Εξατομικεύστε τις εμπειρίες πελατών μεταξύ καναλιών με το Amazon SageMaker, το Amazon Personalize και το Twilio Segment

Σήμερα, οι πελάτες αλληλεπιδρούν με επωνυμίες μέσω ενός ολοένα και πιο μεγάλου ψηφιακού και offline αποτυπώματος, δημιουργώντας έναν πλούτο δεδομένων αλληλεπίδρασης γνωστά ως δεδομένα συμπεριφοράς. Ως αποτέλεσμα, οι υπεύθυνοι μάρκετινγκ και οι ομάδες εμπειρίας πελατών πρέπει να συνεργάζονται με πολλαπλά επικαλυπτόμενα εργαλεία για να προσελκύσουν και να στοχεύσουν αυτούς τους πελάτες σε σημεία επαφής. Αυτό αυξάνει την πολυπλοκότητα, δημιουργεί πολλαπλές προβολές για κάθε πελάτη και καθιστά πιο δύσκολη την παροχή μιας ατομικής εμπειρίας με σχετικό περιεχόμενο, μηνύματα και προτάσεις προϊόντων σε κάθε πελάτη. Σε απάντηση, οι ομάδες μάρκετινγκ χρησιμοποιούν πλατφόρμες δεδομένων πελατών (CDP) και εργαλεία διαχείρισης καμπανιών μεταξύ καναλιών (CCCM) για να απλοποιήσουν τη διαδικασία ενοποίησης πολλαπλών προβολών των πελατών τους. Αυτές οι τεχνολογίες παρέχουν στους μη τεχνικούς χρήστες μια επιταχυνόμενη διαδρομή για να επιτρέψουν τη διακαναλική στόχευση, αφοσίωση και εξατομίκευση, ενώ μειώνουν την εξάρτηση των ομάδων μάρκετινγκ από τεχνικές ομάδες και τις ειδικές δεξιότητες για αλληλεπίδραση με πελάτες.

Παρόλα αυτά, οι έμποροι βρίσκονται με τυφλά σημεία στη δραστηριότητα των πελατών όταν αυτές οι τεχνολογίες δεν είναι ενσωματωμένες με συστήματα από άλλα μέρη της επιχείρησης. Αυτό ισχύει ιδιαίτερα για μη ψηφιακά κανάλια, για παράδειγμα, συναλλαγές στο κατάστημα ή σχόλια πελατών από την υποστήριξη πελατών. Οι ομάδες μάρκετινγκ και οι αντίστοιχες εμπειρίες πελατών αγωνίζονται επίσης να ενσωματώσουν τις δυνατότητες πρόβλεψης που έχουν αναπτυχθεί από επιστήμονες δεδομένων στις καμπάνιες μεταξύ καναλιών ή στα σημεία επαφής πελατών. Ως αποτέλεσμα, οι πελάτες λαμβάνουν μηνύματα και συστάσεις που δεν είναι σχετικά ή δεν συνάδουν με τις προσδοκίες τους.

Αυτή η ανάρτηση περιγράφει πώς οι πολυλειτουργικές ομάδες μπορούν να συνεργαστούν για να αντιμετωπίσουν αυτές τις προκλήσεις χρησιμοποιώντας μια περίπτωση χρήσης εξατομίκευσης πολυκαναλικών. Χρησιμοποιούμε ένα φανταστικό σενάριο λιανικής για να δείξουμε πώς αυτές οι ομάδες αλληλοσυνδέονται για να παρέχουν μια εξατομικευμένη εμπειρία σε διάφορα σημεία της διαδρομής του πελάτη. Χρησιμοποιούμε Τμήμα Twilio στο σενάριό μας, μια πλατφόρμα δεδομένων πελατών που βασίζεται στο AWS. Υπάρχουν περισσότερα από 12 CDP στην αγορά για να διαλέξετε, πολλοί από τους οποίους είναι επίσης συνεργάτες AWS, αλλά χρησιμοποιούμε το Τμήμα σε αυτήν την ανάρτηση επειδή παρέχουν ένα δωρεάν επίπεδο αυτοεξυπηρέτησης που σας επιτρέπει να εξερευνήσετε και να πειραματιστείτε. Εξηγούμε πώς να συνδυάσετε τα αποτελέσματα από το Τμήμα με δεδομένα πωλήσεων στο κατάστημα, μεταδεδομένα προϊόντων και πληροφορίες αποθέματος. Με βάση αυτό, εξηγούμε πώς να ενσωματώσετε το τμήμα με Προσαρμογή του Amazon για την ενεργοποίηση συστάσεων σε πραγματικό χρόνο. Περιγράφουμε επίσης πώς δημιουργούμε βαθμολογίες για την απόσπαση και την τάση επανάληψης αγορών χρησιμοποιώντας Amazon Sage Maker. Τέλος, διερευνούμε πώς να στοχεύσουμε νέους και υπάρχοντες πελάτες με τρεις τρόπους:

• Με banner σε ιστότοπους τρίτων, γνωστά και ως διαφημίσεις προβολής, που χρησιμοποιούν μια βαθμολογία τάσης για αγορά για να προσελκύσουν παρόμοιους πελάτες.
• Σε κανάλια ιστού και κινητών που παρουσιάζονται με εξατομικευμένες προτάσεις που υποστηρίζονται από το Amazon Personalize, το οποίο χρησιμοποιεί αλγόριθμους μηχανικής εκμάθησης (ML) για τη δημιουργία προτάσεων περιεχομένου.
• Με χρήση εξατομικευμένων μηνυμάτων Ακριβώς το Amazon, μια υπηρεσία εξερχόμενων και εισερχόμενων επικοινωνιών μάρκετινγκ. Αυτά τα μηνύματα στοχεύουν σε αποδεσμευμένους πελάτες και σε εκείνους που δείχνουν μεγάλη τάση να ανατρέπονται.

Επισκόπηση λύσεων

Φανταστείτε ότι είστε κάτοχος προϊόντος που οδηγεί τη χρέωση για την εμπειρία πελατών μεταξύ καναλιών για μια εταιρεία λιανικής. Η εταιρεία διαθέτει ένα ευρύ φάσμα διαδικτυακών και εκτός σύνδεσης καναλιών, αλλά βλέπει τα ψηφιακά κανάλια ως την κύρια ευκαιρία ανάπτυξης. Θέλουν να αυξήσουν το μέγεθος και την αξία της πελατειακής τους βάσης με τις ακόλουθες μεθόδους:

• Προσελκύστε νέους πελάτες υψηλής ειδίκευσης που είναι πιο πιθανό να κάνουν μετατροπές
• Αυξήστε τη μέση αξία παραγγελίας όλων των πελατών τους
• Προσελκύστε εκ νέου αποδεσμευμένους πελάτες για να επιστρέψουν και ελπίζουμε να κάνετε επαναλαμβανόμενες αγορές

Για να διασφαλίσετε ότι αυτοί οι πελάτες λαμβάνουν μια συνεπή εμπειρία σε όλα τα κανάλια, εσείς ως κάτοχος προϊόντος πρέπει να συνεργαστείτε με ομάδες όπως το ψηφιακό μάρκετινγκ, η ανάπτυξη διεπαφής, η ανάπτυξη για κινητά, η παράδοση καμπάνιας και οι διαφημιστικές εταιρείες. Για να διασφαλίσετε ότι οι πελάτες λαμβάνουν σχετικές συστάσεις, πρέπει επίσης να συνεργαστείτε με ομάδες μηχανικής δεδομένων και επιστήμης δεδομένων. Κάθε μία από αυτές τις ομάδες είναι υπεύθυνη για την αλληλεπίδραση ή την ανάπτυξη χαρακτηριστικών εντός της αρχιτεκτονικής που απεικονίζεται στο ακόλουθο διάγραμμα.

