Esta publicación está coescrita por Hesham Fahim de Thomson Reuters.
Thomson Reuters (TR) es una de las organizaciones de información más confiables del mundo para empresas y profesionales. Brinda a las empresas la inteligencia, la tecnología y la experiencia humana que necesitan para encontrar respuestas confiables, lo que les permite tomar mejores decisiones con mayor rapidez. Los clientes de TR abarcan los mercados financiero, de riesgo, legal, fiscal, contable y de medios.
Thomson Reuters ofrece productos líderes en el mercado en la campaña Tax, Legal and News, a la que los usuarios pueden suscribirse mediante un modelo de licencia por suscripción. Para mejorar esta experiencia para sus clientes, TR quería crear una plataforma de recomendaciones centralizada que permitiera a su equipo de ventas sugerir los paquetes de suscripción más relevantes a sus clientes, generando sugerencias que ayuden a crear conciencia sobre los productos que podrían ayudar a sus clientes a servir mejor al mercado a través de selecciones de productos a la medida.
Antes de construir esta plataforma centralizada, TR tenía un motor heredado basado en reglas para generar recomendaciones de renovación. Las reglas de este motor estaban predefinidas y escritas en SQL, que además de representar un desafío para administrar, también tuvo problemas para hacer frente a la proliferación de datos de las diversas fuentes de datos integradas de TR. Los datos de los clientes de TR están cambiando a un ritmo más rápido de lo que pueden evolucionar las reglas comerciales para reflejar las necesidades cambiantes de los clientes. El requisito clave para el nuevo motor de personalización basado en aprendizaje automático (ML) de TR se centró en un sistema de recomendación preciso que tenga en cuenta las tendencias recientes de los clientes. La solución deseada sería una con gastos generales operativos bajos, la capacidad de acelerar el cumplimiento de los objetivos comerciales y un motor de personalización que pudiera capacitarse constantemente con datos actualizados para lidiar con los hábitos cambiantes de los consumidores y los nuevos productos.
Personalizar las recomendaciones de renovación en función de lo que serían productos valiosos para los clientes de TR fue un desafío comercial importante para el equipo de ventas y marketing. TR tiene una gran cantidad de datos que podrían usarse para la personalización que se recopilaron de las interacciones con los clientes y se almacenaron en un almacén de datos centralizado. TR ha sido uno de los primeros en adoptar ML con Amazon SageMaker, y su madurez en el dominio AI/ML significaba que habían recopilado un conjunto de datos significativo de datos relevantes dentro de un almacén de datos, con los que el equipo podía entrenar un modelo de personalización. TR ha continuado con su innovación de AI/ML y recientemente ha desarrollado una plataforma de recomendación renovada usando Amazon Personalize, que es un servicio de aprendizaje automático completamente administrado que utiliza elementos e interacciones de los usuarios para generar recomendaciones para los usuarios. En esta publicación, explicamos cómo TR usó Amazon Personalize para crear un sistema de recomendación escalable y de múltiples inquilinos que proporciona los mejores planes de suscripción de productos y precios asociados a sus clientes.
Arquitectura de soluciones
La solución tuvo que diseñarse teniendo en cuenta las operaciones centrales de TR en torno a la comprensión de los usuarios a través de los datos; proporcionar a estos usuarios contenido personalizado y relevante a partir de un gran corpus de datos era un requisito de misión crítica. Tener un sistema de recomendaciones bien diseñado es clave para obtener recomendaciones de calidad que se adapten a los requisitos de cada usuario.
La solución requería recopilar y preparar datos de comportamiento del usuario, entrenar un modelo de ML usando Amazon Personalize, generar recomendaciones personalizadas a través del modelo entrenado e impulsar campañas de marketing con recomendaciones personalizadas.
TR quería aprovechar los servicios administrados de AWS siempre que fuera posible para simplificar las operaciones y reducir el trabajo pesado no diferenciado. TR usado Elaboración de datos de AWS Glue y Lote de AWS trabajos para realizar los trabajos de extracción, transformación y carga (ETL) en las canalizaciones de ML, y SageMaker junto con Amazon Personalize para adaptar las recomendaciones. Desde una perspectiva de tiempo de ejecución y volumen de datos de capacitación, la solución debía ser escalable para procesar millones de registros dentro del marco de tiempo ya comprometido con los consumidores intermedios en los equipos comerciales de TR.
