Personoi kanavien välisiä asiakaskokemuksia Amazon SageMakerin, Amazon Personalizen ja Twilio Segmentin avulla

Nykyään asiakkaat ovat vuorovaikutuksessa brändien kanssa yhä suuremmalla digitaalisella ja offline-jalanjäljillä, mikä tuottaa runsaasti vuorovaikutusdataa, jota kutsutaan käyttäytymisdataksi. Tämän seurauksena markkinoijien ja asiakaskokemustiimien on työskenneltävä useiden päällekkäisten työkalujen kanssa sitouttaakseen ja kohdistaakseen nämä asiakkaat eri kosketuspisteisiin. Tämä lisää monimutkaisuutta, luo useita näkemyksiä jokaisesta asiakkaasta ja tekee yksilöllisen kokemuksen tarjoamisesta olennaisen sisällön, viestien ja tuoteehdotusten kanssa jokaiselle asiakkaalle haastavampaa. Vastauksena markkinointitiimit käyttävät asiakastietoalustoja (CDP) ja kanavien välisiä kampanjoiden hallintatyökaluja (CCCM) yksinkertaistaakseen asiakkaidensa useiden näkemysten yhdistämisprosessia. Nämä tekniikat tarjoavat ei-teknisille käyttäjille nopeutetun polun mahdollistaa kanavien välinen kohdistaminen, sitoutuminen ja personointi. Samalla vähennetään markkinointitiimien riippuvuutta teknisistä tiimeistä ja asiantuntijataidoista asiakkaiden kanssakäymiseen.

Tästä huolimatta markkinoijat huomaavat olevansa sokeita kulmia asiakkaiden toiminnassa, kun näitä tekniikoita ei ole integroitu liiketoiminnan muiden osien järjestelmiin. Tämä koskee erityisesti ei-digitaalisia kanavia, kuten myymälätapahtumia tai asiakastuen asiakaspalautetta. Markkinointitiimit ja heidän asiakaskokemuskumppaninsa kamppailevat myös integroidakseen datatieteilijöiden kehittämiä ennakointivalmiuksia kanavien välisiin kampanjoihinsa tai asiakkaiden kosketuspisteisiin. Tämän seurauksena asiakkaat saavat viestejä ja suosituksia, jotka eivät ole oleellisia tai eivät vastaa heidän odotuksiaan.

Tässä viestissä kerrotaan, kuinka monikanavaiset tiimit voivat työskennellä yhdessä vastatakseen näihin haasteisiin monikanavaisen personoinnin käyttötapauksen avulla. Käytämme kuvitteellista vähittäismyyntiskenaariota havainnollistamaan, kuinka nämä tiimit toimivat yhdessä tarjotakseen yksilöllisen kokemuksen asiakaspolun eri kohdissa. Käytämme Twilio-segmentti skenaariossamme AWS:lle rakennettu asiakastietoalusta. Markkinoilla on yli 12 CDP:tä, joista valita, joista monet ovat myös AWS-kumppaneita, mutta käytämme tässä viestissä segmenttiä, koska ne tarjoavat itsepalvelutason ilmaisen tason, jonka avulla voit tutkia ja kokeilla. Selitämme, miten segmentin tuotos yhdistetään myymälän myyntitietoihin, tuotteiden metatietoihin ja varastotietoihin. Tämän pohjalta selitämme, kuinka segmentti integroidaan Amazon Muokkaa reaaliaikaisten suositusten tehostamiseksi. Kuvaamme myös, kuinka luomme pisteet vaihtuvuus- ja toistamisalttiudelle Amazon Sage Maker. Lopuksi tutkimme, kuinka kohdistaa uusia ja olemassa olevia asiakkaita kolmella tavalla:

• Kolmannen osapuolen verkkosivustoilla olevilla bannereilla, jotka tunnetaan myös näyttömainoksina, käyttämällä ostoalttiuspisteitä samanlaisten asiakkaiden houkuttelemiseksi.
• Verkko- ja mobiilikanavilla tarjotaan henkilökohtaisia ​​suosituksia Amazon Personalizesta, joka käyttää koneoppimisalgoritmeja (ML) luodakseen sisältösuosituksia.
• Henkilökohtaisen viestinnän avulla Amazonin pinpoint, lähtevän ja saapuvan markkinointiviestintäpalvelu. Nämä viestit on suunnattu irtautuneille asiakkaille ja niille, jotka osoittavat suurta taipumusta vaihtua.

