Πώς ο Amp στο Amazon χρησιμοποίησε δεδομένα για να αυξήσει την αφοσίωση των πελατών, Μέρος 1: Δημιουργία μιας πλατφόρμας ανάλυσης δεδομένων

Αμπέραζ, η νέα εφαρμογή ζωντανού ραδιοφώνου από την Amazon, είναι μια επανεφεύρεση του ραδιοφώνου που περιλαμβάνει ζωντανές ηχητικές εκπομπές επιμελημένες από τον άνθρωπο. Έχει σχεδιαστεί για να παρέχει μια απρόσκοπτη εμπειρία πελάτη σε ακροατές και δημιουργούς, παρουσιάζοντας διαδραστικές ζωντανές εκπομπές ήχου από τους αγαπημένους σας καλλιτέχνες, ραδιοφωνικούς DJ, podcasters και φίλους.

Ωστόσο, ως νέο προϊόν σε έναν νέο χώρο για την Amazon, ο Amp χρειαζόταν περισσότερα σχετικά δεδομένα για να ενημερώσει τη διαδικασία λήψης αποφάσεων. Ο Amp ήθελε μια επεκτάσιμη πλατφόρμα δεδομένων και αναλυτικών στοιχείων για να επιτρέπει την εύκολη πρόσβαση σε δεδομένα και να εκτελεί πειράματα μηχανικής κλίσης (ML) για ζωντανή μεταγραφή ήχου, εποπτεία περιεχομένου, μηχανική λειτουργιών και υπηρεσία προτάσεων προσωπικής εκπομπής, καθώς και για επιθεώρηση ή μέτρηση επιχειρηματικών KPI και μετρήσεων.

Αυτή η ανάρτηση είναι η πρώτη σε μια σειρά δύο μερών. Το Μέρος 1 δείχνει πώς συλλέχθηκαν και υποβλήθηκαν σε επεξεργασία δεδομένα χρησιμοποιώντας την πλατφόρμα δεδομένων και αναλυτικών στοιχείων και Μέρος 2 δείχνει πώς χρησιμοποιήθηκαν τα δεδομένα για τη δημιουργία προτάσεων εμφάνισης χρησιμοποιώντας Amazon Sage Maker, μια πλήρως διαχειριζόμενη υπηρεσία ML. Η υπηρεσία εξατομικευμένης λίστας προτάσεων εκπομπών έχει δείξει μια ώθηση 3% στις μετρήσεις αφοσίωσης πελατών που παρακολουθούνται (όπως το να αρέσει σε μια εκπομπή, να ακολουθεί κάποιος δημιουργός ή να ενεργοποιεί τις ειδοποιήσεις επερχόμενων εκπομπών) από την κυκλοφορία της τον Μάιο του 2022.

Επισκόπηση λύσεων

Οι πηγές δεδομένων για το Amp μπορούν να κατηγοριοποιηθούν σε γενικές γραμμές είτε ως ροή (σχεδόν σε πραγματικό χρόνο) είτε ως παρτίδα (σημείο στο χρόνο). Τα δεδομένα πηγής εκπέμπονται από συστήματα που ανήκουν σε Amp ή άλλα συστήματα της Amazon. Οι δύο διαφορετικοί τύποι δεδομένων είναι οι εξής:

• Ροή δεδομένων – Αυτός ο τύπος δεδομένων αποτελείται κυρίως από παρακολούθηση, ειδοποιήσεις (σχετικά με τους φίλους των χρηστών, τους αγαπημένους δημιουργούς ή εκπομπές), ενημερώσεις δραστηριότητας, αλληλεπιδράσεις ζωντανών εκπομπών (κλήσεις, συμπαρουσιαστές, δημοσκοπήσεις, συνομιλία εντός εφαρμογής), σε πραγματικό χρόνο ενημερώσεις σχετικά με τις δραστηριότητες ζωντανών εκπομπών (πλήθος ζωντανής ακρόασης, "μου αρέσει", μετρήσεις ζωντανής αναπαραγωγής ήχου και άλλες μετρήσεις ροής κλικ από την εφαρμογή Amp. Οι ενδιαφερόμενοι ενισχυτές απαιτούν αυτά τα δεδομένα για την τροφοδοσία διεργασιών ML ή μοντέλων πρόβλεψης, εργαλείων εποπτείας περιεχομένου και πίνακες εργαλείων προϊόντων και προγραμμάτων (για παράδειγμα, εκπομπές τάσεων). Η ροή δεδομένων δίνει τη δυνατότητα στους πελάτες Amp να διεξάγουν και να μετρούν πειραματισμούς.
• Δεδομένα παρτίδας – Αυτά τα δεδομένα αποτελούνται κυρίως από δεδομένα καταλόγου, μεταδεδομένα εκπομπής ή δημιουργού και δεδομένα προφίλ χρήστη. Τα δεδομένα παρτίδας επιτρέπουν περισσότερες αναφορές και αναλυτικά στοιχεία σε χρόνο σε σχέση με τον πραγματικό χρόνο.

Το παρακάτω διάγραμμα απεικονίζει την αρχιτεκτονική υψηλού επιπέδου.

Η πλατφόρμα δεδομένων και ανάλυσης Amp μπορεί να αναλυθεί σε τρία συστήματα υψηλού επιπέδου:

• Απορρόφηση δεδομένων ροής, επεξεργασία και μετασχηματισμός ροής και αποθήκευση ροής
• Απορρόφηση δεδομένων παρτίδας, επεξεργασία και μετασχηματισμός παρτίδας και αποθήκευση κατά παρτίδες
• Business Intelligence (BI) και analytics

Στις επόμενες ενότητες, θα συζητήσουμε κάθε στοιχείο με περισσότερες λεπτομέρειες.

Απορρόφηση, επεξεργασία, μετασχηματισμός και αποθήκευση δεδομένων ροής

Ο Amp δημιούργησε έναν αγωγό απορρόφησης ροής χωρίς διακομιστή, ικανό να αξιοποιεί δεδομένα από πηγές χωρίς την ανάγκη διαχείρισης υποδομής, όπως φαίνεται στο παρακάτω διάγραμμα.

Ο αγωγός μπόρεσε να απορροφήσει τα δεδομένα του καταλόγου εκπομπής Amp (τις εμφανίσεις είναι διαθέσιμες στο Amp) και να το μεταβιβάσει στη λίμνη δεδομένων για δύο διαφορετικές περιπτώσεις χρήσης: μία για αναλυτικές αναλύσεις σχεδόν σε πραγματικό χρόνο και μία για ανάλυση παρτίδων.

Ως μέρος του αγωγού απορρόφησης, η ομάδα Amp διαθέτει ένα Υπηρεσία απλής ουράς Amazon (Amazon SQS) ουρά που λαμβάνει μηνύματα από ένα upstream Υπηρεσία απλών ειδοποιήσεων Amazon Θέμα (Amazon SNS) που περιέχει πληροφορίες για αλλαγές σε εκπομπές στον κατάλογο. Αυτές οι αλλαγές θα μπορούσαν να είναι η προσθήκη νέων εκπομπών ή προσαρμογές σε υπάρχουσες που έχουν προγραμματιστεί.

Όταν το μήνυμα λαμβάνεται από την ουρά SQS, ενεργοποιεί το AWS Lambda λειτουργία για να πραγματοποιήσετε μια κλήση API στην υπηρεσία καταλόγου Amp. Η συνάρτηση Lambda ανακτά τα επιθυμητά μεταδεδομένα εμφάνισης, φιλτράρει τα μεταδεδομένα και, στη συνέχεια, στέλνει τα μεταδεδομένα εξόδου στο Ροές δεδομένων Amazon Kinesis. Firehose δεδομένων Amazon Kinesis λαμβάνει τις εγγραφές από τη ροή δεδομένων. Στη συνέχεια, το Kinesis Data Firehose καλεί μια δευτερεύουσα συνάρτηση Lambda για να εκτελέσει έναν μετασχηματισμό δεδομένων που ισοπεδώνει τις εγγραφές JSON που λαμβάνονται και εγγράφει τις μετασχηματισμένες εγγραφές σε Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) λίμνη δεδομένων για κατανάλωση από ενδιαφερόμενους φορείς Amp.