Las siguientes secciones explican los componentes involucrados en la solución.
Pipeline de entrenamiento de ML
Las interacciones entre los usuarios y el contenido se recopilan en forma de datos de flujo de clics, que se generan a medida que el cliente hace clic en el contenido. TR analiza si esto es parte de su plan de suscripción o más allá de su plan de suscripción para que puedan proporcionar detalles adicionales sobre el precio y las opciones de inscripción en el plan. Los datos de las interacciones del usuario de varias fuentes se conservan en su almacén de datos.
El siguiente diagrama ilustra la canalización de capacitación de ML.
La canalización comienza con un trabajo de AWS Batch que extrae los datos del almacén de datos y los transforma para crear conjuntos de datos de interacciones, usuarios y elementos.
Los siguientes conjuntos de datos se utilizan para entrenar el modelo:
- Datos de productos estructurados – Suscripciones, pedidos, catálogo de productos, transacciones y detalles del cliente
- Datos de comportamiento semiestructurados – Usuarios, uso e interacciones
Estos datos transformados se almacenan en un Servicio de almacenamiento simple de Amazon (Amazon S3), que se importa a Amazon Personalize para la capacitación de ML. Como TR quiere generar recomendaciones personalizadas para sus usuarios, utilizan el USUARIO_PERSONALIZACIÓN receta para entrenar modelos ML para sus datos personalizados, lo que se denomina creación de una versión de solución. Una vez creada la versión de la solución, se utiliza para generar recomendaciones personalizadas para los usuarios.
Todo el flujo de trabajo está orquestado usando Funciones de paso de AWS. Las alertas y notificaciones se capturan y publican en Microsoft Teams mediante Servicio de notificación simple de Amazon (Amazon SNS) y Puente de eventos de Amazon.
Generación de flujo de recomendaciones personalizadas: inferencia por lotes
Los requisitos y preferencias de los clientes cambian muy a menudo, y las últimas interacciones capturadas en los datos de flujo de clics sirven como un punto de datos clave para comprender las preferencias cambiantes del cliente. Para adaptarse a las preferencias cambiantes de los clientes, TR genera diariamente recomendaciones personalizadas.
El siguiente diagrama ilustra la canalización para generar recomendaciones personalizadas.
Un trabajo de DataBrew extrae los datos del almacén de datos de TR para los usuarios que son elegibles para proporcionar recomendaciones durante la renovación según el plan de suscripción actual y la actividad reciente. La herramienta de preparación de datos visuales DataBrew facilita a los analistas de datos TR y a los científicos de datos limpiar y normalizar los datos para prepararlos para análisis y ML. La capacidad de elegir entre más de 250 transformaciones preconstruidas dentro de la herramienta de preparación de datos visuales para automatizar las tareas de preparación de datos, todo sin necesidad de escribir ningún código, fue una característica importante. El trabajo de DataBrew genera un conjunto de datos incremental para las interacciones y la entrada para el trabajo de recomendaciones por lotes y almacena el resultado en un depósito de S3. El conjunto de datos incrementales recién generado se importa al conjunto de datos de interacciones. Cuando el trabajo de importación de conjuntos de datos incrementales se realiza correctamente, se activa un trabajo de recomendaciones por lotes de Amazon Personalize con los datos de entrada. Amazon Personalize genera las recomendaciones más recientes para los usuarios proporcionados en los datos de entrada y las almacena en un depósito S3 de recomendaciones.
La optimización de precios es el último paso antes de que las recomendaciones recién formadas estén listas para usar. TR ejecuta un trabajo de optimización de costos sobre las recomendaciones generadas y usa SageMaker para ejecutar modelos personalizados sobre las recomendaciones como parte de este paso final. Un trabajo de AWS Glue selecciona la salida generada desde Amazon Personalize y la transforma al formato de entrada requerido por el modelo personalizado de SageMaker. TR puede aprovechar la amplitud de los servicios que proporciona AWS, utilizando tanto Amazon Personalize como SageMaker en la plataforma de recomendaciones para personalizar las recomendaciones según el tipo de empresa del cliente y los usuarios finales.
Todo el flujo de trabajo está desacoplado y orquestado mediante Step Functions, lo que brinda la flexibilidad de escalar la canalización según los requisitos de procesamiento de datos. Las alertas y notificaciones se capturan mediante Amazon SNS y EventBridge.
