS
- i
- ID
- identifiziert
- identifizieren
- importieren
- zu unterstützen,
- in
- das
- Dazu gehören
- Erhöhung
- Krankengymnastik
- Individuell
- Unendlichkeit
- Information
- Initiativen
- Anleitung
- Interaktion
- Interaktionen
- Interesse
- Interessen
- eingeführt
- IT
- Artikel
- Job
- jpg
- Kind
- Knight
- Nachname
- neueste
- lernen
- Verlassen
- Länge
- Gefällt mir
- Liste
- Lang
- SIEHT AUS
- Sneaker
- Maschine
- Maschinelles Lernen
- um
- MACHT
- Mann
- verwaltet
- Management
- Manager
- Alle Tauchgäste müssen eine Tauchversicherung vorweisen,
- Karte
- Mapping
- Marketing
- Medien
- Minimum
- Minuten
- Kommt demnächst...
- ML
- Model
- Modell
- mehr
- vor allem warme
- Film
- Filme
- Name
- Need
- Neu
- News
- Nlp
- Notizbuch
- of
- on
- Optionen
- Andere
- skizzierte
- aussen
- Frieden
- Seite
- Pandas
- Parameter
- Eltern
- Teil
- leidenschaftlich
- passt
- Ausführen
- Zeit
- Zeiträume
- Personalisierung
- personalisieren
- Personalisiert
- Stück
- Ort
- Plato
- Datenintelligenz von Plato
- PlatoData
- spielend
- Bitte
- Arm
- Beliebt
- Popularität
- Post
- Powering
- Danach
- früher
- Vor
- privat
- Produkt
- Produkt-Manager
- Produkte
- die
- vorausgesetzt
- Bereitstellung
- Öffentlichkeit
- Einkäufe
- Python
- Rennen
- zufällig
- schnell
- Bewerten
- Wertung
- Bewertungen
- Lesebrillen
- bereit
- Echtzeit
- kürzlich
- Rezept
- empfehlen
- Software Empfehlungen
- Empfehlungen
- empfohlen
- Rekord
- Erlösung
- reflektiert
- freigegeben
- ersetzen
- falls angefordert
- erfordert
- Downloads
- Die Ergebnisse
- Überprüfen
- Anstieg
- Schlafzimmer
- Ohne eine erfahrene Medienplanung zur Festlegung von Regeln und Strategien beschleunigt der programmatische Medieneinkauf einfach die Rate der verschwenderischen Ausgaben.
- s
- Skalieren
- Sdk
- Abschnitt
- Sektoren
- Verbindung
- ausgewählt
- Auswahl
- Senior
- brauchen
- kompensieren
- Short
- erklären
- gezeigt
- Konzerte
- Einfacher
- da
- Schnappschuss
- Social Media
- Software
- Software IngenieurIn
- Lösung
- Lösungen
- einige
- anspruchsvoll
- Spezialist
- spezifisch
- Anfang
- begonnen
- Schritt
- Shritte
- Lagerung
- Schnur
- Erfolgreich
- so
- Oberfläche
- überraschend
- synthetisch
- synthetisch
- Systeme und Techniken
- Tabelle
- gezielt
- zur Verbesserung der Gesundheitsgerechtigkeit
- Das
- ihr
- Diese
- Durch
- Zeit
- Zeitstempel
- Titel
- Titel
- zu
- Top
- der Verkehr
- Training
- trainiert
- Ausbildung
- Transaktionen
- Trend
- Trending
- Trending News
- Trends
- Typen
- einzigartiges
- Unix
- ungenutzt
- Aktualisierung
- -
- Anwendungsfall
- Mitglied
- Nutzer
- Wert
- Werte
- Vielfalt
- Geschwindigkeit
- Version
- Videos
- Seh-
- vs
- warten
- Krieg
- Ansehen
- Uhren
- Webseite
- Webseiten
- GUT
- Was
- welche
- während
- werden wir
- mit
- ohne
- Arbeiten
- Werk
- Du
- Ihr
- Zephyrnet
- PLZ