Personnalisez les expériences client cross-canal avec Amazon SageMaker, Amazon Personalize et Twilio Segment

Aujourd'hui, les clients interagissent avec les marques sur une empreinte numérique et hors ligne de plus en plus importante, générant une multitude de données d'interaction appelées données comportementales. Par conséquent, les spécialistes du marketing et les équipes d'expérience client doivent travailler avec plusieurs outils qui se chevauchent pour engager et cibler ces clients à travers les points de contact. Cela augmente la complexité, crée plusieurs vues de chaque client et rend plus difficile la fourniture d'une expérience individuelle avec un contenu, des messages et des suggestions de produits pertinents à chaque client. En réponse, les équipes marketing utilisent des plateformes de données client (CDP) et des outils de gestion de campagne cross-canal (CCCM) pour simplifier le processus de consolidation des multiples vues de leurs clients. Ces technologies offrent aux utilisateurs non techniques un chemin accéléré pour permettre le ciblage, l'engagement et la personnalisation cross-canal, tout en réduisant la dépendance des équipes marketing vis-à-vis des équipes techniques et des compétences spécialisées pour interagir avec les clients.

Malgré cela, les spécialistes du marketing se retrouvent avec des angles morts dans l'activité des clients lorsque ces technologies ne sont pas intégrées aux systèmes d'autres parties de l'entreprise. Cela est particulièrement vrai avec les canaux non numériques, par exemple, les transactions en magasin ou les commentaires des clients du support client. Les équipes marketing et leurs homologues de l'expérience client ont également du mal à intégrer les capacités prédictives développées par les scientifiques des données dans leurs campagnes cross-canal ou leurs points de contact client. Par conséquent, les clients reçoivent des messages et des recommandations qui ne sont pas pertinents ou qui ne correspondent pas à leurs attentes.

Cet article décrit comment des équipes interfonctionnelles peuvent travailler ensemble pour relever ces défis à l'aide d'un cas d'utilisation de personnalisation omnicanal. Nous utilisons un scénario de vente au détail fictif pour illustrer comment ces équipes s'interpénètrent pour offrir une expérience personnalisée à différents stades du parcours client. Nous utilisons Segment Twilio dans notre scénario, une plateforme de données client construite sur AWS. Il y a plus de 12 CDP sur le marché parmi lesquels choisir, dont beaucoup sont également des partenaires AWS, mais nous utilisons Segment dans cet article car ils fournissent un niveau gratuit en libre-service qui vous permet d'explorer et d'expérimenter. Nous expliquons comment combiner la sortie de Segment avec les données de ventes en magasin, les métadonnées des produits et les informations d'inventaire. Sur cette base, nous expliquons comment intégrer Segment avec Amazon Personnaliser pour alimenter les recommandations en temps réel. Nous décrivons également comment nous créons des scores pour le taux de désabonnement et la propension à acheter à nouveau en utilisant Amazon Sage Maker. Enfin, nous explorons comment cibler les clients nouveaux et existants de trois manières :

• Avec des bannières sur des sites Web tiers, également appelées publicité display, utilisant un score de propension à acheter pour attirer des clients similaires.
• Sur les canaux Web et mobiles présentés avec des recommandations personnalisées alimentées par Amazon Personalize, qui utilise des algorithmes d'apprentissage automatique (ML) pour créer des recommandations de contenu.
• Avec une messagerie personnalisée utilisant Amazon Pinpoint, un service de communication marketing sortant et entrant. Ces messages ciblent les clients désengagés et ceux qui montrent une forte propension au churn.