Impulsar campañas de correo electrónico
Las recomendaciones generadas junto con los resultados de precios se utilizan para impulsar campañas de correo electrónico a los clientes de TR. Se utiliza un trabajo de AWS Batch para seleccionar las recomendaciones para cada cliente y enriquecerlas con la información de precios optimizada. Estas recomendaciones se integran en los sistemas de campañas de TR, que impulsan las siguientes campañas de correo electrónico:
- Renovación automática de suscripciones o campañas de actualización con nuevos productos que puedan interesar al cliente
- Campañas de renovación de mitad de contrato con mejores ofertas y productos más relevantes y materiales de contenido legal
La información de este proceso también se replica en el portal del cliente para que los clientes que revisan su suscripción actual puedan ver las nuevas recomendaciones de renovación. TR ha visto una tasa de conversión más alta de las campañas de correo electrónico, lo que ha llevado a un aumento de los pedidos de ventas, desde que implementó la nueva plataforma de recomendaciones.
Qué sigue: flujo de recomendaciones en tiempo real
Los requisitos de los clientes y los comportamientos de compra cambian en tiempo real, y adaptar las recomendaciones a los cambios en tiempo real es clave para ofrecer el contenido adecuado. Después de ver un gran éxito al implementar un sistema de recomendación por lotes, TR ahora planea llevar esta solución al siguiente nivel mediante la implementación de una canalización de recomendaciones en tiempo real para generar recomendaciones utilizando Amazon Personalize.
El siguiente diagrama ilustra la arquitectura para proporcionar recomendaciones en tiempo real.
La integración en tiempo real comienza con la recopilación de datos de participación del usuario en vivo y su transmisión a Amazon Personalize. A medida que los usuarios interactúan con las aplicaciones de TR, generan eventos de flujo de clics, que se publican en Secuencias de datos de Amazon Kinesis. Luego, los eventos se incorporan a la plataforma de transmisión centralizada de TR, que se basa en Streaming gestionado por Amazon para Kafka (Amazon MSK). Amazon MSK facilita la ingesta y el procesamiento de datos de transmisión en tiempo real con Apache Kafka completamente administrado. En esta arquitectura, Amazon MSK sirve como una plataforma de transmisión y realiza las transformaciones de datos necesarias en los eventos de flujo de clics entrantes sin procesar. Entonces un AWS Lambda se activa la función para filtrar los eventos al esquema compatible con el conjunto de datos de Amazon Personalize y enviar esos eventos a un rastreador de eventos de Amazon Personalize mediante un putEvent
API. Esto permite que Amazon Personalize aprenda del comportamiento más reciente de su usuario e incluya elementos relevantes en las recomendaciones.
Las aplicaciones web de TR invocan una API desplegada en Puerta de enlace API de Amazon para obtener recomendaciones, lo que activa una función Lambda para invocar un GetRecommendations
Llamada API con Amazon Personalize. Amazon Personalize proporciona el último conjunto de recomendaciones personalizadas seleccionadas para el comportamiento del usuario, que se envían a las aplicaciones web a través de Lambda y API Gateway.
Con esta arquitectura en tiempo real, TR puede atender a sus clientes con recomendaciones personalizadas adaptadas a su comportamiento más reciente y satisfacer mejor sus necesidades.
Conclusión
En esta publicación, le mostramos cómo TR usó Amazon Personalize y otros servicios de AWS para implementar un motor de recomendaciones. Amazon Personalize permitió a TR acelerar el desarrollo y la implementación de modelos de alto rendimiento para brindar recomendaciones a sus clientes. TR puede incorporar un nuevo conjunto de productos en cuestión de semanas ahora, en comparación con meses antes. Con Amazon Personalize y SageMaker, TR puede mejorar la experiencia del cliente con mejores planes de suscripción de contenido y precios para sus clientes.
Si disfrutó leyendo este blog y desea obtener más información sobre Amazon Personalize y cómo puede ayudar a su organización a crear sistemas de recomendación, consulte el guía para desarrolladores.
Acerca de los autores
Hesham Fahim es ingeniero principal de aprendizaje automático y arquitecto de motores de personalización en Thomson Reuters. Ha trabajado con organizaciones académicas e industriales que van desde grandes empresas hasta empresas emergentes medianas. Con un enfoque en arquitecturas escalables de aprendizaje profundo, tiene experiencia en robótica móvil, análisis de imágenes biomédicas y sistemas de recomendación. Lejos de las computadoras, disfruta de la astrofotografía, la lectura y el ciclismo de larga distancia.
