Isikupärastage kanaliteüleseid kliendikogemusi Amazon SageMakeri, Amazon Personalize'i ja Twilio Segmentiga

Tänapäeval suhtlevad kliendid kaubamärkidega üha suurema digitaalse ja võrguühenduseta jalajälje kaudu, genereerides hulgaliselt suhtlemisandmeid, mida nimetatakse käitumisandmeteks. Selle tulemusena peavad turundajad ja kliendikogemuse meeskonnad töötama mitme kattuva tööriistaga, et kaasata ja sihtida neid kliente kõigis puutepunktides. See suurendab keerukust, loob iga kliendi kohta mitu vaadet ja muudab igale kliendile asjakohase sisu, sõnumite ja tootesoovitustega individuaalse kogemuse pakkumise keerulisemaks. Vastuseks kasutavad turundusmeeskonnad kliendiandmete platvorme (CDP) ja kanalitevahelisi kampaaniahaldustööriistu (CCCM), et lihtsustada oma klientide mitme vaate koondamist. Need tehnoloogiad pakuvad mittetehnilistele kasutajatele kiirendatud teed kanalitevahelise sihtimise, kaasamise ja isikupärastamise võimaldamiseks, vähendades samal ajal turundusmeeskondade sõltuvust tehnilistest meeskondadest ja spetsialistide oskustest klientidega suhtlemiseks.

Sellest hoolimata leiavad turundajad end klientide tegevuses pimedatest punktidest, kui need tehnoloogiad pole integreeritud ettevõtte muude osade süsteemidega. See kehtib eriti mittedigitaalsete kanalite puhul, näiteks poesiseste tehingute või klienditoe klientide tagasiside puhul. Turundusmeeskondadel ja nende kliendikogemusega kolleegidel on samuti raskusi andmeteadlaste välja töötatud prognoosimisvõimaluste integreerimisega oma kanaliülestesse kampaaniatesse või klientide kontaktpunktidesse. Selle tulemusena saavad kliendid sõnumeid ja soovitusi, mis ei ole asjakohased või ei vasta nende ootustele.

See postitus kirjeldab, kuidas funktsiooniülesed meeskonnad saavad nende väljakutsete lahendamiseks koostööd teha, kasutades mitmekanalilise isikupärastamise kasutusjuhtumit. Kasutame väljamõeldud jaemüügistsenaariumit, et illustreerida, kuidas need meeskonnad omavahel suhtlevad, et pakkuda klienditeekonna eri punktides isikupärastatud kogemust. Me kasutame Twilio segment meie stsenaariumi kohaselt on AWS-ile ehitatud kliendiandmete platvorm. Turul on valida enam kui 12 CDP vahel, millest paljud on ka AWS-i partnerid, kuid me kasutame selles postituses segmenti, kuna need pakuvad iseteenindusega tasuta taset, mis võimaldab teil uurida ja katsetada. Selgitame, kuidas kombineerida segmendi väljundit poesiseste müügiandmete, toote metaandmete ja laoandmetega. Sellele tuginedes selgitame, kuidas integreerida segmenti Isikupärastage Amazon reaalajas soovituste täitmiseks. Kirjeldame ka seda, kuidas me loome hindu loobumise ja kordusostmise kalduvuse kohta Amazon SageMaker. Lõpuks uurime, kuidas sihtida uusi ja olemasolevaid kliente kolmel viisil.

• Kolmandate osapoolte veebisaitidel olevad bännerid (tuntud ka kui displeireklaamid), mis kasutavad sarnaste klientide meelitamiseks ostukalduvuse skoori.
• Veebi- ja mobiilikanalites, kus on isikupärastatud soovitused, mida toetab Amazon Personalize, mis kasutab sisusoovituste loomiseks masinõppe (ML) algoritme.
• Isikupärastatud sõnumite kasutamisega Amazon täpselt, väljamineva ja sissetuleva turunduskommunikatsiooni teenus. Need sõnumid on sihitud klientidele, kes on lahkunud ja kellel on suur kalduvus loobuda.

Lahenduse ülevaade

Kujutage ette, et olete tooteomanik, kes juhib jaemüügiettevõtte kanalitevahelist kliendikogemust. Ettevõttel on mitmekesine online- ja offline-kanalite komplekt, kuid digitaalkanalid näevad oma peamist kasvuvõimalust. Nad soovivad suurendada oma kliendibaasi suurust ja väärtust järgmiste meetoditega.