Vue d'ensemble de la solution

Imaginez que vous êtes un propriétaire de produit à la tête de l'expérience client cross-canal pour une entreprise de vente au détail. L'entreprise dispose d'un ensemble diversifié de canaux en ligne et hors ligne, mais considère les canaux numériques comme sa principale opportunité de croissance. Ils veulent augmenter la taille et la valeur de leur clientèle avec les méthodes suivantes :

• Attirez de nouveaux clients hautement qualifiés qui sont plus susceptibles de se convertir
• Augmenter la valeur moyenne des commandes de tous leurs clients
• Attirez à nouveau les clients désengagés pour revenir et, espérons-le, faire des achats répétés

Pour vous assurer que ces clients bénéficient d'une expérience cohérente sur tous les canaux, vous, en tant que propriétaire de produit, devez travailler avec des équipes telles que le marketing numérique, le développement frontal, le développement mobile, la diffusion de campagnes et les agences de création. Pour vous assurer que les clients reçoivent des recommandations pertinentes, vous devez également travailler avec les équipes d'ingénierie et de science des données. Chacune de ces équipes est chargée d'interagir avec ou de développer des fonctionnalités au sein de l'architecture illustrée dans le diagramme suivant.

Le workflow de la solution contient les étapes de haut niveau suivantes :

1. Recueillir des données provenant de plusieurs sources pour les stocker Service de stockage simple Amazon (Amazon S3).
2. Utilisez Fonctions d'étape AWS pour orchestrer l'intégration des données et l'ingénierie des fonctionnalités.
3. Créez des segments et des prédictions à l'aide de SageMaker.
4. Utilisez les scores de propension pour le ciblage display.
5. Envoyez des messages personnalisés à l'aide d'Amazon Pinpoint.
6. Intégrez des suggestions personnalisées en temps réel à l'aide d'Amazon Personalize.

Dans les sections suivantes, nous passons en revue chaque étape, expliquons les activités de chaque équipe à un niveau élevé, fournissons des références aux ressources connexes et partageons des ateliers pratiques qui fournissent des conseils plus détaillés.

Collecter des données à partir de plusieurs sources

Les équipes de marketing numérique, front-end et de développement mobile peuvent configurer Segment pour capturer et intégrer l'analyse Web et mobile, les performances des médias numériques et les sources de vente en ligne à l'aide de Connexions de segments. Personas de segment permet aux équipes de marketing numérique de résoudre l'identité des utilisateurs en regroupant les interactions entre ces sources dans un seul profil d'utilisateur avec un identifiant persistant. Ces profils, ainsi que les métriques calculées appelées Caractéristiques calculées et les événements bruts, peuvent être exportés vers Amazon S3. La capture d'écran suivante montre comment les règles d'identité sont configurées dans Segment Personas.

En parallèle, les équipes d'ingénierie peuvent utiliser Service de migration de données AWS (AWS DMS) pour répliquer les ventes en magasin, les métadonnées des produits et les sources de données d'inventaire à partir de bases de données telles que Microsoft SQL ou Oracle et stocker la sortie dans Amazon S3.

Intégration des données et ingénierie des fonctionnalités

Une fois les données collectées et stockées dans la zone d'atterrissage sur Amazon S3, les ingénieurs de données peuvent utiliser des composants de la infrastructure de lac de données sans serveur (SDLF) pour accélérer l'intégration des données et créer la structure fondamentale d'un lac de données. Avec SDLF, les ingénieurs peuvent automatiser la préparation des données utilisateur utilisées pour former Amazon Personalize ou créer une vue unique du comportement des clients en joignant les données comportementales en ligne et hors ligne et les données de vente, en utilisant des attributs tels que l'identifiant client ou l'adresse e-mail comme identifiant commun. .

Step Functions est l'orchestrateur clé qui pilote ces tâches de transformation au sein de SDLF. Vous pouvez utiliser Step Functions pour créer et orchestrer des flux de travail de données planifiés et pilotés par des événements. L'équipe d'ingénierie peut orchestrer les tâches d'autres services AWS au sein d'un pipeline de données. Les sorties de ce processus sont stockées dans une zone de confiance sur Amazon S3 à utiliser pour le développement ML. Pour plus d'informations sur la mise en œuvre de l'infrastructure du lac de données sans serveur, consultez Architecture de référence du pipeline d'analyse de données sans serveur AWS.