Η ροή εργασιών λύσης περιλαμβάνει τα ακόλουθα βήματα υψηλού επιπέδου:

1. Συλλέξτε δεδομένα από πολλές πηγές για αποθήκευση Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3).
2. Χρήση Λειτουργίες βημάτων AWS για την ενορχήστρωση δεδομένων onboarding και μηχανικής χαρακτηριστικών.
3. Δημιουργήστε τμήματα και προβλέψεις χρησιμοποιώντας το SageMaker.
4. Χρησιμοποιήστε βαθμολογίες τάσης για στόχευση προβολής.
5. Στείλτε εξατομικευμένα μηνύματα χρησιμοποιώντας το Amazon Pinpoint.
6. Ενσωματώστε εξατομικευμένες προτάσεις σε πραγματικό χρόνο χρησιμοποιώντας το Amazon Personalize.

Στις επόμενες ενότητες, περιγράφουμε κάθε βήμα, εξηγούμε τις δραστηριότητες κάθε ομάδας σε υψηλό επίπεδο, παρέχουμε αναφορές σε σχετικούς πόρους και μοιραζόμαστε πρακτικά εργαστήρια που παρέχουν πιο λεπτομερή καθοδήγηση.

Συλλέξτε δεδομένα από πολλαπλές πηγές

Οι ομάδες ψηφιακού μάρκετινγκ, διεπαφής και ανάπτυξης για κινητά μπορούν να διαμορφώσουν το Segment ώστε να καταγράφει και να ενσωματώνει αναλυτικά στοιχεία ιστού και κινητών, απόδοση ψηφιακών μέσων και πηγές διαδικτυακών πωλήσεων χρησιμοποιώντας Συνδέσεις τμημάτων. Τμήμα Personas επιτρέπει στις ομάδες ψηφιακού μάρκετινγκ να επιλύουν την ταυτότητα των χρηστών συνδυάζοντας τις αλληλεπιδράσεις μεταξύ αυτών των πηγών σε ένα ενιαίο προφίλ χρήστη με ένα μόνιμο αναγνωριστικό. Αυτά τα προφίλ, μαζί με υπολογισμένες μετρήσεις καλούνται Υπολογιζόμενα Χαρακτηριστικά και ακατέργαστα συμβάντα, μπορούν να εξαχθούν στο Amazon S3. Το ακόλουθο στιγμιότυπο οθόνης δείχνει πώς ρυθμίζονται οι κανόνες ταυτότητας στα Segment Personas.

Παράλληλα, οι ομάδες μηχανικών μπορούν να χρησιμοποιήσουν Υπηρεσία μετεγκατάστασης δεδομένων AWS (AWS DMS) για την αναπαραγωγή πωλήσεων στο κατάστημα, μεταδεδομένων προϊόντων και πηγών δεδομένων αποθέματος από βάσεις δεδομένων όπως η Microsoft SQL ή η Oracle και η αποθήκευση των αποτελεσμάτων στο Amazon S3.

Ενσωμάτωση δεδομένων και μηχανική χαρακτηριστικών

Αφού συλλεχθούν και αποθηκευτούν δεδομένα στη ζώνη προσγείωσης στο Amazon S3, οι μηχανικοί δεδομένων μπορούν να χρησιμοποιήσουν στοιχεία από το πλαίσιο δεδομένων χωρίς διακομιστή (SDLF) για να επιταχύνει την ενσωμάτωση δεδομένων και να δημιουργήσει τη θεμελιώδη δομή μιας λίμνης δεδομένων. Με το SDLF, οι μηχανικοί μπορούν να αυτοματοποιήσουν την προετοιμασία των δεδομένων χρήστη που χρησιμοποιούνται για την εκπαίδευση του Amazon Personalize ή να δημιουργήσουν μια ενιαία προβολή της συμπεριφοράς των πελατών, ενώνοντας δεδομένα συμπεριφοράς και πωλήσεων στο διαδίκτυο και εκτός σύνδεσης, χρησιμοποιώντας χαρακτηριστικά όπως το αναγνωριστικό πελάτη ή τη διεύθυνση ηλεκτρονικού ταχυδρομείου ως κοινό αναγνωριστικό .

