Cet article est co-écrit par Hesham Fahim de Thomson Reuters.
Thomson Reuters (TR) est l'une des organisations d'information les plus fiables au monde pour les entreprises et les professionnels. Il fournit aux entreprises l'intelligence, la technologie et l'expertise humaine dont elles ont besoin pour trouver des réponses fiables, leur permettant de prendre de meilleures décisions plus rapidement. Les clients de TR couvrent les marchés de la finance, du risque, du droit, de la fiscalité, de la comptabilité et des médias.
Thomson Reuters propose des produits leaders du marché dans la campagne Tax, Legal and News, auxquels les utilisateurs peuvent s'inscrire en utilisant un modèle de licence par abonnement. Pour améliorer cette expérience pour leurs clients, TR souhaitait créer une plate-forme de recommandations centralisée qui permettait à leur équipe de vente de suggérer les forfaits d'abonnement les plus pertinents à leurs clients, générant des suggestions qui aident à faire connaître les produits qui pourraient aider leurs clients à mieux servir le marché grâce à sélections de produits sur mesure.
Avant de créer cette plate-forme centralisée, TR disposait d'un ancien moteur basé sur des règles pour générer des recommandations de renouvellement. Les règles de ce moteur ont été prédéfinies et écrites en SQL, ce qui, en plus de poser un défi à gérer, a également eu du mal à faire face à la prolifération des données provenant des différentes sources de données intégrées de TR. Les données des clients TR évoluent à un rythme plus rapide que les règles commerciales ne peuvent évoluer pour refléter l'évolution des besoins des clients. L'exigence clé du nouveau moteur de personnalisation basé sur l'apprentissage automatique (ML) de TR était centrée sur un système de recommandation précis qui prend en compte les tendances récentes des clients. La solution souhaitée serait une solution avec de faibles frais généraux opérationnels, la capacité d'accélérer la réalisation des objectifs commerciaux et un moteur de personnalisation qui pourrait être constamment formé avec des données à jour pour faire face à l'évolution des habitudes des consommateurs et aux nouveaux produits.
Personnaliser les recommandations de renouvellement en fonction de ce qui serait des produits de valeur pour les clients de TR était un défi commercial important pour l'équipe des ventes et du marketing. TR dispose d'une multitude de données qui pourraient être utilisées pour la personnalisation et qui ont été collectées à partir des interactions avec les clients et stockées dans un entrepôt de données centralisé. TR a été l'un des premiers à adopter le ML avec Amazon Sage Maker, et leur maturité dans le domaine de l'IA/ML signifiait qu'ils avaient rassemblé un important ensemble de données pertinentes dans un entrepôt de données, avec lequel l'équipe pouvait former un modèle de personnalisation. TR a poursuivi son innovation AI / ML et a récemment développé une plate-forme de recommandation remaniée utilisant Amazon Personnaliser, qui est un service de ML entièrement géré qui utilise les interactions et les éléments de l'utilisateur pour générer des recommandations pour les utilisateurs. Dans cet article, nous expliquons comment TR a utilisé Amazon Personalize pour créer un système de recommandation évolutif et mutualisé qui fournit les meilleurs plans d'abonnement aux produits et les prix associés à leurs clients.
Architecture de la solution
La solution devait être conçue en tenant compte des opérations de base de TR autour de la compréhension des utilisateurs à travers les données ; fournir à ces utilisateurs un contenu personnalisé et pertinent à partir d'un large corpus de données était une exigence essentielle. Avoir un système de recommandation bien conçu est essentiel pour obtenir des recommandations de qualité adaptées aux besoins de chaque utilisateur.
La solution nécessitait de collecter et de préparer des données sur le comportement des utilisateurs, de former un modèle ML à l'aide d'Amazon Personalize, de générer des recommandations personnalisées via le modèle formé et de mener des campagnes marketing avec les recommandations personnalisées.
TR souhaitait tirer parti des services gérés AWS dans la mesure du possible pour simplifier les opérations et réduire les charges lourdes indifférenciées. TR utilisé Brassage de données AWS Glue ainsi que Lot AWS jobs pour effectuer les tâches d'extraction, de transformation et de chargement (ETL) dans les pipelines ML, et SageMaker avec Amazon Personalize pour personnaliser les recommandations. Du point de vue du volume de données de formation et de la durée d'exécution, la solution devait être évolutive pour traiter des millions d'enregistrements dans le délai déjà engagé pour les consommateurs en aval dans les équipes commerciales de TR.