Το Kinesis Data Firehose ενεργοποίησε την αποθήκευση και εγγραφή δεδομένων στο Amazon S3 κάθε 60 δευτερόλεπτα. Αυτό βοήθησε τις ομάδες Amp να λαμβάνουν αποφάσεις προγραμματισμού σχεδόν σε πραγματικό χρόνο που επηρέασαν εξωτερικούς πελάτες.

Ο αγωγός απορρόφησης ροής υποστήριζε τους ακόλουθους στόχους: απόδοση, διαθεσιμότητα, επεκτασιμότητα και ευελιξία για την αποστολή δεδομένων σε πολλαπλές μεταγενέστερες εφαρμογές ή υπηρεσίες:

• Το Kinesis Data Streams χειρίζεται την απορρόφηση δεδομένων ροής όταν είναι απαραίτητο. Το Kinesis Data Streams υποστήριξε αυτούς τους στόχους επιτρέποντας στην ομάδα Amp να απορροφά γρήγορα δεδομένα για αναλυτικά στοιχεία με ελάχιστο λειτουργικό φόρτο. Ως πλήρως διαχειριζόμενη υπηρεσία, μείωσε τα λειτουργικά έξοδα και ο Amp μπόρεσε να κλιμακωθεί ανάλογα με τις ανάγκες του προϊόντος.
• Το Lambda επέτρεψε στην ομάδα να δημιουργήσει ελαφριές συναρτήσεις για την εκτέλεση κλήσεων API και την εκτέλεση μετασχηματισμών δεδομένων.
• Επειδή το Kinesis Data Firehose είναι μια διαχειριζόμενη υπηρεσία, μπόρεσε να χειριστεί όλες τις ανάγκες κλιμάκωσης, διαμοιρασμού και παρακολούθησης των δεδομένων ροής χωρίς να ακούγεται επιπλέον για την ομάδα.

Απορρόφηση, επεξεργασία, μετασχηματισμός και αποθήκευση ομαδικών δεδομένων

Ο Amp δημιούργησε μια σωλήνωση απορρόφησης παροδικής παρτίδας (σημείο στο χρόνο) ικανή για απορρόφηση δεδομένων, επεξεργασία και μετασχηματισμό και αποθήκευση, όπως φαίνεται στο παρακάτω διάγραμμα.

Μια μεταβατική προσέγγιση εργασίας εξαγωγής, μετασχηματισμού και φόρτωσης (ETL) και εξαγωγής, φόρτωσης και μετασχηματισμού (ELT) εφαρμόστηκε λόγω της φύσης παρτίδας αυτών των φόρτων εργασίας και άγνωστων όγκων δεδομένων. Ως μέρος του αυτοματισμού ροής εργασιών, το Amazon SQS χρησιμοποιήθηκε για την ενεργοποίηση μιας συνάρτησης Lambda. Στη συνέχεια, η συνάρτηση Lambda ενεργοποίησε τον ανιχνευτή AWS Glue για να συμπεράνει το σχήμα και τους τύπους δεδομένων. Ο ανιχνευτής έγραψε τα μεταδεδομένα σχήματος στον κατάλογο δεδομένων AWS Glue, παρέχοντας ένα ενοποιημένο χώρο αποθήκευσης μεταδεδομένων για κοινή χρήση δεδομένων.