Το Step Functions είναι ο βασικός ενορχηστρωτής που οδηγεί αυτές τις εργασίες μετασχηματισμού στο SDLF. Μπορείτε να χρησιμοποιήσετε τις Λειτουργίες Βήματος για να δημιουργήσετε και να ενορχηστρώσετε ροές δεδομένων προγραμματισμένων και βασιζόμενων σε συμβάντα. Η ομάδα μηχανικών μπορεί να ενορχηστρώσει τις εργασίες άλλων υπηρεσιών AWS μέσα σε μια διοχέτευση δεδομένων. Τα αποτελέσματα αυτής της διαδικασίας αποθηκεύονται σε μια αξιόπιστη ζώνη στο Amazon S3 για χρήση για ανάπτυξη ML. Για περισσότερες πληροφορίες σχετικά με την εφαρμογή του πλαισίου λίμνης δεδομένων χωρίς διακομιστή, βλ Αρχιτεκτονική αναφοράς αγωγών ανάλυσης δεδομένων χωρίς διακομιστή AWS.

Δημιουργήστε τμήματα και προβλέψεις

Η διαδικασία δημιουργίας τμημάτων και προβλέψεων μπορεί να αναλυθεί σε τρία βήματα: πρόσβαση στο περιβάλλον, δημιουργία μοντέλων τάσης και δημιουργία αρχείων εξόδου.

Πρόσβαση στο περιβάλλον

Αφού η ομάδα μηχανικών προετοιμάσει και μετασχηματίσει τα δεδομένα ανάπτυξης ML, η ομάδα επιστήμης δεδομένων μπορεί να δημιουργήσει μοντέλα τάσης χρησιμοποιώντας το SageMaker. Πρώτον, κατασκευάζουν, εκπαιδεύουν και δοκιμάζουν ένα αρχικό σύνολο μοντέλων ML. Αυτό τους επιτρέπει να βλέπουν πρώιμα αποτελέσματα, να αποφασίζουν ποια κατεύθυνση θα ακολουθήσουν και να αναπαράγουν πειράματα.

Η ομάδα επιστήμης δεδομένων χρειάζεται ενεργό Στούντιο Amazon SageMaker Για παράδειγμα, ένα ολοκληρωμένο περιβάλλον ανάπτυξης (IDE) για γρήγορο πειραματισμό ML. Ενοποιεί όλα τα βασικά χαρακτηριστικά του SageMaker και προσφέρει ένα περιβάλλον για τη διαχείριση των αγωγών ML από άκρο σε άκρο. Καταργεί την πολυπλοκότητα και μειώνει τον χρόνο που απαιτείται για την κατασκευή μοντέλων ML και την ανάπτυξή τους στην παραγωγή. Οι προγραμματιστές μπορούν να χρησιμοποιήσουν Σημειωματάρια SageMaker Studio, τα οποία είναι φορητοί υπολογιστές Jupyter με ένα κλικ που μπορείτε να περιστρέψετε γρήγορα για να ενεργοποιήσετε ολόκληρη τη ροή εργασίας ML από την προετοιμασία δεδομένων έως την ανάπτυξη μοντέλου. Για περισσότερες πληροφορίες σχετικά με το SageMaker για ML, βλ Amazon SageMaker για Επιστήμη Δεδομένων.

Δημιουργήστε τα μοντέλα τάσης

Για να εκτιμηθεί η τάση απόκλισης και η επαναλαμβανόμενη αγορά, οι ομάδες εμπειρίας πελατών και επιστήμης δεδομένων θα πρέπει να συμφωνήσουν σχετικά με τους γνωστούς κινητήριους παράγοντες για κάθε αποτέλεσμα.

Η ομάδα της επιστήμης δεδομένων επικυρώνει αυτούς τους γνωστούς παράγοντες ενώ ανακαλύπτει επίσης άγνωστους παράγοντες μέσω της διαδικασίας μοντελοποίησης. Ένα παράδειγμα ανατροπής παραγόντων μπορεί να είναι ο αριθμός των επιστροφών τους τελευταίους 3 μήνες. Ένα παράδειγμα παράγοντα που οδηγεί σε επαναγορές μπορεί να είναι ο αριθμός των στοιχείων που έχουν αποθηκευτεί στον ιστότοπο ή την εφαρμογή για κινητά.