Créer des segments et des prédictions

Le processus de création de segments et de prédictions peut être décomposé en trois étapes : accéder à l'environnement, créer des modèles de propension et créer des fichiers de sortie.

Accéder à l'environnement

Une fois que l'équipe d'ingénierie a préparé et transformé les données de développement ML, l'équipe de science des données peut créer des modèles de propension à l'aide de SageMaker. Tout d'abord, ils créent, entraînent et testent un ensemble initial de modèles ML. Cela leur permet de voir les premiers résultats, de décider dans quelle direction aller ensuite et de reproduire les expériences.

L'équipe de science des données a besoin d'un Amazon SageMakerStudio exemple, un environnement de développement intégré (IDE) pour une expérimentation rapide de ML. Il unifie toutes les fonctionnalités clés de SageMaker et offre un environnement pour gérer les pipelines ML de bout en bout. Il supprime la complexité et réduit le temps nécessaire pour créer des modèles ML et les déployer en production. Les développeurs peuvent utiliser Blocs-notes SageMaker Studio, qui sont des blocs-notes Jupyter en un clic que vous pouvez lancer rapidement pour activer l'ensemble du flux de travail ML, de la préparation des données au déploiement du modèle. Pour plus d'informations sur SageMaker pour ML, voir Amazon SageMaker pour la science des données.

Construire les modèles de propension

Pour estimer le taux de désabonnement et la propension à renouveler les achats, les équipes chargées de l'expérience client et de la science des données doivent s'accorder sur les facteurs déterminants connus pour l'un ou l'autre des résultats.

L'équipe de science des données valide ces facteurs connus tout en découvrant des facteurs inconnus grâce au processus de modélisation. Un exemple de facteur de désabonnement peut être le nombre de retours au cours des 3 derniers mois. Un exemple de facteur entraînant des rachats peut être le nombre d'articles enregistrés sur le site Web ou l'application mobile.

Pour notre cas d'utilisation, nous supposons que l'équipe de marketing numérique souhaite créer un public cible à l'aide d'une modélisation similaire pour trouver les clients les plus susceptibles de racheter au cours du mois prochain. Nous supposons également que l'équipe de campagne souhaite envoyer une offre par e-mail aux clients qui mettront probablement fin à leur abonnement dans les 3 prochains mois pour les encourager à renouveler leur abonnement.

L'équipe de science des données peut commencer par analyser les données (caractéristiques) et résumer les principales caractéristiques de l'ensemble de données pour comprendre les comportements clés des données. Ils peuvent ensuite mélanger et diviser les données en formation et tester et télécharger ces ensembles de données dans la zone de confiance. Vous pouvez utiliser un algorithme tel que le XGBoost classifieur pour former le modèle et fournir automatiquement la sélection de caractéristiques, qui est le meilleur ensemble de candidats pour déterminer les scores de propension (ou valeurs prédites).

Vous pouvez ensuite ajuster le modèle en optimisant les métriques de l'algorithme (telles que hyperparamètres) sur la base des plages fournies dans le cadre XGBoost. Les données de test sont utilisées pour évaluer les performances du modèle et estimer dans quelle mesure il se généralise aux nouvelles données. Pour plus d'informations sur les métriques d'évaluation, voir Régler un modèle XGBoost.

Enfin, les scores de propension sont calculés pour chaque client et stockés dans la zone de confiance S3 pour être consultés, revus et validés par les équipes marketing et campagnes. Ce processus fournit également une évaluation prioritaire de l'importance des caractéristiques, ce qui aide à expliquer comment les scores ont été produits.

Créer les fichiers de sortie

Une fois que l'équipe de science des données a terminé la formation et le réglage du modèle, elle travaille avec l'équipe d'ingénierie pour déployer le meilleur modèle en production. On peut utiliser Transformation par lots SageMaker pour exécuter des prédictions au fur et à mesure que de nouvelles données sont collectées et générer des scores pour chaque client. L'équipe d'ingénierie peut orchestrer et automatiser le flux de travail ML à l'aide Pipelines Amazon SageMaker, un service d'intégration continue et de livraison continue (CI/CD) spécialement conçu pour le ML, qui offre un environnement pour gérer le flux de travail ML de bout en bout. Cela permet de gagner du temps et de réduire les erreurs généralement causées par l'orchestration manuelle.