Οι εργασίες ETL και ELT έπρεπε να εκτελούνται είτε βάσει καθορισμένου χρονοδιαγράμματος είτε βάσει ροής εργασιών βάσει συμβάντων. Για να χειριστεί αυτές τις ανάγκες, χρησιμοποίησε το Amp Ροές εργασίας που διαχειρίζεται η Amazon για ροή αέρα Apache (Amazon MWAA). Το Apache Airflow είναι μια πλατφόρμα διαχείρισης ροής εργασίας ανοιχτού κώδικα που βασίζεται σε Python. Το Amazon MWAA είναι μια πλήρως διαχειριζόμενη υπηρεσία που χειρίζεται αυτόματα την κλιμάκωση. Παρέχει αλληλουχία, χειρισμό σφαλμάτων, λογική επανάληψης και κατάσταση. Με το Amazon MWAA, ο Amp μπόρεσε να εκμεταλλευτεί τα πλεονεκτήματα του Airflow για την ενορχήστρωση εργασιών, χωρίς να χρειάζεται να διαχειρίζεται ή να διατηρεί αποκλειστικούς διακομιστές Airflow. Επιπλέον, χρησιμοποιώντας το Amazon MWAA, ο Amp μπόρεσε να δημιουργήσει ένα αποθετήριο κώδικα και μια διοχέτευση ροής εργασίας αποθηκευμένη στο Amazon S3 στην οποία θα μπορούσε να έχει πρόσβαση το Amazon MWAA. Ο αγωγός επέτρεψε στους μηχανικούς δεδομένων Amp να αναπτύξουν εύκολα Airflow DAG ή σενάρια PySpark σε πολλά περιβάλλοντα.

Χρησιμοποιημένος ενισχυτής EMR Αμαζονίου on Υπηρεσία Amazon Elastic Kubernetes (Amazon EKS) για τη διαμόρφωση και διαχείριση κοντέινερ για τις εργασίες επεξεργασίας και μετατροπής δεδομένων τους. Λόγω της μοναδικής φύσης της υπηρεσίας Amp, οι αρχικοί αναμενόμενοι όγκοι δεδομένων που θα επεξεργάζονταν ήταν σχετικά άγνωστοι. Για να παρέχει ευελιξία καθώς εξελίσσεται η υπηρεσία, η ομάδα αποφάσισε να συνεργαστεί με το Amazon EMR στο EKS για να εξαλείψει κάθε περιττό λειτουργικό κρυφό που απαιτείται για την εκκίνηση και την κλιμάκωση του Amazon EMR για επεξεργασία δεδομένων. Αυτή η προσέγγιση τους επέτρεψε να εκτελέσουν παροδικά υβριδικά συμπλέγματα EMR που υποστηρίζονται από ένα μείγμα από AWS Fargate και Amazon Elastic Compute Cloud Κόμβοι (Amazon EC2), όπου όλες οι εργασίες συστήματος και οι φόρτοι εργασίας μεταφορτώνονταν στο Fargate, ενώ το Amazon EC2 χειρίστηκε όλη την επεξεργασία και τον μετασχηματισμό του Apache Spark. Αυτό παρείχε την ευελιξία να υπάρχει ένα σύμπλεγμα με έναν κόμβο που εκτελείται, ενώ ο αυτόματος κλιμακωτής κλιμάκωσης Amazon EKS δημιούργησε δυναμικά και εκκίνησε τυχόν πρόσθετους κόμβους EC2 που απαιτούνταν για την εργασία. Όταν ολοκληρώθηκε η εργασία, διαγράφηκαν αυτόματα από την αυτόματη βαθμολόγηση συμπλέγματος. Αυτό το μοτίβο εξάλειψε την ανάγκη για την ομάδα να διαχειρίζεται οποιαδήποτε από τις ενέργειες εκκίνησης συμπλέγματος ή την κλιμάκωση που απαιτείται για την ανταπόκριση σε εξελισσόμενους φόρτους εργασίας.

Το Amazon S3 χρησιμοποιήθηκε ως η κεντρική λίμνη δεδομένων και τα δεδομένα αποθηκεύτηκαν σε μορφή Apache Parquet (Parquet). Το παρκέ είναι μια μορφή στήλης, η οποία επιταχύνει την ανάκτηση δεδομένων και παρέχει αποτελεσματική συμπίεση δεδομένων. Το Amazon S3 παρείχε τις ανάγκες ευελιξίας, επεκτασιμότητας και ασφάλειας για τον Amp. Με το Amazon S3, η ομάδα Amp μπόρεσε να συγκεντρώσει την αποθήκευση δεδομένων σε μία τοποθεσία και να συνδυάσει την πρόσβαση στα δεδομένα σχεδόν σε οποιαδήποτε υπηρεσία ή εργαλείο εντός ή εκτός του AWS. Η λίμνη δεδομένων χωρίστηκε σε δύο κάδους S3: έναν για την απορρόφηση ακατέργαστων δεδομένων και έναν για την παραγωγή μετασχηματισμένων δεδομένων. Το Amazon EMR πραγματοποίησε τη μετατροπή από ακατέργαστα δεδομένα σε μετασχηματισμένα δεδομένα. Με το Amazon S3 ως την κεντρική λίμνη δεδομένων, ο Amp ήταν σε θέση να εκθέσει και να μοιραστεί με ασφάλεια τα δεδομένα με άλλες ομάδες σε όλη την Amp και την Amazon.