Για την περίπτωση χρήσης μας, υποθέτουμε ότι η ομάδα ψηφιακού μάρκετινγκ θέλει να δημιουργήσει ένα κοινό-στόχο χρησιμοποιώντας παρόμοια μοντέλα για να βρει πελάτες που είναι πιο πιθανό να αγοράσουν ξανά τον επόμενο μήνα. Υποθέτουμε επίσης ότι η ομάδα της καμπάνιας θέλει να στείλει μια προσφορά ηλεκτρονικού ταχυδρομείου σε πελάτες που πιθανότατα θα τερματίσουν τη συνδρομή τους τους επόμενους 3 μήνες, για να τους ενθαρρύνει να ανανεώσουν τη συνδρομή τους.

Η ομάδα επιστήμης δεδομένων μπορεί να ξεκινήσει αναλύοντας τα δεδομένα (χαρακτηριστικά) και συνοψίζοντας τα κύρια χαρακτηριστικά του συνόλου δεδομένων για να κατανοήσει τις βασικές συμπεριφορές δεδομένων. Στη συνέχεια, μπορούν να ανακατέψουν και να χωρίσουν τα δεδομένα σε εκπαίδευση και να δοκιμάσουν και να ανεβάσουν αυτά τα σύνολα δεδομένων στην αξιόπιστη ζώνη. Μπορείτε να χρησιμοποιήσετε έναν αλγόριθμο όπως το XGBoost ταξινομητή για να εκπαιδεύσει το μοντέλο και να παρέχει αυτόματα την επιλογή χαρακτηριστικών, που είναι το καλύτερο σύνολο υποψηφίων για τον προσδιορισμό των βαθμολογιών τάσης (ή των προβλεπόμενων τιμών).

Στη συνέχεια, μπορείτε να συντονίσετε το μοντέλο βελτιστοποιώντας τις μετρήσεις του αλγορίθμου (όπως π.χ υπερπαραμέτρους) με βάση τα εύρη που παρέχονται στο πλαίσιο XGBoost. Τα δεδομένα δοκιμής χρησιμοποιούνται για την αξιολόγηση της απόδοσης του μοντέλου και την εκτίμηση του πόσο καλά γενικεύεται σε νέα δεδομένα. Για περισσότερες πληροφορίες σχετικά με τις μετρήσεις αξιολόγησης, βλ Συντονίστε ένα μοντέλο XGBoost.

Τέλος, οι βαθμολογίες τάσης υπολογίζονται για κάθε πελάτη και αποθηκεύονται στην αξιόπιστη ζώνη S3 για πρόσβαση, έλεγχο και επικύρωση από τις ομάδες μάρκετινγκ και καμπάνιας. Αυτή η διαδικασία παρέχει επίσης μια αξιολόγηση κατά προτεραιότητα της σημασίας των χαρακτηριστικών, η οποία βοηθά να εξηγηθεί πώς παράγονται οι βαθμολογίες.

Δημιουργήστε τα αρχεία εξόδου

Αφού η ομάδα επιστήμης δεδομένων ολοκληρώσει την εκπαίδευση και τον συντονισμό του μοντέλου, συνεργάζεται με την ομάδα μηχανικών για να αναπτύξει το καλύτερο μοντέλο στην παραγωγή. Μπορούμε να χρησιμοποιήσουμε Μετασχηματισμός παρτίδας SageMaker για την εκτέλεση προβλέψεων καθώς συλλέγονται νέα δεδομένα και τη δημιουργία βαθμολογιών για κάθε πελάτη. Η ομάδα μηχανικών μπορεί να ενορχηστρώσει και να αυτοματοποιήσει τη ροή εργασιών ML χρησιμοποιώντας Αγωγοί Amazon SageMaker, μια στοχευμένη υπηρεσία συνεχούς ενοποίησης και συνεχούς παράδοσης (CI/CD) για ML, η οποία προσφέρει ένα περιβάλλον για τη διαχείριση της ροής εργασίας ML από άκρο σε άκρο. Εξοικονομεί χρόνο και μειώνει τα σφάλματα που προκαλούνται συνήθως από τη χειροκίνητη ενορχήστρωση.