La sortie du flux de travail ML est importée par Amazon Pinpoint pour l'envoi de messages personnalisés et exportée vers Segment pour être utilisée lors du ciblage sur les canaux d'affichage. L'illustration suivante fournit un aperçu visuel du flux de travail ML.

La capture d'écran suivante montre un exemple de fichier de sortie.

Utiliser les scores de propension pour le ciblage display

Les équipes d'ingénierie et de marketing numérique peuvent créer le flux de données inverse vers Segment pour augmenter la portée. Celui-ci utilise une combinaison de AWS Lambda et Amazon S3. Chaque fois qu'un nouveau fichier de sortie est généré par le flux de travail ML et enregistré dans le compartiment S3 approuvé, une fonction Lambda est appelée et déclenche une exportation vers Segment. Le marketing numérique peut ensuite utiliser des scores de propension régulièrement mis à jour comme attributs client pour créer et exporter des audiences vers des destinations de segment (voir la capture d'écran suivante). Pour plus d'informations sur la structure de fichier de l'exportation de segment, voir Amazon S3 de Lambda.

Lorsque les données sont disponibles dans Segment, le marketing numérique peut voir les scores de propension développés dans SageMaker comme des attributs lorsqu'ils créent des segments de clientèle. Ils peuvent générer des audiences similaires pour les cibler avec de la publicité numérique. Pour créer une boucle de rétroaction, le marketing numérique doit s'assurer que les impressions, les clics et les campagnes sont réintégrés dans Segment pour optimiser les performances.

Envoyez des messages sortants personnalisés

L'équipe de livraison de la campagne peut mettre en œuvre et déployer des campagnes de reconquête basées sur l'IA pour réengager les clients à risque de désabonnement. Ces campagnes utilisent la liste des contacts clients générée dans SageMaker en tant que segments tout en s'intégrant à Amazon Personalize pour présenter des recommandations de produits personnalisées. Voir le diagramme suivant.

L'équipe de marketing numérique peut expérimenter l'utilisation des parcours Amazon Pinpoint pour diviser les segments de reconquête en sous-groupes et réserver un pourcentage d'utilisateurs en tant que groupe de contrôle qui n'est pas exposé à la campagne. Cela leur permet de mesurer l'impact de la campagne et crée une boucle de rétroaction.

Intégrez des recommandations en temps réel

Pour personnaliser les canaux entrants, les équipes de marketing numérique et d'ingénierie travaillent ensemble pour intégrer et configurer Amazon Personalize afin de fournir des recommandations de produits à différents stades du parcours client. Par exemple, ils peuvent déployer un article similaire recommandeur sur les pages de détails des produits pour suggérer des articles complémentaires (voir le schéma suivant). De plus, ils peuvent déployer un outil de recommandation de filtrage basé sur le contenu dans le parcours de paiement pour rappeler aux clients les produits qu'ils achèteraient généralement avant de finaliser leur commande.

Tout d'abord, l'équipe d'ingénierie doit créer des microservices RESTful qui répondent aux demandes d'applications Web, mobiles et d'autres canaux avec des recommandations de produits. Ces microservices appellent Amazon Personalize pour obtenir des recommandations, résolvent les ID de produit en informations plus significatives telles que le nom et le prix, vérifient les niveaux de stock des stocks et déterminent le point de terminaison de la campagne Amazon Personalize à interroger en fonction de la page ou de l'écran actuel de l'utilisateur.