Les sections suivantes expliquent les composants impliqués dans la solution.
Pipeline de formation ML
Les interactions entre les utilisateurs et le contenu sont collectées sous la forme de données de flux de clics, qui sont générées lorsque le client clique sur le contenu. TR analyse si cela fait partie de leur plan d'abonnement ou au-delà de leur plan d'abonnement afin qu'ils puissent fournir des détails supplémentaires sur le prix et les options d'inscription au plan. Les données d'interactions utilisateur provenant de diverses sources sont conservées dans leur entrepôt de données.
Le diagramme suivant illustre le pipeline de formation ML.
Le pipeline commence par une tâche AWS Batch qui extrait les données de l'entrepôt de données et transforme les données pour créer des ensembles de données d'interactions, d'utilisateurs et d'éléments.
Les ensembles de données suivants sont utilisés pour entraîner le modèle :
- Données produits structurées – Abonnements, commandes, catalogue de produits, transactions et détails des clients
- Données de comportement semi-structurées – Utilisateurs, usages et interactions
Ces données transformées sont stockées dans un Service de stockage simple Amazon (Amazon S3), qui est importé dans Amazon Personalize pour la formation ML. Parce que TR veut générer des recommandations personnalisées pour ses utilisateurs, ils utilisent le USER_PERSONALISATION recette pour former des modèles ML pour leurs données personnalisées, ce qui s'appelle la création d'une version de solution. Une fois la version de la solution créée, elle est utilisée pour générer des recommandations personnalisées pour les utilisateurs.
L'ensemble du flux de travail est orchestré à l'aide de Fonctions d'étape AWS. Les alertes et les notifications sont capturées et publiées sur Microsoft Teams à l'aide de Service de notification simple d'Amazon (Amazon SNS) et Amazon Event Bridge.
Génération d'un pipeline de recommandations personnalisées : inférence par lots
Les exigences et les préférences des clients changent très souvent, et les dernières interactions capturées dans les données de flux de clics servent de point de données clé pour comprendre l'évolution des préférences du client. Pour s'adapter aux préférences toujours changeantes des clients, TR génère au quotidien des recommandations personnalisées.
Le diagramme suivant illustre le pipeline pour générer des recommandations personnalisées.
Une tâche DataBrew extrait les données de l'entrepôt de données TR pour les utilisateurs éligibles pour fournir des recommandations lors du renouvellement en fonction du plan d'abonnement actuel et de l'activité récente. L'outil de préparation visuelle des données DataBrew permet aux analystes de données TR et aux data scientists de nettoyer et de normaliser facilement les données afin de les préparer pour l'analyse et le ML. La possibilité de choisir parmi plus de 250 transformations prédéfinies dans l'outil de préparation visuelle des données pour automatiser les tâches de préparation des données, le tout sans avoir besoin d'écrire de code, était une caractéristique importante. Le travail DataBrew génère un ensemble de données incrémentiel pour les interactions et l'entrée pour le travail de recommandations par lots et stocke la sortie dans un compartiment S3. L'ensemble de données incrémentiel nouvellement généré est importé dans l'ensemble de données d'interactions. Lorsque la tâche d'importation d'ensemble de données incrémentielle réussit, une tâche de recommandations par lots Amazon Personalize est déclenchée avec les données d'entrée. Amazon Personalize génère les dernières recommandations pour les utilisateurs fournies dans les données d'entrée et les stocke dans un compartiment S3 de recommandations.
L'optimisation des prix est la dernière étape avant que les recommandations nouvellement formées ne soient prêtes à être utilisées. TR exécute une tâche d'optimisation des coûts sur les recommandations générées et utilise SageMaker pour exécuter des modèles personnalisés sur les recommandations dans le cadre de cette dernière étape. Une tâche AWS Glue organise la sortie générée à partir d'Amazon Personalize et la transforme dans le format d'entrée requis par le modèle personnalisé SageMaker. TR est en mesure de tirer parti de l'étendue des services fournis par AWS, en utilisant à la fois Amazon Personalize et SageMaker dans la plateforme de recommandation pour adapter les recommandations en fonction du type d'entreprise cliente et des utilisateurs finaux.
L'ensemble du flux de travail est découplé et orchestré à l'aide de Step Functions, ce qui offre la possibilité de faire évoluer le pipeline en fonction des exigences de traitement des données. Les alertes et les notifications sont capturées à l'aide d'Amazon SNS et d'EventBridge.