Η έξοδος της ροής εργασίας ML εισάγεται από το Amazon Pinpoint για αποστολή εξατομικευμένων μηνυμάτων και εξάγεται στο Τμήμα για χρήση κατά τη στόχευση σε κανάλια προβολής. Η παρακάτω εικόνα παρέχει μια οπτική επισκόπηση της ροής εργασίας ML.

Το ακόλουθο στιγμιότυπο οθόνης δείχνει ένα παράδειγμα αρχείου εξόδου.

Χρησιμοποιήστε βαθμολογίες τάσης για στόχευση προβολής

Οι ομάδες μηχανικής και ψηφιακού μάρκετινγκ μπορούν να δημιουργήσουν την αντίστροφη ροή δεδομένων πίσω στο Τμήμα για να αυξήσουν την προσέγγιση χρηστών. Αυτό χρησιμοποιεί έναν συνδυασμό από AWS Lambda και Amazon S3. Κάθε φορά που δημιουργείται ένα νέο αρχείο εξόδου από τη ροή εργασίας ML και αποθηκεύεται στον αξιόπιστο κάδο S3, καλείται μια συνάρτηση Lambda που ενεργοποιεί μια εξαγωγή στο Τμήμα. Στη συνέχεια, το ψηφιακό μάρκετινγκ μπορεί να χρησιμοποιήσει τακτικά ενημερωμένες βαθμολογίες τάσης ως χαρακτηριστικά πελατών για τη δημιουργία και εξαγωγή κοινού σε προορισμούς Τμήματος (δείτε το ακόλουθο στιγμιότυπο οθόνης). Για περισσότερες πληροφορίες σχετικά με τη δομή του αρχείου της εξαγωγής τμήματος, βλ Amazon S3 από το Lambda.

Όταν τα δεδομένα είναι διαθέσιμα στο Τμήμα, το ψηφιακό μάρκετινγκ μπορεί να δει τις βαθμολογίες τάσης που αναπτύχθηκαν στο SageMaker ως χαρακτηριστικά όταν δημιουργούν τμήματα πελατών. Μπορούν να δημιουργήσουν παρόμοιο κοινό για να τους στοχεύσουν με την ψηφιακή διαφήμιση. Για να δημιουργήσετε έναν βρόχο σχολίων, το ψηφιακό μάρκετινγκ πρέπει να διασφαλίσει ότι οι εμφανίσεις, τα κλικ και οι καμπάνιες απορροφώνται ξανά στο Τμήμα για βελτιστοποίηση της απόδοσης.

Αποστολή εξατομικευμένων εξερχόμενων μηνυμάτων

Η ομάδα παράδοσης καμπάνιας μπορεί να εφαρμόσει και να αναπτύξει καμπάνιες κερδοφορίας που βασίζονται σε τεχνητή νοημοσύνη για να προσελκύσει εκ νέου πελάτες που κινδυνεύουν να παρασυρθούν. Αυτές οι καμπάνιες χρησιμοποιούν τη λίστα των επαφών πελατών που δημιουργούνται στο SageMaker ως τμήματα ενώ ενσωματώνονται με το Amazon Personalize για να παρουσιάζουν εξατομικευμένες προτάσεις προϊόντων. Δείτε το παρακάτω διάγραμμα.

Η ομάδα ψηφιακού μάρκετινγκ μπορεί να πειραματιστεί χρησιμοποιώντας διαδρομές Amazon Pinpoint για να χωρίσει τα τμήματα που θα κερδίσουν πίσω σε υποομάδες και να κρατήσει ένα ποσοστό χρηστών ως ομάδα ελέγχου που δεν εκτίθεται στην καμπάνια. Αυτό τους επιτρέπει να μετρούν τον αντίκτυπο της καμπάνιας και δημιουργεί έναν βρόχο σχολίων.