Για να απλοποιήσουν τον ορισμό δεδομένων, την παροχή πρόσβασης σε πίνακα και την προσθήκη και αφαίρεση πινάκων, χρησιμοποίησαν ανιχνευτές AWS Glue και τον Κατάλογο Δεδομένων Κόλλας AWS. Επειδή το Amp είναι μια νέα υπηρεσία που εξελίσσεται συνεχώς, η ομάδα χρειαζόταν έναν τρόπο να ορίζει, να έχει πρόσβαση και να διαχειρίζεται εύκολα τους πίνακες στη λίμνη δεδομένων. Τα προγράμματα ανίχνευσης χειρίζονταν τον ορισμό δεδομένων (συμπεριλαμβανομένων των αλλαγών σχήματος) και την προσθήκη και αφαίρεση πινάκων, ενώ ο Κατάλογος Δεδομένων χρησίμευε ως ενοποιημένος χώρος αποθήκευσης μεταδεδομένων.

Επιχειρηματική ευφυΐα και αναλυτικά στοιχεία

Το παρακάτω διάγραμμα απεικονίζει την αρχιτεκτονική για το στοιχείο BI και αναλυτικών στοιχείων.

Ο Amp επέλεξε να αποθηκεύσει τα δεδομένα στη λίμνη δεδομένων S3 και όχι στην αποθήκη δεδομένων. Αυτό τους επέτρεψε να έχουν πρόσβαση σε αυτό με ενοποιημένο τρόπο μέσω του καταλόγου δεδομένων κόλλας AWS και παρείχε μεγαλύτερη ευελιξία στους καταναλωτές δεδομένων. Αυτό είχε ως αποτέλεσμα ταχύτερη πρόσβαση στα δεδομένα σε μια ποικιλία υπηρεσιών ή εργαλείων. Με τα δεδομένα που αποθηκεύονται στο Amazon S3, μείωσε επίσης το κόστος υποδομής αποθήκης δεδομένων, επειδή το κόστος είναι συνάρτηση του υπολογιστικού τύπου και της ποσότητας των δεδομένων που αποθηκεύονται.

Η Amazon RedShift Ο τύπος κόμβου RA3 χρησιμοποιήθηκε ως επίπεδο υπολογισμού για να μπορέσουν οι ενδιαφερόμενοι να υποβάλουν ερωτήματα σε δεδομένα που είναι αποθηκευμένα στο Amazon S3. Οι κόμβοι Amazon Redshift RA3 αποσυνδέουν την αποθήκευση και τον υπολογισμό και έχουν σχεδιαστεί για ένα μοτίβο πρόσβασης μέσω του καταλόγου δεδομένων κόλλας AWS. Οι κόμβοι RA3 εισάγουν το Amazon Redshift Managed Storage, το οποίο υποστηρίζεται από το Amazon S3. Ο συνδυασμός αυτών των χαρακτηριστικών επέτρεψε στον Amp να κάνει σωστό μέγεθος στα συμπλέγματα και να παρέχει καλύτερη απόδοση ερωτημάτων για τους πελάτες του, ελαχιστοποιώντας ταυτόχρονα το κόστος.