Ratkaisun yleiskatsaus

Kuvittele, että olet tuotteen omistaja, joka vastaa vähittäismyyntiyrityksen kanavien välisestä asiakaskokemuksesta. Yrityksellä on monipuolinen valikoima online- ja offline-kanavia, mutta näkee digitaaliset kanavat ensisijaisena kasvumahdollisuutensa. He haluavat kasvattaa asiakaskuntansa kokoa ja arvoa seuraavilla tavoilla:

• Houkuttele uusia, erittäin päteviä asiakkaita, jotka tuottavat todennäköisemmin konversion
• Kasvata kaikkien asiakkaidensa keskimääräistä tilausarvoa
• Houkuttele irtautuneita asiakkaita palaamaan ja toivottavasti tekemään toistuvia ostoksia

Varmistaaksesi, että asiakkaat saavat yhtenäisen kokemuksen eri kanavissa, sinun on tuotteen omistajana työskenneltävä tiimien, kuten digitaalisen markkinoinnin, käyttöliittymäkehityksen, mobiilikehityksen, kampanjoiden toimituksen ja luovien toimistojen kanssa. Varmistaaksesi, että asiakkaat saavat asiaankuuluvia suosituksia, sinun on myös työskenneltävä tietotekniikan ja datatieteen tiimien kanssa. Jokainen näistä ryhmistä on vastuussa vuorovaikutuksesta tai ominaisuuksien kehittämisestä seuraavassa kaaviossa kuvatun arkkitehtuurin sisällä.

Ratkaisun työnkulku sisältää seuraavat korkean tason vaiheet:

1. Kerää tietoja useista lähteistä tallennettavaksi Amazonin yksinkertainen tallennuspalvelu (Amazon S3).
2. Käyttää AWS-vaihetoiminnot ohjata tietojen käyttöönottoa ja ominaisuussuunnittelua.
3. Luo segmenttejä ja ennusteita SageMakerin avulla.
4. Käytä näyttökohdistukseen taipumuspisteitä.
5. Lähetä henkilökohtaisia ​​viestejä Amazon Pinpointin avulla.
6. Integroi reaaliaikaisia ​​henkilökohtaisia ​​ehdotuksia Amazon Personalize -sovelluksella.

Seuraavissa osioissa käymme läpi jokaisen vaiheen, selitämme kunkin tiimin toiminnan korkealla tasolla, tarjoamme viitteitä asiaan liittyviin resursseihin ja jaamme käytännön laboratorioita, jotka tarjoavat yksityiskohtaisempia ohjeita.

Kerää tietoa useista lähteistä

Digitaalisen markkinoinnin, käyttöliittymän ja mobiilikehitystiimit voivat määrittää segmentin keräämään ja integroimaan verkko- ja mobiilianalytiikkaa, digitaalisen median suorituskykyä ja verkkomyyntilähteitä käyttämällä Segmenttien yhteydet. Segmentti henkilöt avulla digitaalisen markkinoinnin tiimit voivat selvittää käyttäjien identiteetin yhdistämällä näiden lähteiden väliset vuorovaikutukset yhdeksi käyttäjäprofiiliksi, jolla on yksi pysyvä tunniste. Nämä profiilit yhdessä laskettujen mittareiden kanssa kutsutaan Lasketut ominaisuudet ja raakatapahtumat, voidaan viedä Amazon S3:een. Seuraava kuvakaappaus näyttää, kuinka identiteettisäännöt määritetään Segment Personasissa.