Ενσωματώστε προτάσεις σε πραγματικό χρόνο

Για την εξατομίκευση των εισερχόμενων καναλιών, οι ομάδες ψηφιακού μάρκετινγκ και μηχανικής συνεργάζονται για να ενσωματώσουν και να διαμορφώσουν το Amazon Personalize ώστε να παρέχει προτάσεις προϊόντων σε διαφορετικά σημεία της διαδρομής του πελάτη. Για παράδειγμα, μπορούν να αναπτύξουν ένα παρόμοιο αντικείμενο σύσταση στις σελίδες λεπτομερειών προϊόντος για να προτείνει συμπληρωματικά στοιχεία (δείτε το παρακάτω διάγραμμα). Επιπλέον, μπορούν να αναπτύξουν έναν προτεινόμενο φιλτραρίσματος βάσει περιεχομένου στη διαδρομή ολοκλήρωσης αγοράς για να υπενθυμίσουν στους πελάτες τα προϊόντα που συνήθως αγόραζαν πριν ολοκληρώσουν την παραγγελία τους.

Αρχικά, η ομάδα μηχανικών πρέπει να δημιουργήσει μικροϋπηρεσίες RESTful που ανταποκρίνονται σε αιτήματα εφαρμογών ιστού, κινητών και άλλων καναλιών με προτάσεις προϊόντων. Αυτές οι μικροϋπηρεσίες καλούν το Amazon Personalize για να λάβουν προτάσεις, να επιλύσουν τα αναγνωριστικά προϊόντων σε πιο ουσιαστικές πληροφορίες, όπως όνομα και τιμή, να ελέγξουν τα επίπεδα αποθέματος και να καθορίσουν ποιο τελικό σημείο καμπάνιας Amazon Personalize θα υποβάλει ερώτημα με βάση την τρέχουσα σελίδα ή οθόνη του χρήστη.

Οι ομάδες ανάπτυξης διεπαφής και κινητής τηλεφωνίας πρέπει να προσθέσουν συμβάντα παρακολούθησης για συγκεκριμένες ενέργειες πελατών στις εφαρμογές τους. Στη συνέχεια, μπορούν να χρησιμοποιήσουν το Τμήμα για να στείλουν αυτά τα συμβάντα απευθείας στο Amazon Personalize σε πραγματικό χρόνο. Αυτά τα συμβάντα παρακολούθησης είναι τα ίδια με τα δεδομένα στοιχείων χρήστη που εξάγαμε νωρίτερα. Επιτρέπουν στις λύσεις του Amazon Personalize να βελτιώσουν τις προτάσεις που βασίζονται σε ζωντανές αλληλεπιδράσεις με τους πελάτες. Είναι σημαντικό να καταγράψετε τις εμφανίσεις, τις προβολές προϊόντων, τις προσθήκες στο καλάθι και τις αγορές, επειδή αυτά τα συμβάντα δημιουργούν έναν βρόχο σχολίων για τους προτείνοντες. Το Lambda είναι ένας ενδιάμεσος, ο οποίος συλλέγει συμβάντα χρήστη από το Segment και τα στέλνει στο Amazon Personalize. Το Lambda διευκολύνει επίσης την αντίστροφη ανταλλαγή δεδομένων, μεταφέροντας ενημερωμένες προτάσεις για τον χρήστη πίσω στο Τμήμα. Για περισσότερες πληροφορίες σχετικά με τη διαμόρφωση προτάσεων σε πραγματικό χρόνο με το Segment και το Amazon Personalize, ανατρέξτε στο Τμήμα δεδομένων σε πραγματικό χρόνο και Amazon Personalize Workshop.

Συμπέρασμα

Αυτή η ανάρτηση περιέγραφε πώς να προσφέρετε μια εμπειρία πελάτη σε όλα τα κανάλια χρησιμοποιώντας έναν συνδυασμό πλατφόρμας δεδομένων πελατών Segment και υπηρεσιών AWS όπως το Amazon SageMaker, το Amazon Personalize και το Amazon Pinpoint. Εξερευνήσαμε τον ρόλο που διαδραματίζουν οι διαλειτουργικές ομάδες σε κάθε στάδιο της διαδρομής των πελατών και στην αλυσίδα αξίας δεδομένων. Η αρχιτεκτονική και η προσέγγιση που συζητήθηκαν επικεντρώνονται σε ένα περιβάλλον λιανικής, αλλά μπορείτε να την εφαρμόσετε σε άλλους κλάδους, όπως χρηματοοικονομικές υπηρεσίες ή μέσα ενημέρωσης και ψυχαγωγίας. Εάν ενδιαφέρεστε να δοκιμάσετε μερικά από αυτά που συζητήσαμε, ρίξτε μια ματιά στο Κατάστημα επίδειξης λιανικής, όπου μπορείτε να βρείτε πρακτικά εργαστήρια που περιλαμβάνουν Segment και άλλους συνεργάτες AWS.