Srinivasa Shaik es arquitecto de soluciones en AWS con sede en Boston. Ayuda a los clientes empresariales a acelerar su viaje a la nube. Le apasionan los contenedores y las tecnologías de aprendizaje automático. En su tiempo libre, disfruta pasar tiempo con su familia, cocinar y viajar.
Vamshi Krishna Enabothala es Arquitecto Sr. Especialista en IA Aplicada en AWS. Trabaja con clientes de diferentes sectores para acelerar iniciativas de datos, análisis y aprendizaje automático de alto impacto. Le apasionan los sistemas de recomendación, la PNL y las áreas de visión por computadora en IA y ML. Fuera del trabajo, Vamshi es un entusiasta de RC, construye equipos de RC (aviones, automóviles y drones) y también disfruta de la jardinería.
simone zucchet es arquitecto sénior de soluciones en AWS. Con más de 6 años de experiencia como arquitecta de la nube, a Simone le gusta trabajar en proyectos innovadores que ayudan a transformar la forma en que las organizaciones abordan los problemas comerciales. Ayuda a respaldar a clientes de grandes empresas en AWS y forma parte de Machine Learning TFC. Fuera de su vida profesional, le gusta trabajar en autos y fotografía.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- Platoblockchain. Inteligencia del Metaverso Web3. Conocimiento amplificado. Accede Aquí.
- Fuente: https://aws.amazon.com/blogs/machine-learning/how-thomson-reuters-delivers-personalized-content-subscription-plans-at-scale-using-amazon-personalize/
- 100
- 7
- a
- capacidad
- Poder
- Acerca
- Academia
- acelerar
- Mi Cuenta
- Contabilidad
- preciso
- a través de
- actividad
- adaptar
- Adicionales
- Ventaja
- Después
- AI
- AI / ML
- Todos
- permite
- ya haya utilizado
- Amazon
- Amazon Personalize
- análisis
- Analistas
- Analytics
- análisis
- y
- respuestas
- APACHE
- abejas
- aplicaciones
- aplicada
- IA aplicada
- enfoque
- arquitectura
- áreas
- en torno a
- asociado
- automatizado
- conciencia
- AWS
- Pegamento AWS
- Atrás
- basado
- base
- porque
- antes
- MEJOR
- mejores
- entre
- Más allá de
- biomédica
- Blog
- Boston
- amplitud
- build
- Construir la
- construido
- negocios
- llamar al
- Campaña
- haciendo campaña
- Campañas
- carros
- catalogar
- centrado
- centralizado
- Reto
- el cambio
- Cambios
- cambio
- Elige
- Soluciones
- código
- El cobro
- comprometido
- Empresas
- en comparación con
- compatible
- componentes
- computadora
- Visión por computador
- computadoras
- en vista de
- constantemente
- consumidor
- Clientes
- Contenedores
- contenido
- continuado
- Conversión
- Core
- Cost
- podría
- Para crear
- creado
- Creamos
- comisariada
- comisarios
- Current
- personalizado
- cliente
- datos de los clientes
- experiencia del cliente
- Clientes
- todos los días
- datos
- Preparación de datos
- proceso de datos
- conjuntos de datos
- acuerdo
- decisiones
- profundo
- deep learning
- entregar
- entrega
- Dependiente
- desplegado
- Desplegando
- despliegue
- diseñado
- detalles
- desarrollado
- Desarrollo
- una experiencia diferente
- distancia
- dominio
- el lado de la transmisión
- conducción
- Drones
- durante
- cada una
- Más temprano
- Temprano en la
- ELEVATE
- elegible
- facilita
- permitiendo
- de su negocio.