Samanaikaisesti suunnittelutiimit voivat käyttää AWS-tietojen siirtopalvelu (AWS DMS) kopioidakseen myymälöiden myynnin, tuotteiden metatiedot ja varastotietolähteet tietokannoista, kuten Microsoft SQL tai Oracle, ja tallentaa tulos Amazon S3:een.

Tietojen käyttöönotto ja ominaisuussuunnittelu

Kun tiedot on kerätty ja tallennettu Amazon S3:n laskeutumisvyöhykkeelle, tietosuunnittelijat voivat käyttää komponentteja palvelimeton data Lake -kehys (SDLF) nopeuttaa tietojen käyttöönottoa ja rakentaa datajärven perusrakenne. SDLF:n avulla insinöörit voivat automatisoida Amazon Personalize -koulutukseen käytettyjen käyttäjätuotetietojen valmistelun tai luoda yhden näkemyksen asiakkaiden käyttäytymisestä yhdistämällä online- ja offline-käyttäytymistiedot ja myyntitiedot käyttämällä yhteisenä tunnisteena attribuutteja, kuten asiakastunnusta tai sähköpostiosoitetta. .

Step Functions on avainorganisaattori, joka ohjaa näitä muunnostöitä SDLF:ssä. Askelfunktioiden avulla voit luoda ja organisoida sekä ajoitettuja että tapahtumapohjaisia ​​datatyönkulkuja. Suunnittelutiimi voi organisoida muiden AWS-palveluiden tehtäviä dataputken sisällä. Tämän prosessin lähdöt tallennetaan Amazon S3:n luotettuun vyöhykkeeseen käytettäväksi ML-kehityksessä. Lisätietoja palvelimettoman data Lake -kehyksen toteuttamisesta on kohdassa Palvelimeton AWS-tietoanalytiikan putkien viitearkkitehtuuri.

Rakenna segmenttejä ja ennusteita

Segmenttien ja ennusteiden rakennusprosessi voidaan jakaa kolmeen vaiheeseen: päästä ympäristöön, rakentaa taipumusmalleja ja luoda tulostiedostoja.

Pääsy ympäristöön

Kun suunnittelutiimi on valmistellut ja muuntanut ML-kehitysdatan, datatieteen tiimi voi rakentaa taipumusmalleja SageMakerin avulla. Ensin he rakentavat, kouluttavat ja testaavat ensimmäisen joukon ML-malleja. Näin he voivat nähdä varhaiset tulokset, päättää, mihin suuntaan edetä seuraavaksi, ja toistaa kokeita.

Datatieteen tiimi tarvitsee aktiivista Amazon SageMaker Studio Esimerkiksi integroitu kehitysympäristö (IDE) nopeaa ML-kokeilua varten. Se yhdistää kaikki SageMakerin keskeiset ominaisuudet ja tarjoaa ympäristön päästä päähän ML-putkien hallintaan. Se poistaa monimutkaisuuden ja vähentää ML-mallien rakentamiseen ja tuotantoon kuluvaa aikaa. Kehittäjät voivat käyttää SageMaker Studio muistikirjat, jotka ovat yhdellä napsautuksella käytettäviä Jupyter-muistikirjoja, joita voit nopeasti kehittää mahdollistamaan koko ML-työnkulun tietojen valmistelusta mallin käyttöönottoon. Katso lisätietoja SageMaker for ML:stä Amazon SageMaker tietotieteelle.

Rakenna taipumusmallit

Asiakaskokemuksen ja tietotieteiden ryhmien tulee sopia tunnetuista kumpaakin lopputulosta edistävistä tekijöistä arvioidakseen vaihtuvuus- ja uusintaostoalttiutta.

Datatieteen tiimi validoi nämä tunnetut tekijät ja löytää samalla tuntemattomia tekijöitä mallinnusprosessin kautta. Esimerkki vaihtuvuustekijästä voi olla palautusten määrä viimeisen 3 kuukauden aikana. Esimerkki takaisinostoihin vaikuttavasta tekijästä voi olla verkkosivustolle tai mobiilisovellukseen tallennettujen tuotteiden määrä.