• Meelitage ligi uusi kõrgelt kvalifitseeritud kliente, kes toovad suurema tõenäosusega konversiooni
• Suurendage kõigi nende klientide keskmist tellimuse väärtust
• Meelitage eraldatud kliente uuesti tagasi pöörduma ja loodetavasti korduvaid oste sooritama

Tagamaks, et need kliendid saaksid kanalites ühtse kogemuse, peate tooteomanikuna tegema koostööd selliste meeskondadega nagu digitaalne turundus, esiotsa arendus, mobiiliarendus, kampaaniate edastamine ja loomeagentuurid. Selleks et kliendid saaksid asjakohaseid soovitusi, peate tegema koostööd ka andmetehnika ja andmeteaduse meeskondadega. Kõik need meeskonnad vastutavad järgmisel diagrammil kujutatud arhitektuuriga suhtlemise või funktsioonide arendamise eest.

Lahenduse töövoog sisaldab järgmisi kõrgetasemelisi samme.

1. Koguge salvestamiseks andmeid mitmest allikast Amazoni lihtne salvestusteenus (Amazon S3).
2. Kasutama AWS-i astmefunktsioonid andmete sisestamise ja funktsioonide kavandamise korraldamiseks.
3. Koostage SageMakeri abil segmente ja ennustusi.
4. Kasutage Display-võrgustiku sihtimiseks kalduvusskoore.
5. Saatke Amazon Pinpointi abil isikupärastatud sõnumeid.
6. Integreerige reaalajas isikupärastatud soovitused, kasutades Amazon Personalize.

Järgmistes jaotistes käime läbi iga sammu, selgitame iga meeskonna tegevust kõrgel tasemel, anname viiteid seotud ressurssidele ja jagame praktilisi laboreid, mis annavad üksikasjalikumaid juhiseid.

Koguge andmeid mitmest allikast

Digitaalse turunduse, esiotsa ja mobiiliarendusmeeskonnad saavad seadistada segmendi veebi- ja mobiilianalüütika, digitaalmeedia jõudluse ja veebimüügi allikate jäädvustamiseks ja integreerimiseks. Segmendi ühendused. Segment Personas võimaldab digitaalse turunduse meeskondadel lahendada kasutajate identiteedid, ühendades nende allikate interaktsioonid üheks kasutajaprofiiliks, millel on üks püsiv identifikaator. Need profiilid koos arvutatud mõõdikutega kutsutakse Arvutatud tunnused ja töötlemata sündmused, saab eksportida Amazon S3-sse. Järgmine ekraanipilt näitab, kuidas identiteedireeglid Segment Personas seadistatakse.

Paralleelselt saavad insenerimeeskonnad kasutada AWS-i andmete migratsiooniteenus (AWS DMS), et kopeerida poes müüki, toodete metaandmeid ja laoandmete allikaid sellistest andmebaasidest nagu Microsoft SQL või Oracle ning salvestada väljund Amazon S3-sse.

Andmete sisestamine ja funktsioonide kavandamine

Pärast andmete kogumist ja salvestamist Amazon S3 maandumistsoonis saavad andmeinsenerid kasutada seadme komponente serverita andmejärve raamistik (SDLF), et kiirendada andmete sisestamist ja luua andmejärve alusstruktuur. SDLF-iga saavad insenerid automatiseerida Amazon Personalize'i koolitamiseks kasutatavate kasutajaüksuste andmete ettevalmistamist või luua klientide käitumisest ühtse vaate, ühendades võrgu- ja võrguühenduseta käitumis- ja müügiandmed, kasutades ühise identifikaatorina atribuute, nagu kliendi ID või e-posti aadress. .

Step Functions on SDLF-is neid teisendustöid juhtiv orkestraator. Saate kasutada astmefunktsioone nii ajastatud kui ka sündmustepõhiste andmetöövoogude koostamiseks ja korraldamiseks. Insenerimeeskond saab andmekanalis korraldada teiste AWS-teenuste ülesandeid. Selle protsessi väljundid salvestatakse Amazon S3 usaldusväärsesse tsooni, et neid kasutada ML-i arendamiseks. Lisateavet serverita andmejärve raamistiku rakendamise kohta vt AWS-i serverita andmeanalüütika torujuhtme viitearhitektuur.