- Motor
- ingeniero
- enriquecer
- Empresa
- empresas
- entusiasta
- Todo
- equipo
- Evento
- Eventos
- siempre cambiante
- evoluciona
- experience
- Experiencia
- Explicar
- extraerlos
- Extractos
- familia
- más rápida
- Feature
- filtrar
- final
- financiero
- Encuentre
- Firme
- Flexibilidad
- Focus
- siguiendo
- formulario
- formato
- formado
- FRAME
- en
- completamente
- función
- funciones
- puerta
- generar
- generado
- genera
- la generación de
- obtener
- conseguir
- da
- Goals
- maravillosa
- es
- ayuda
- ayuda
- Alto rendimiento
- más alto
- Cómo
- HTML
- HTTPS
- humana
- imagen
- implementar
- implementación
- importar
- importante
- in
- incluir
- Entrante
- aumentado
- energético
- información
- iniciativas
- Innovation
- originales
- Las opciones de entrada
- COMPLETAMENTE
- integración
- Intelligence
- interactuando
- interacciones
- intereses
- involucra
- IT
- artículos
- Trabajos
- Empleo
- Clave
- large
- Apellido
- más reciente
- Lead
- líder
- APRENDE:
- aprendizaje
- Legado
- Legal
- Nivel
- Licencias
- Vida
- cirugía estética
- para vivir
- carga
- Largo
- Baja
- máquina
- máquina de aprendizaje
- para lograr
- HACE
- gestionan
- gestionado
- Mercado
- líder en el mercado
- Marketing
- Industrias
- madurez
- Medios
- Microsoft
- equipos de microsoft
- podría
- millones
- ML
- Móvil
- modelo
- modelos
- meses
- más,
- MEJOR DE TU
- ¿ Necesita ayuda
- Nuevo
- nuevos diseños y productos
- noticias
- Next
- nlp
- .
- notificaciones
- Ofertas
- A bordo
- ONE
- operativos.
- Operaciones
- optimización
- optimizado
- Opciones
- en pedidos de venta.
- organización
- para las fiestas.
- Otro
- afuera
- paquetes
- parte
- apasionado
- Realizar
- realiza
- personalización
- personalizar
- Personalizado
- la perspectiva
- fotografía
- industrial
- plan
- planificar
- jubilación
- plataforma
- Platón
- Inteligencia de datos de Platón
- PlatónDatos
- Por favor
- punto
- Portal
- posible
- Publicación
- preferencias
- Preparar
- preparación
- precio
- Precios
- cotización
- problemas
- tratamiento
- Producto
- Productos
- Profesional
- profesionales
- proyecta
- proporcionar
- previsto
- proporciona un
- proporcionando
- publicado
- Push
- calidad
- con rapidez
- aumento
- que van
- Rate
- Crudo
- Reading
- ready
- real
- en tiempo real
- reciente
- recientemente
- recetas
- Recomendación
- recomendaciones
- archivos
- reducir
- referido
- reflejar
- replicado
- Requisitos
- requisito
- Requisitos
- Resultados
- Reuters
- la revisión
- Riesgo
- robótica
- reglas
- Ejecutar
- sabio
- ventas
- escalable
- Escala
- la ampliación
- los científicos
- (secciones)
- Sectores
- ver
- mayor
- ayudar
- sirve
- de coches
- Servicios
- servicio
- set
- Compras
- firmar
- importante
- sencillos
- simplificar
- desde
- So
- a medida
- Soluciones
- Fuente
- Fuentes
- especialista
- Gastos
- comienza
- Startups
- paso
- STORAGE
- almacenados
- tiendas
- en streaming
- suscripción
- suscripciones
- comercial
- exitosos
- suite
- SOPORTE
- te
- Todas las funciones a su disposición
- adaptado
- ¡Prepárate!
- toma
- tareas
- deuda
- equipo
- equipos
- Tecnologías
- Tecnología
- El
- su
- Thomson Reuters
- A través de esta formación, el personal docente y administrativo de escuelas y universidades estará preparado para manejar los recursos disponibles que derivan de la diversidad cultural de sus estudiantes. Además, un mejor y mayor entendimiento sobre estas diferencias y similitudes culturales permitirá alcanzar los objetivos de inclusión previstos.
- equipo
- a
- del IRS
- parte superior
- Entrenar
- entrenado
- Formación
- Transacciones
- Transformar
- transformaciones
- transformado
- Viajar
- Tendencias
- desencadenados
- de confianza
- entender
- comprensión
- hasta a la fecha
- actualizar
- Uso
- utilizan el
- Usuario
- usuarios
- Valioso
- diversos
- versión
- vía
- visión
- volumen
- deseado
- Gestión de Patrimonio
- web
- aplicaciones web
- Semanas
- ¿
- que
- QUIENES
- dentro de
- sin
- Actividades:
- trabajado
- trabajando
- funciona
- mundo
- se
- escribir
- escrito
- años
- Usted
- tú
- zephyrnet