Pilotage de campagnes e-mail
Les recommandations générées ainsi que les résultats de tarification sont utilisés pour mener des campagnes par e-mail aux clients de TR. Une tâche AWS Batch est utilisée pour organiser les recommandations pour chaque client et l'enrichir avec les informations de tarification optimisées. Ces recommandations sont intégrées dans les systèmes de campagne de TR, qui pilotent les campagnes par e-mail suivantes :
- Renouvellement d'abonnement automatisé ou campagnes de mise à niveau avec de nouveaux produits susceptibles d'intéresser le client
- Campagnes de renouvellement à mi-contrat avec de meilleures offres et des produits plus pertinents et des contenus légaux
Les informations de ce processus sont également répliquées sur le portail client afin que les clients qui examinent leur abonnement actuel puissent voir les nouvelles recommandations de renouvellement. TR a constaté un taux de conversion plus élevé des campagnes par e-mail, entraînant une augmentation des commandes client, depuis la mise en œuvre de la nouvelle plateforme de recommandation.
Et ensuite : Pipeline de recommandations en temps réel
Les exigences des clients et les comportements d'achat changent en temps réel, et l'adaptation des recommandations aux changements en temps réel est essentielle pour proposer le bon contenu. Après avoir constaté un grand succès dans le déploiement d'un système de recommandation par lots, TR prévoit maintenant de faire passer cette solution au niveau supérieur en mettant en œuvre un pipeline de recommandations en temps réel pour générer des recommandations à l'aide d'Amazon Personalize.
Le diagramme suivant illustre l'architecture pour fournir des recommandations en temps réel.
L'intégration en temps réel commence par la collecte des données d'engagement des utilisateurs en direct et leur diffusion sur Amazon Personalize. Au fur et à mesure que les utilisateurs interagissent avec les applications de TR, ils génèrent des événements de flux de clics, qui sont publiés dans Flux de données Amazon Kinesis. Ensuite, les événements sont intégrés à la plate-forme de diffusion centralisée de TR, qui repose sur Amazon Managed Streaming pour Kafka (AmazonMSK). Amazon MSK facilite l'ingestion et le traitement des données de streaming en temps réel avec Apache Kafka entièrement géré. Dans cette architecture, Amazon MSK sert de plate-forme de streaming et effectue toutes les transformations de données requises sur les événements de flux de clics entrants bruts. Puis un AWS Lambda est déclenchée pour filtrer les événements sur le schéma compatible avec l'ensemble de données Amazon Personalize et transmettre ces événements à un outil de suivi des événements Amazon Personalize à l'aide d'un putEvent
API. Cela permet à Amazon Personalize d'apprendre du comportement le plus récent de votre utilisateur et d'inclure des éléments pertinents dans les recommandations.
Les applications Web de TR invoquent une API déployée dans Passerelle d'API Amazon pour obtenir des recommandations, ce qui déclenche une fonction Lambda pour appeler un GetRecommendations
Appel API avec Amazon Personalize. Amazon Personalize fournit le dernier ensemble de recommandations personnalisées adaptées au comportement de l'utilisateur, qui sont renvoyées aux applications Web via Lambda et API Gateway.
Grâce à cette architecture en temps réel, TR peut servir ses clients avec des recommandations personnalisées adaptées à leur comportement le plus récent et mieux répondre à leurs besoins.
Conclusion
Dans cet article, nous vous avons montré comment TR a utilisé Amazon Personalize et d'autres services AWS pour implémenter un moteur de recommandation. Amazon Personalize a permis à TR d'accélérer le développement et le déploiement de modèles hautes performances pour fournir des recommandations à ses clients. TR est en mesure d'intégrer une nouvelle suite de produits en quelques semaines maintenant, par rapport aux mois précédents. Avec Amazon Personalize et SageMaker, TR est en mesure d'améliorer l'expérience client avec de meilleurs plans d'abonnement au contenu et de meilleurs prix pour ses clients.
Si vous avez apprécié la lecture de ce blog et que vous souhaitez en savoir plus sur Amazon Personalize et sur la manière dont il peut aider votre organisation à créer des systèmes de recommandation, veuillez consulter le guide du développeur.