Segmentide ja prognooside koostamine

Segmentide ja prognooside koostamise protsessi saab jagada kolmeks etapiks: juurdepääs keskkonnale, kalduvusmudelite loomine ja väljundfailide loomine.

Juurdepääs keskkonda

Pärast seda, kui insenerimeeskond on ML-i arendusandmed ette valmistanud ja muutnud, saab andmeteaduse meeskond SageMakeri abil koostada kalduvusmudeleid. Esiteks ehitavad nad, koolitavad ja testivad esialgset ML-mudelite komplekti. See võimaldab neil näha varajasi tulemusi, otsustada, millises suunas edasi minna, ja katseid korrata.

Andmeteaduse meeskond vajab aktiivset Amazon SageMaker Studio Näiteks integreeritud arenduskeskkond (IDE) kiireks ML-eksperimendiks. See ühendab kõik SageMakeri põhifunktsioonid ja pakub keskkonda täielike ML-konveierite haldamiseks. See eemaldab keerukuse ja vähendab aega, mis kulub ML-mudelite koostamiseks ja nende tootmisse juurutamiseks. Arendajad saavad kasutada SageMaker Studio märkmikud, mis on ühe klõpsuga Jupyteri märkmikud, mida saate kiiresti üles keerata, et võimaldada kogu ML-i töövoog andmete ettevalmistamisest mudeli juurutamiseni. Lisateavet SageMaker for ML kohta leiate siit Amazon SageMaker andmeteaduse jaoks.

Koostage kalduvusmudelid

Müügist loobumise ja korduvate ostude kalduvuse hindamiseks peaksid kliendikogemuse ja andmeteaduse meeskonnad kokku leppima kummagi tulemuse teadaolevates tegurites.

Andmeteaduse meeskond kinnitab need teadaolevad tegurid, avastades samal ajal ka tundmatuid tegureid modelleerimisprotsessi kaudu. Näide tegurist, mis tingib vähenemise, võib olla viimase 3 kuu tulude arv. Tagasiostmist soodustava teguri näide võib olla veebisaidile või mobiilirakendusse salvestatud üksuste arv.

Meie kasutusjuhtumi puhul eeldame, et digitaalse turunduse meeskond soovib luua sarnase modelleerimise abil sihtrühma, et leida kliente, kes kõige tõenäolisemalt järgmisel kuul uuesti ostma hakkavad. Samuti eeldame, et kampaaniameeskond soovib saata meilipakkumise klientidele, kes tõenäoliselt järgmise 3 kuu jooksul oma tellimuse lõpetavad, et julgustada neid tellimust uuendama.

Andmeteaduse meeskond võib alustuseks analüüsida andmeid (funktsioone) ja teha kokkuvõtte andmestiku põhiomadustest, et mõista põhiandmete käitumist. Seejärel saavad nad andmeid segada ja jagada treeninguteks ning testida ja neid andmekogumeid usaldusväärsesse tsooni üles laadida. Võite kasutada sellist algoritmi nagu XGBoost klassifikaator, et koolitada mudelit ja pakkuda automaatselt funktsioonivalikut, mis on parim kandidaatide komplekt kalduvusskooride (või prognoositud väärtuste) määramiseks.

Seejärel saate mudelit häälestada, optimeerides algoritmi mõõdikuid (nt hüperparameetrid), mis põhineb XGBoosti raamistikus pakutavatel vahemikel. Testiandmeid kasutatakse mudeli toimivuse ja uute andmete üldistamise hindamiseks. Hindamismõõdikute kohta lisateabe saamiseks vt Häälestage XGBoost mudel.

Lõpuks arvutatakse iga kliendi jaoks kalduvusskoorid ja salvestatakse need usaldusväärsesse S3 tsooni, et turundus- ja kampaaniameeskonnad saaksid neile juurde pääseda, üle vaadata ja kinnitada. See protsess annab ka funktsioonide tähtsuse prioriteedihinnangu, mis aitab selgitada, kuidas hinded koostati.

Looge väljundfailid

Pärast seda, kui andmeteaduse meeskond on mudeli koolituse ja häälestamise lõpetanud, töötavad nad koos insenerimeeskonnaga parima mudeli tootmises kasutuselevõtuks. Saame kasutada SageMakeri partii teisendus ennustuste tegemiseks uute andmete kogumisel ja iga kliendi kohta hinde genereerimiseks. Insenerimeeskond saab juhtida ja automatiseerida ML-i töövoogu kasutades Amazon SageMakeri torujuhtmed, eesmärgipäraselt loodud pideva integreerimise ja pideva tarnimise (CI/CD) teenus ML-i jaoks, mis pakub keskkonda täieliku ML-i töövoo haldamiseks. See säästab aega ja vähendab käsitsi orkestreerimisest tavaliselt põhjustatud vigu.