Les équipes de développement front-end et mobile doivent ajouter des événements de suivi pour des actions client spécifiques à leurs applications. Ils peuvent ensuite utiliser Segment pour envoyer ces événements directement sur Amazon Personalize en temps réel. Ces événements de suivi sont les mêmes que les données d'élément utilisateur que nous avons extraites précédemment. Ils permettent aux solutions Amazon Personalize d'affiner les recommandations en fonction des interactions client en direct. Il est essentiel de capturer les impressions, les vues de produits, les ajouts au panier et les achats, car ces événements créent une boucle de rétroaction pour les recommandataires. Lambda est un intermédiaire, collectant les événements utilisateur de Segment et les envoyant à Amazon Personalize. Lambda facilite également l'échange de données inverse, en relayant les recommandations mises à jour pour l'utilisateur vers Segment. Pour plus d'informations sur la configuration des recommandations en temps réel avec Segment et Amazon Personalize, consultez le Segmenter les données en temps réel et Amazon Personalize Workshop.

Conclusion

Cet article décrit comment offrir une expérience client omnicanal en utilisant une combinaison de la plateforme de données client Segment et des services AWS tels qu'Amazon SageMaker, Amazon Personalize et Amazon Pinpoint. Nous avons exploré le rôle que jouent les équipes interfonctionnelles à chaque étape du parcours client et de la chaîne de valeur des données. L'architecture et l'approche discutées sont axées sur un environnement de vente au détail, mais vous pouvez l'appliquer à d'autres secteurs verticaux tels que les services financiers ou les médias et le divertissement. Si vous souhaitez essayer certaines des choses dont nous avons discuté, consultez le Magasin de démonstration au détail, où vous pouvez trouver des ateliers pratiques qui incluent Segment et d'autres partenaires AWS.

Références supplémentaires

Pour plus d'informations, consultez les ressources suivantes :

• Personnalisation omnicanale avec Segment
• Personnalisation omnicanal avec Amazon Personalize
• Créez, ajustez et déployez un modèle de prédiction de l'attrition de bout en bout à l'aide d'Amazon SageMaker Pipelines
• Automatisez les pipelines d'ingénierie des fonctionnalités avec Amazon SageMaker
• Surveiller la qualité du modèle

À propos du segment

Segment est un partenaire technologique avancé d'AWS et détient les compétences AWS Independent Software Vendor (ISV) suivantes : données et analyses, expérience client numérique, vente au détail et apprentissage automatique. Des marques telles qu'Atlassian et Digital Ocean utilisent des solutions d'analyse en temps réel optimisées par Segment.

---

À propos des auteurs

Dwayne Brown est un spécialiste principal de la plateforme d'analyse chez AWS basé à Londres. Il fait partie du programme client Data-Driven Everything (D2E), où il aide les clients à devenir plus axés sur les données et l'expérience client. Il a une formation en analyse numérique, personnalisation et automatisation du marketing. Dans ses temps libres, Dwayne aime faire de l'escalade en salle et explorer la nature.

Hara Gavriliadi est Senior Data Analytics Strategist chez AWS Professional Services basé à Londres. Elle aide les clients à transformer leur entreprise à l'aide de données, d'analyses et d'apprentissage automatique. Elle est spécialisée dans l'analyse de la clientèle et la stratégie de données. Hara aime les promenades à la campagne et aime découvrir les librairies locales et les studios de yoga pendant son temps libre.

Kenny Rajan est un architecte de solution partenaire principal. Kenny aide les clients à tirer le meilleur parti d'AWS et de ses partenaires en démontrant comment les partenaires AWS et les services AWS fonctionnent mieux ensemble. Il s'intéresse à l'apprentissage automatique, aux données, à la mise en œuvre d'ERP et aux solutions vocales sur le cloud. En dehors du travail, Kenny aime lire des livres et participer à des activités caritatives.

• Coinsmart. Le meilleur échange Bitcoin et Crypto d'Europe.
• Platoblockchain. Intelligence métaverse Web3. Connaissance amplifiée. ACCÈS LIBRE.
• CryptoHawk. Radar Altcoins. Essai gratuit.
• Source : https://aws.amazon.com/blogs/machine-learning/personalize-cross-channel-customer-experiences-with-amazon-sagemaker-amazon-personalize-and-segment/