Käyttötapauksessamme oletamme, että digitaalisen markkinoinnin tiimi haluaa luoda kohdeyleisön samankaltaisella mallintamalla löytääkseen asiakkaat, jotka todennäköisimmin ostavat uudelleen seuraavan kuukauden aikana. Oletamme myös, että kampanjatiimi haluaa lähettää sähköpostitarjouksen asiakkaille, jotka todennäköisesti lopettavat tilauksensa seuraavan kolmen kuukauden aikana, rohkaistakseen heitä uusimaan tilauksensa.

Datatieteen tiimi voi aloittaa analysoimalla dataa (ominaisuuksia) ja tekemällä yhteenvedon tietojoukon tärkeimmistä ominaisuuksista ymmärtääkseen tärkeimmät datakäyttäytymiset. He voivat sitten sekoittaa ja jakaa tiedot harjoituksiksi sekä testata ja ladata nämä tietojoukot luotettuun vyöhykkeeseen. Voit käyttää algoritmia, kuten XGBoost luokitin mallin kouluttamiseksi ja automaattisesti ominaisuusvalinnan tarjoamiseksi, joka on paras ehdokasjoukko taipumuspisteiden (tai ennustettujen arvojen) määrittämiseen.

Voit sitten virittää mallia optimoimalla algoritmimetriikka (esim hyperparametrien) XGBoost-kehyksen sisältämien alueiden perusteella. Testidataa käytetään mallin suorituskyvyn arvioimiseen ja kuinka hyvin se yleistyy uuteen dataan. Lisätietoja arviointimittareista on kohdassa Viritä XGBoost-malli.

Lopuksi taipumuspisteet lasketaan jokaiselle asiakkaalle ja tallennetaan luotettavalle S3-vyöhykkeelle, jotta markkinointi- ja kampanjatiimit voivat käyttää, tarkistaa ja vahvistaa. Tämä prosessi tarjoaa myös priorisoidun ominaisuuden tärkeyden arvioinnin, mikä auttaa selittämään, kuinka pisteet tuotettiin.

Luo tulostiedostot

Kun datatiedetiimi on suorittanut mallikoulutuksen ja virityksen, he työskentelevät suunnittelutiimin kanssa parhaan mallin käyttöönottamiseksi tuotantoon. Voimme käyttää SageMaker-erämuunnos tehdä ennusteita, kun uutta tietoa kerätään, ja tuottaa pisteitä jokaiselle asiakkaalle. Suunnittelutiimi voi ohjata ja automatisoida ML-työnkulun käyttämällä Amazon SageMaker -putkistot, tarkoitukseen rakennettu jatkuva integrointi ja jatkuva toimitus (CI/CD) palvelu ML:lle, joka tarjoaa ympäristön päästä päähän ML-työnkulun hallintaan. Se säästää aikaa ja vähentää tyypillisesti manuaalisen orkestroinnin aiheuttamia virheitä.

Amazon Pinpoint tuo ML-työnkulun tulosteen henkilökohtaisten viestien lähettämistä varten ja viedään segmenttiin käytettäväksi näyttökanaville kohdistettaessa. Seuraava kuva tarjoaa visuaalisen yleiskatsauksen ML-työnkulusta.

Seuraava kuvakaappaus näyttää esimerkkitulostustiedoston.

Käytä näyttökohdistukseen taipumuspisteitä

Suunnittelu- ja digitaalisen markkinoinnin tiimit voivat luoda käänteisen datavirran takaisin segmenttiin kattavuuden lisäämiseksi. Tämä käyttää yhdistelmää AWS Lambda ja Amazon S3. Joka kerta, kun ML-työnkulku luo uuden tulostetiedoston ja tallennetaan luotettuun S3-säihöön, Lambda-toiminto käynnistyy, joka käynnistää viennin segmenttiin. Digitaalinen markkinointi voi sitten käyttää säännöllisesti päivitettyjä taipumuspisteitä asiakasmääritteinä yleisöjen rakentamiseen ja viemiseen segmenttikohteisiin (katso seuraava kuvakaappaus). Lisätietoja segmenttien viennin tiedostorakenteesta on kohdassa Amazon S3 Lambdasta.