Η διαμόρφωση του Amazon Redshift αυτοματοποιήθηκε χρησιμοποιώντας μια συνάρτηση Lambda, η οποία συνδέθηκε σε ένα δεδομένο σύμπλεγμα και εκτελούσε παραμετροποιημένες δηλώσεις SQL. Οι δηλώσεις SQL περιείχαν τη λογική για την ανάπτυξη σχημάτων, ομάδων χρηστών και χρηστών, ενώ Διευθυντής μυστικών AWS χρησιμοποιήθηκε για την αυτόματη δημιουργία, αποθήκευση και περιστροφή κωδικών πρόσβασης χρήστη Amazon Redshift. Οι υποκείμενες μεταβλητές διαμόρφωσης αποθηκεύτηκαν στο Amazon DynamoDB. Η συνάρτηση Lambda ανέκτησε τις μεταβλητές και ζήτησε προσωρινά διαπιστευτήρια Amazon Redshift για να εκτελέσει τη διαμόρφωση. Αυτή η διαδικασία επέτρεψε στην ομάδα Amp να ρυθμίσει τα συμπλέγματα Amazon Redshift με συνεπή τρόπο.

Επιχειρηματικά αποτελέσματα

Ο Amp κατάφερε να επιτύχει τα ακόλουθα επιχειρηματικά αποτελέσματα:

• Αναφορά επιχειρήσεων – Απαιτούνται τυπικές αναφορές για τη λειτουργία της επιχείρησης, όπως ημερήσιες αναφορές flash, συγκεντρωτικούς μηχανισμούς αξιολόγησης επιχειρήσεων ή ενημερώσεις έργων και προγραμμάτων.
• Αναφορά προϊόντων – Απαιτούνται συγκεκριμένες αναφορές για να καταστεί δυνατή η επιθεώρηση ή η μέτρηση βασικών KPI και Μετρήσεων προϊόντων. Αυτό περιλάμβανε οπτικές αναφορές μέσω πινάκων εργαλείων, όπως αποτελεσματικότητα προώθησης μάρκετινγκ, μετρήσεις αφοσίωσης σε εφαρμογές και εκπομπές τάσεων.
• Πειραματισμός ML – Ενεργοποίησε τις μεταγενέστερες ομάδες της Amazon να χρησιμοποιούν αυτά τα δεδομένα για να υποστηρίξουν πειραματισμούς ή να δημιουργήσουν προβλέψεις και συστάσεις. Για παράδειγμα, οι πειραματισμοί ML, όπως μια εξατομικευμένη λίστα προτάσεων εκπομπής, η κατηγοριοποίηση εκπομπών και η εποπτεία περιεχομένου βοήθησαν στη διατήρηση των χρηστών του Amp.

Βασικά οφέλη

Εφαρμόζοντας μια κλιμακούμενη, οικονομικά αποδοτική αρχιτεκτονική, ο Amp κατάφερε να επιτύχει τα ακόλουθα:

• Περιορισμένη λειτουργική πολυπλοκότητα – Κατασκεύασαν ένα ευέλικτο σύστημα που χρησιμοποιούσε υπηρεσίες διαχείρισης AWS όπου ήταν δυνατόν.
• Χρησιμοποιήστε τις γλώσσες των δεδομένων – Ο Amp ήταν σε θέση να υποστηρίξει τις δύο πιο κοινές γλώσσες χειρισμού δεδομένων, την Python και την SQL, για την εκτέλεση λειτουργιών πλατφόρμας, τη διεξαγωγή πειραμάτων ML και τη δημιουργία αναλυτικών στοιχείων. Με αυτήν την υποστήριξη, οι προγραμματιστές με Amp μπορούσαν να χρησιμοποιούν γλώσσες με τις οποίες ήταν εξοικειωμένες.
• Ενεργοποίηση πειραματισμού και μέτρησης – Το Amp επέτρεψε στους προγραμματιστές να δημιουργήσουν γρήγορα τα σύνολα δεδομένων που απαιτούνται για τη διεξαγωγή πειραμάτων και τη μέτρηση των αποτελεσμάτων. Αυτό βοηθά στη βελτιστοποίηση της εμπειρίας του πελάτη Amp.
• Κατασκευάστε για να μάθετε αλλά σχεδιάστε σε κλίμακα – Το Amp είναι ένα νέο προϊόν που βρίσκει την εφαρμογή του στην αγορά και μπόρεσε να εστιάσει την αρχική του ενέργεια στη δημιουργία αρκετών λειτουργιών για να λάβει σχόλια. Αυτό τους επέτρεψε να στραφούν προς τη σωστή εφαρμογή στην αγορά προϊόντων με κάθε κυκλοφορία. Κατάφεραν να χτίσουν σταδιακά, αλλά σχεδιάζουν μακροπρόθεσμα.