Amazon Pinpoint impordib ML-i töövoo väljundi isikupärastatud sõnumite saatmiseks ja ekspordib segmenti, et kasutada kuvakanalite sihtimisel. Järgmine illustratsioon annab visuaalse ülevaate ML-i töövoost.

Järgmine ekraanipilt näitab väljundfaili näidet.

Kasutage Display-võrgustiku sihtimiseks kalduvusskoore

Inseneri- ja digitaalturunduse meeskonnad saavad katvuse suurendamiseks luua vastupidise andmevoo segmenti tagasi. See kasutab kombinatsiooni AWS Lambda ja Amazon S3. Iga kord, kui ML-i töövoog genereerib uue väljundfaili ja salvestatakse usaldusväärsesse S3 ämbrisse, käivitatakse Lambda funktsioon, mis käivitab ekspordi segmenti. Digitaalne turundus saab seejärel kasutada regulaarselt värskendatavaid kalduvusskoore klientide atribuutidena, et luua ja eksportida vaatajaskondi segmentide sihtkohtadesse (vt järgmist ekraanipilti). Segmendi ekspordi failistruktuuri kohta lisateabe saamiseks vt Amazon S3 Lambdalt.

Kui andmed on jaotises Segment saadaval, näeb digitaalne turundus kliendisegmentide loomisel SageMakeris välja töötatud kalduvusskoore atribuutidena. Nad saavad luua sarnaseid vaatajaskondi, et neid digitaalse reklaamiga sihtida. Tagasiside loomiseks peab digitaalne turundus tagama, et näitamised, klikid ja kampaaniad suunatakse toimivuse optimeerimiseks tagasi segmenti.

Saatke isikupärastatud väljaminevaid sõnumeid

Kampaaniate edastusmeeskond saab rakendada ja juurutada AI-põhiseid kasukampaaniaid, et uuesti kaasata kliente, kellel on oht katkestada. Need kampaaniad kasutavad segmentidena SageMakeris loodud kliendikontaktide loendit, integreerides samal ajal Amazon Personalize'iga isikupärastatud tootesoovituste esitamiseks. Vaadake järgmist diagrammi.

Digitaalse turunduse meeskond saab katsetada Amazon Pinpointi teekondi, et jagada kasusaajate segmendid alamrühmadeks ja reserveerida kontrollrühmana teatud protsent kasutajaid, kes kampaaniaga kokku ei puutu. See võimaldab neil mõõta kampaania mõju ja loob tagasisideahela.

Integreerige reaalajas soovitused

Sissetulevate kanalite isikupärastamiseks teevad digitaalse turunduse ja insenerimeeskonnad koostööd, et integreerida ja konfigureerida Amazon Personalize, et pakkuda tootesoovitusi kliendi teekonna eri punktides. Näiteks saavad nad kasutusele võtta a sarnane ese Soovitaja toote üksikasjade lehtedel, et soovitada täiendavaid tooteid (vt järgmist diagrammi). Lisaks saavad nad kassateekonnal juurutada sisupõhise filtreerimissoovitaja, et tuletada klientidele meelde tooteid, mida nad tavaliselt enne tellimuse vormistamist ostavad.

Esiteks peab insenerimeeskond looma RESTfuli mikroteenused, mis vastavad veebi-, mobiili- ja muude kanalirakenduste päringutele tootesoovitustega. Need mikroteenused kutsuvad Amazon Personalize'i, et saada soovitusi, määrata toote ID-d tähenduslikumaks teabeks, nagu nimi ja hind, kontrollida laovarude taset ja määrata, millist Amazon Personalize'i kampaania lõpp-punkti kasutaja praeguse lehe või ekraani põhjal teha päring.