Kun tiedot ovat saatavilla Segmentissä, digitaalinen markkinointi voi nähdä SageMakerissa kehitetyt taipumuspisteet attribuutteina asiakassegmenttejä luodessaan. He voivat luoda samankaltaisia ​​yleisöjä kohdistaakseen heille digitaalisen mainonnan. Palautesilmukan luomiseksi digitaalisen markkinoinnin on varmistettava, että näyttökerrat, napsautukset ja kampanjat siirretään takaisin segmenttiin tehokkuuden optimoimiseksi.

Lähetä henkilökohtaisia ​​lähteviä viestejä

Kampanjan toimitustiimi voi toteuttaa ja ottaa käyttöön tekoälypohjaisia ​​win-back-kampanjoita sitouttaakseen uudelleen asiakkaat, jotka ovat vaarassa vaihtua. Nämä kampanjat käyttävät SageMakerissa luotua asiakaskontaktiluetteloa segmentteinä, kun ne integroidaan Amazon Personalize -sovellukseen yksilöllisten tuotesuositusten esittämiseksi. Katso seuraava kaavio.

Digitaalisen markkinoinnin tiimi voi kokeilla Amazon Pinpoint -matkoja jakaakseen hyödyllisiä segmenttejä alaryhmiin ja varatakseen prosenttiosuuden käyttäjistä kontrolliryhmäksi, joka ei ole alttiina kampanjalle. Näin he voivat mitata kampanjan vaikutusta ja luoda palautesilmukan.

Integroi reaaliaikaiset suositukset

Saapuvien kanavien personoimiseksi digitaalisen markkinoinnin ja suunnittelutiimit työskentelevät yhdessä integroidakseen ja konfiguroidakseen Amazon Personalizen tarjoamaan tuotesuosituksia asiakkaan matkan eri kohdissa. He voivat esimerkiksi ottaa käyttöön a samanlainen esine suosittelija tuotetietosivuilla täydentävien tuotteiden ehdottamiseksi (katso seuraava kaavio). Lisäksi he voivat ottaa kassalla käyttöön sisältöpohjaisen suodatussuosittajan, joka muistuttaa asiakkaita tuotteista, joita he tavallisesti ostavat ennen tilauksensa suorittamista.

Ensinnäkin suunnittelutiimin on luotava RESTful-mikropalvelut, jotka vastaavat verkko-, mobiili- ja muiden kanavasovellusten pyyntöihin tuotesuositusten avulla. Nämä mikropalvelut kutsuvat Amazon Personalizea saadakseen suosituksia, määrittämään tuotetunnukset merkityksellisemmiksi tiedoiksi, kuten nimeksi ja hinnaksi, tarkistamaan varastotasot ja määrittämään, mihin Amazon Personalize -kampanjan päätepisteeseen haetaan kyselyn käyttäjän nykyisen sivun tai näytön perusteella.

Käyttöliittymä- ja mobiilikehitystiimien on lisättävä sovelluksiinsa seurantatapahtumat tiettyjä asiakastoimia varten. He voivat sitten lähettää tapahtumat Segmentin avulla suoraan Amazon Personalize -palveluun reaaliajassa. Nämä seurantatapahtumat ovat samat kuin aiemmin poimimamme käyttäjäkohdetiedot. Niiden avulla Amazon Personalize -ratkaisut voivat tarkentaa suosituksia reaaliaikaisen asiakasvuorovaikutuksen perusteella. On tärkeää tallentaa näyttökerrat, tuotenäkymät, ostoskorin lisäykset ja ostokset, koska nämä tapahtumat luovat palautesilmukan suosittelejille. Lambda on välittäjä, joka kerää käyttäjätapahtumat Segmentistä ja lähettää ne Amazon Personalizelle. Lambda helpottaa myös käänteistä tiedonvaihtoa välittäen päivitetyt suositukset käyttäjälle takaisin segmenttiin. Lisätietoja reaaliaikaisten suositusten määrittämisestä Segmentin ja Amazon Personalizen avulla on kohdassa Segmentoi reaaliaikaiset tiedot ja Amazon Personalise Workshop.