Συμπέρασμα

Σε αυτήν την ανάρτηση, είδαμε πώς η Amp δημιούργησε την πλατφόρμα ανάλυσης δεδομένων της χρησιμοποιώντας δεδομένα συμπεριφοράς χρηστών από πηγές δεδομένων ροής και ομαδικών δεδομένων. Οι βασικοί παράγοντες που οδήγησαν την υλοποίηση ήταν η ανάγκη παροχής μιας ευέλικτης, επεκτάσιμης, οικονομικής και αποδοτικής πλατφόρμας ανάλυσης δεδομένων. Έγιναν επιλογές σχεδιασμού αξιολογώντας διάφορες υπηρεσίες AWS.

Μέρος 2 αυτής της σειράς δείχνει πώς χρησιμοποιήσαμε αυτά τα δεδομένα και δημιουργήσαμε την εξατομικευμένη λίστα προτάσεων εκπομπής χρησιμοποιώντας το SageMaker.

Ως επόμενα βήματα, συνιστούμε να κάνετε μια βαθιά κατάδυση σε κάθε στάδιο του συστήματος διοχέτευσης δεδομένων σας και να κάνετε επιλογές σχεδίασης που θα ήταν οικονομικά αποδοτικές και επεκτάσιμες για τις ανάγκες σας. Για περισσότερες πληροφορίες, μπορείτε επίσης να ελέγξετε άλλες περιπτώσεις χρήσης πελατών στο Ιστολόγιο AWS Analytics.

Εάν έχετε σχόλια σχετικά με αυτήν την ανάρτηση, υποβάλετέ τα στην ενότητα σχολίων.

---

Σχετικά με τους συγγραφείς

Tulip Gupta είναι αρχιτέκτονας λύσεων στο Amazon Web Services. Συνεργάζεται με την Amazon για το σχεδιασμό, την κατασκευή και την ανάπτυξη τεχνολογικών λύσεων στο AWS. Βοηθά τους πελάτες στην υιοθέτηση βέλτιστων πρακτικών κατά την ανάπτυξη λύσεων στο AWS και είναι λάτρης του Analytics και της ML. Στον ελεύθερο χρόνο της, της αρέσει το κολύμπι, η πεζοπορία και τα επιτραπέζια παιχνίδια.

Ντέιβιντ Κουό είναι αρχιτέκτονας λύσεων στο Amazon Web Services. Συνεργάζεται με πελάτες AWS για να σχεδιάσει, να δημιουργήσει και να αναπτύξει τεχνολογικές λύσεις στο AWS. Συνεργάζεται με πελάτες Media and Entertainment και ενδιαφέρεται για τις τεχνολογίες μηχανικής εκμάθησης. Στον ελεύθερο χρόνο του αναρωτιέται τι πρέπει να κάνει με τον ελεύθερο χρόνο του.

Μανόλια ΜακΚόρμικ είναι Sr Μηχανικός Ανάπτυξης Λογισμικού για Amp στο Amazon. Σχεδιάζει και κατασκευάζει κατανεμημένα συστήματα χρησιμοποιώντας AWS για την εξυπηρέτηση εφαρμογών που αντιμετωπίζουν πελάτες. Της αρέσει να διαβάζει και να μαγειρεύει νέες συνταγές στον ελεύθερο χρόνο της.

Τζεφ Κρίστοφερσεν είναι Sr. Data Engineer for Amp στο Amazon. Εργάζεται για να σχεδιάσει, να δημιουργήσει και να αναπτύξει λύσεις Big Data σε AWS που οδηγούν σε χρήσιμες πληροφορίες. Βοηθά εσωτερικές ομάδες στην υιοθέτηση επεκτάσιμων και αυτοματοποιημένων λύσεων και είναι λάτρης του Analytics και των μεγάλων δεδομένων. Στον ελεύθερο χρόνο του, όταν δεν είναι σε ένα ζευγάρι σκι μπορείτε να τον βρείτε στο ποδήλατο βουνού του.