Esiotsa ja mobiiliarendusmeeskonnad peavad lisama oma rakendustele jälgimissündmused konkreetsete klienditoimingute jaoks. Seejärel saavad nad nende sündmuste saatmiseks kasutada segmenti otse Amazon Personalize reaalajas. Need jälgimissündmused on samad, mis varem ekstraheeritud kasutajaüksuse andmed. Need võimaldavad Amazon Personalize'i lahendustel täpsustada soovitusi, mis põhinevad klientide reaalajas suhtlemisel. Oluline on jäädvustada näitamisi, tootevaatamisi, ostukorvi lisamisi ja oste, sest need sündmused loovad soovitajatele tagasisideahela. Lambda on vahendaja, kes kogub kasutajasündmusi segmendist ja saadab need Amazon Personalize'ile. Lambda hõlbustab ka vastupidist andmevahetust, edastades kasutajale ajakohastatud soovitused tagasi segmendile. Lisateabe saamiseks reaalajas soovituste konfigureerimise kohta segmendi ja Amazoni isikupärastamisega vaadake jaotist Segmenteerige reaalajas andmed ja Amazoni isikupärastamise töötuba.

Järeldus

Selles postituses kirjeldati, kuidas pakkuda mitmekanalilist kliendikogemust, kasutades Segmendi kliendiandmete platvormi ja AWS-i teenuseid, nagu Amazon SageMaker, Amazon Personalize ja Amazon Pinpoint. Uurisime funktsiooniüleste meeskondade rolli klienditeekonna igas etapis ja andmete väärtusahelas. Arutelu arhitektuur ja lähenemisviis on keskendunud jaemüügikeskkonnale, kuid saate seda rakendada ka muudele vertikaalidele, nagu finantsteenused või meedia ja meelelahutus. Kui olete huvitatud mõnda sellest, mida arutasime, proovida, vaadake Jaemüügi demopood, kust leiate praktilisi töötubasid, mis hõlmavad Segmenti ja teisi AWS-i partnereid.

Täiendavad viited

Lisateabe saamiseks vaadake järgmisi ressursse:

• Omnikanali isikupärastamine segmendiga
• Omnikanali isikupärastamine Amazon Personalize'iga
• Rakendage, häälestage ja juurutage Amazon SageMakeri torujuhtmete abil ots-otsani ennustusmudel
• Automatiseerige funktsioonide projekteerimise torujuhtmeid Amazon SageMakeriga
• Jälgige mudeli kvaliteeti

Segmendi kohta

Segment on AWS-i arenenud tehnoloogiapartner ja järgmiste AWS-i sõltumatu tarkvara tarnija (ISV) pädevuste omanik: andmed ja analüüs, digitaalne kliendikogemus, jaemüük ja masinõpe. Sellised kaubamärgid nagu Atlassian ja Digital Ocean kasutavad reaalajas analüüsilahendusi, mida toetab Segment.

---

Autoritest

Dwayne Browne on Londonis asuva AWS-i peamine Analyticsi platvormi spetsialist. Ta on osa kliendiprogrammist Data-Driven Everything (D2E), kus ta aitab klientidel muutuda andmepõhisemaks ja keskenduda kliendikogemusele. Tal on digitaalse analüütika, isikupärastamise ja turunduse automatiseerimise taust. Vabal ajal naudib Dwayne siseruumides ronimist ja loodusega tutvumist.

Hara Gavriliadi on Londonis asuva AWS Professional Servicesi andmeanalüüsi vanemstrateeg. Ta aitab klientidel muuta oma ettevõtet andmete, analüütika ja masinõppe abil. Ta on spetsialiseerunud kliendianalüütikale ja andmestrateegiale. Hara armastab jalutuskäike maal ning naudib vabal ajal kohalike raamatupoodide ja joogastuudiote avastamist.

Kenny Rajan on vanempartner lahenduste arhitekt. Kenny aitab klientidel AWS-ist ja selle partneritest maksimumi võtta, näidates, kuidas AWS-i partnerid ja AWS-teenused paremini koos töötavad. Teda huvitavad masinõpe, andmed, ERP juurutamine ja häälepõhised lahendused pilves. Väljaspool tööd meeldib Kennyle raamatuid lugeda ja heategevustegevustes kaasa aidata.

• Münditark. Euroopa parim Bitcoini ja krüptobörs.
• Platoblockchain. Web3 metaversiooni intelligentsus. Täiustatud teadmised. TASUTA PÄÄS.
• CryptoHawk. Altcoini radar. Tasuta prooviversioon.
• Allikas: https://aws.amazon.com/blogs/machine-learning/personalize-cross-channel-customer-experiences-with-amazon-sagemaker-amazon-personalize-and-segment/