À propos des auteurs
Hicham Fahim est ingénieur principal en apprentissage automatique et architecte de moteur de personnalisation chez Thomson Reuters. Il a travaillé avec des organisations du milieu universitaire et de l'industrie allant des grandes entreprises aux startups de taille moyenne. Spécialisé dans les architectures d'apprentissage en profondeur évolutives, il possède de l'expérience en robotique mobile, en analyse d'images biomédicales ainsi qu'en systèmes de recommandation. Loin des ordinateurs, il aime l'astrophotographie, la lecture et le vélo longue distance.
Shaik Srinivasa est un architecte de solutions chez AWS basé à Boston. Il aide les entreprises clientes à accélérer leur transition vers le cloud. Il est passionné par les conteneurs et les technologies d'apprentissage automatique. Dans ses temps libres, il aime passer du temps avec sa famille, cuisiner et voyager.
Vamshi Krishna Enabothala est architecte spécialiste senior en IA appliquée chez AWS. Il travaille avec des clients de différents secteurs pour accélérer les initiatives de données, d'analyse et d'apprentissage automatique à fort impact. Il est passionné par les systèmes de recommandation, le NLP et les domaines de la vision par ordinateur en IA et ML. En dehors du travail, Vamshi est un passionné de RC, construisant des équipements RC (avions, voitures et drones) et aime également jardiner.
Simone Zucchet est architecte de solutions senior chez AWS. Avec plus de 6 ans d'expérience en tant qu'architecte cloud, Simone aime travailler sur des projets innovants qui aident à transformer la façon dont les organisations abordent les problèmes commerciaux. Il aide à soutenir les grandes entreprises clientes chez AWS et fait partie du Machine Learning TFC. En dehors de sa vie professionnelle, il aime travailler sur les voitures et la photographie.
- Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
- Platoblockchain. Intelligence métaverse Web3. Connaissance Amplifiée. Accéder ici.
- La source: https://aws.amazon.com/blogs/machine-learning/how-thomson-reuters-delivers-personalized-content-subscription-plans-at-scale-using-amazon-personalize/
- 100
- 7
- a
- capacité
- Capable
- Qui sommes-nous
- Académie
- accélérer
- Compte
- Comptabilité
- Avec cette connaissance vient le pouvoir de prendre
- à travers
- activité
- adapter
- Supplémentaire
- Avantage
- Après
- AI
- AI / ML
- Tous
- permet
- déjà
- Amazon
- Amazon Personnaliser
- selon une analyse de l’Université de Princeton
- Analystes
- analytique
- des analyses
- ainsi que
- réponses
- Apache
- api
- applications
- appliqué
- IA appliquée
- une approche
- architecture
- domaines
- autour
- associé
- automatiser
- AWS
- Colle AWS
- RETOUR
- basé
- base
- car
- before
- LES MEILLEURS
- Améliorée
- jusqu'à XNUMX fois
- Au-delà
- biomédical
- BLOG
- boston
- largeur
- construire
- Développement
- construit
- la performance des entreprises
- entreprises
- Appelez-nous
- Campagne
- faire campagne
- Les Campagnes
- voitures
- catalogue
- centré
- centralisée
- challenge
- Change
- Modifications
- en changeant
- Selectionnez
- le cloud
- code
- Collecte
- engagé
- Sociétés
- par rapport
- compatible
- composants électriques
- ordinateur
- Vision par ordinateur
- ordinateurs
- considérant
- constamment
- consommateur
- Les consommateurs
- Conteneurs
- contenu
- a continué
- Conversion
- Core
- Prix
- pourriez
- engendrent
- créée
- La création
- organisée
- curés
- Courant
- Customiser
- des clients
- données client
- expérience client
- Clients
- Tous les jours
- données
- Préparation des données
- informatique
- ensembles de données
- affaire
- décisions
- profond
- l'apprentissage en profondeur
- livrer
- offre
- Selon
- déployé
- déployer
- déploiement
- un
- détails
- développé
- Développement
- différent
- distance
- domaine
- motivation
- conduite
- Drones
- pendant
- chacun
- Plus tôt
- "Early Bird"
- LE NIVEAU SUPÉRIEUR
- admissibles
- activé
- permettant
- participation
- Moteur
- ingénieur