Πρόσθετες παραπομπές

Για πρόσθετες πληροφορίες, ανατρέξτε στους ακόλουθους πόρους:

• Εξατομίκευση παντός καναλιού με Τμήμα
• Εξατομίκευση Omnichannel με το Amazon Personalize
• Δημιουργήστε, συντονίστε και αναπτύξτε ένα μοντέλο πρόβλεψης από άκρο σε άκρο χρησιμοποιώντας το Amazon SageMaker Pipelines
• Αυτοματοποιήστε τους αγωγούς μηχανικής λειτουργίας με το Amazon SageMaker
• Παρακολούθηση ποιότητας μοντέλου

Σχετικά με το τμήμα

Η Segment είναι συνεργάτης προηγμένης τεχνολογίας της AWS και κάτοχος των ακόλουθων αρμοδιοτήτων AWS Independent Software Vendor (ISV): Data & Analytics, Digital Customer Experience, Retail και Machine Learning. Επωνυμίες όπως η Atlassian και η Digital Ocean χρησιμοποιούν λύσεις ανάλυσης σε πραγματικό χρόνο που υποστηρίζονται από την Segment.

---

Σχετικά με τους Συγγραφείς

Ντουέιν Μπράουν είναι Κύριος Ειδικός Πλατφόρμας Analytics στην AWS με έδρα το Λονδίνο. Είναι μέρος του προγράμματος πελατών Data-Driven Everything (D2E), όπου βοηθά τους πελάτες να προσανατολίζονται περισσότερο στα δεδομένα και να επικεντρώνονται στην εμπειρία των πελατών. Έχει ένα υπόβαθρο στην ψηφιακή ανάλυση, την εξατομίκευση και την αυτοματοποίηση μάρκετινγκ. Στον ελεύθερο χρόνο του, ο Dwayne απολαμβάνει την αναρρίχηση σε εσωτερικούς χώρους και την εξερεύνηση της φύσης.

Χαρά Γαβριλιάδη είναι Senior Data Analytics Strategist στην AWS Professional Services με έδρα το Λονδίνο. Βοηθά τους πελάτες να μεταμορφώσουν την επιχείρησή τους χρησιμοποιώντας δεδομένα, αναλυτικά στοιχεία και μηχανική μάθηση. Ειδικεύεται στην ανάλυση πελατών και τη στρατηγική δεδομένων. Η Χαρά λατρεύει τις βόλτες στην εξοχή και απολαμβάνει να ανακαλύπτει τοπικά βιβλιοπωλεία και στούντιο γιόγκα στον ελεύθερο χρόνο της.

Κένι Ράτζαν είναι Senior Partner Solution Architect. Ο Kenny βοηθά τους πελάτες να αξιοποιήσουν στο έπακρο το AWS και τους συνεργάτες του, δείχνοντας πώς συνεργάζονται καλύτερα οι συνεργάτες AWS και οι υπηρεσίες AWS. Ενδιαφέρεται για τη μηχανική μάθηση, τα δεδομένα, την υλοποίηση ERP και τις λύσεις που βασίζονται στη φωνή στο cloud. Εκτός δουλειάς, ο Kenny του αρέσει να διαβάζει βιβλία και να βοηθά σε φιλανθρωπικές δραστηριότητες.

• Coinsmart. Το καλύτερο ανταλλακτήριο Bitcoin και Crypto στην Ευρώπη.
• Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. ΕΛΕΥΘΕΡΗ ΠΡΟΣΒΑΣΗ.
• CryptoHawk. Ραντάρ Altcoin. Δωρεάν δοκιμή.
• Πηγή: https://aws.amazon.com/blogs/machine-learning/personalize-cross-channel-customer-experiences-with-amazon-sagemaker-amazon-personalize-and-segment/