Yhteenveto

Tässä viestissä kuvattiin, kuinka tarjota monikanavainen asiakaskokemus käyttämällä Segment-asiakastietoalustan ja AWS-palveluiden yhdistelmää, kuten Amazon SageMaker, Amazon Personalize ja Amazon Pinpoint. Pohdimme monialaisten tiimien roolia asiakaspolun ja datan arvoketjun kussakin vaiheessa. Käsitelty arkkitehtuuri ja lähestymistapa keskittyvät vähittäiskaupan ympäristöön, mutta voit soveltaa sitä muihin toimialoihin, kuten rahoituspalveluihin tai mediaan ja viihteeseen. Jos olet kiinnostunut kokeilemaan joitain keskusteluistamme, katso Vähittäiskaupan esittelykauppa, josta löydät käytännön työpajoja, jotka sisältävät Segmentin ja muita AWS-kumppaneita.

Lisäviitteet

Lisätietoja on seuraavissa resursseissa:

• Monikanavainen personointi segmentillä
• Ominaisuuksien mukauttaminen Amazon Personalise -sovelluksella
• Rakenna, viritä ja ota käyttöön kokonaisvaltainen churn-ennustusmalli Amazon SageMaker Pipelinesin avulla
• Automatisoi tekniikan suunnitteluputket Amazon SageMakerilla
• Tarkkaile mallin laatua

Tietoja segmentistä

Segment on AWS Advanced Technology Partner ja seuraavien AWS Independent Software Vendor (ISV) -kompetenssien haltija: Data & Analytics, Digital Customer Experience, Retail ja Machine Learning. Brändit, kuten Atlassian ja Digital Ocean, käyttävät Segmentin tuottamia reaaliaikaisia ​​analytiikkaratkaisuja.

---

Tietoja Tekijät

Dwayne Browne on pääasiallinen Analytics-alustojen asiantuntija AWS:ssä Lontoossa. Hän on osa Data-Driven Everything (D2E) -asiakasohjelmaa, jossa hän auttaa asiakkaita muuttumaan datalähtöisemmiksi ja asiakaskokemuskeskeisiksi. Hänellä on tausta digitaalisen analytiikan, personoinnin ja markkinoinnin automaation parissa. Vapaa-ajallaan Dwayne nauttii sisäkiipeilystä ja luontoon tutustumisesta.

Hara Gavriliadi on vanhempi Data Analytics -strategi AWS Professional Servicesissä Lontoossa. Hän auttaa asiakkaita muuttamaan liiketoimintaansa datan, analytiikan ja koneoppimisen avulla. Hän on erikoistunut asiakasanalytiikkaan ja datastrategiaan. Hara rakastaa kävelylenkkejä maaseudulla ja nauttii paikallisista kirjakaupoista ja joogastudioista vapaa-ajallaan tutustumisesta.

Kenny Rajan on Senior Partner Solution Architect. Kenny auttaa asiakkaita saamaan kaiken irti AWS:stä ja sen kumppaneista näyttämällä, kuinka AWS-kumppanit ja AWS-palvelut toimivat paremmin yhdessä. Hän on kiinnostunut koneoppimisesta, datasta, ERP-toteutuksesta ja puhepohjaisista ratkaisuista pilvessä. Työn ulkopuolella Kenny lukee mielellään kirjoja ja auttaa hyväntekeväisyydessä.

• Coinsmart. Euroopan paras Bitcoin- ja kryptopörssi.
• Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. VAPAA PÄÄSY.
• CryptoHawk. Altcoinin tutka. Ilmainen kokeilu.
• Lähde: https://aws.amazon.com/blogs/machine-learning/personalize-cross-channel-customer-experiences-with-amazon-sagemaker-amazon-personalize-and-segment/