- enrichir
- Entreprise
- entreprises
- passionné
- Tout
- l'équipements
- événement
- événements
- en constante évolution
- évolue
- Découvrez
- nous a permis de concevoir
- Expliquer
- extrait
- Extraits
- famille
- plus rapide
- Fonctionnalité
- une fonction filtre
- finale
- la traduction de documents financiers
- Trouvez
- Ferme
- Flexibilité
- Focus
- Abonnement
- formulaire
- le format
- formé
- CADRE
- de
- d’étiquettes électroniques entièrement
- fonction
- fonctions
- porte
- générer
- généré
- génère
- générateur
- obtenez
- obtention
- donne
- Objectifs
- l'
- ayant
- aider
- aide
- haute performance
- augmentation
- Comment
- HTML
- HTTPS
- humain
- image
- Mettre en oeuvre
- la mise en œuvre
- importer
- important
- in
- comprendre
- Nouveau
- increased
- industrie
- d'information
- les initiatives
- Innovation
- technologie innovante
- contribution
- des services
- l'intégration
- Intelligence
- interagissant
- interactions
- intérêt
- impliqué
- IT
- articles
- Emploi
- Emplois
- chemin
- ACTIVITES
- gros
- Nom de famille
- Nouveautés
- conduire
- conduisant
- APPRENTISSAGE
- apprentissage
- Legacy
- Légal
- Niveau
- Licence
- VIE
- lifting
- le travail
- charge
- Location
- Faible
- click
- machine learning
- faire
- FAIT DU
- gérer
- gérés
- Marché
- leader du marché
- Stratégie
- Marchés
- maturité
- Médias
- Microsoft
- équipes de Microsoft
- pourrait
- des millions
- ML
- Breeze Mobile
- modèle
- numériques jumeaux (digital twin models)
- mois
- PLUS
- (en fait, presque toutes)
- Besoin
- Besoins
- Nouveauté
- produits nouveaux
- nouvelles
- next
- nlp
- déclaration
- Notifications
- Offres Speciales
- Débuter
- ONE
- opérationnel
- Opérations
- à mettre en œuvre pour gérer une entreprise rentable. Ce guide est basé sur trois décennies d'expérience
- optimisé
- Options
- passer commande
- organisation
- organisations
- Autre
- au contrôle
- Forfaits
- partie
- passionné
- Effectuer
- effectue
- Personnalisation
- Personnaliser
- Personnalisé
- objectifs
- photographie
- pipeline
- plan
- et la planification de votre patrimoine
- plans
- plateforme
- Platon
- Intelligence des données Platon
- PlatonDonnées
- veuillez cliquer
- Point
- Portail
- possible
- Post
- préférences
- Préparer
- en train de préparer
- prix
- Tarifs
- établissement des prix
- d'ouvrabilité
- processus
- traitement
- Produit
- Produits
- professionels
- ,une équipe de professionnels qualifiés
- projets
- fournir
- à condition de
- fournit
- aportando
- publié
- Push
- qualité
- vite.
- augmenter
- allant
- Tarif
- raw
- en cours
- solutions
- réal
- en temps réel
- récent
- récemment
- recette
- Recommandation
- recommandations
- Articles
- réduire
- visée
- refléter
- pertinent
- répliquées
- conditions
- exigence
- Exigences
- Résultats
- Reuters
- examen
- Analyse
- robotique
- Courir
- sagemaker
- vente
- évolutive
- Escaliers intérieurs
- mise à l'échelle
- scientifiques
- les sections
- Secteurs
- voir
- supérieur
- besoin
- sert
- service
- Services
- service
- set
- Shopping
- signer
- significative
- étapes
- simplifier
- depuis
- So
- sur mesure
- Solutions
- Identifier
- Sources
- spécialiste
- Dépenses
- départs
- Startups
- étapes
- storage
- stockée
- STORES
- streaming
- abonnement
- Abonnements
- succès
- réussi
- suite
- Support
- combustion propre
- Système
- Prenez
- prend
- tâches
- impôt
- équipe
- équipes
- Les technologies
- Technologie
- La
- leur
- Thomson Reuters
- Avec
- fiable
- à
- outil
- top
- Train
- qualifié
- Formation
- Transactions
- Transformer
- transformations
- transformé
- Voyages
- Trends
- déclenché
- confiance
- comprendre
- compréhension
- mise à jour
- améliorer
- Utilisation
- utilisé
- Utilisateur
- utilisateurs
- Précieux
- divers
- version
- via
- vision
- le volume
- voulu
- Richesse
- web
- Applications Web
- Semaines
- Quoi
- qui
- WHO
- dans les
- sans
- Activités principales
- travaillé
- de travail
- vos contrats
- monde
- pourra
- écrire
- code écrit
- années
- Vous
- Votre
- zéphyrnet