अमेज़ॅन सेजमेकर, अमेज़ॅन पर्सनलाइज़ और ट्विलियो सेगमेंट के साथ क्रॉस-चैनल ग्राहक अनुभवों को निजीकृत करें

आज, ग्राहक तेजी से बढ़ते डिजिटल और ऑफ़लाइन फ़ुटप्रिंट पर ब्रांडों के साथ बातचीत करते हैं, जिससे व्यवहार डेटा के रूप में जाना जाने वाला इंटरैक्शन डेटा उत्पन्न होता है। परिणामस्वरूप, विपणक और ग्राहक अनुभव टीमों को उन ग्राहकों को टचप्वाइंट पर संलग्न करने और लक्षित करने के लिए कई ओवरलैपिंग टूल के साथ काम करना चाहिए। इससे जटिलता बढ़ती है, प्रत्येक ग्राहक के बारे में कई विचार बनते हैं, और प्रत्येक ग्राहक को प्रासंगिक सामग्री, संदेश और उत्पाद सुझावों के साथ एक व्यक्तिगत अनुभव प्रदान करना अधिक चुनौतीपूर्ण हो जाता है। जवाब में, मार्केटिंग टीमें अपने ग्राहकों के कई विचारों को समेकित करने की प्रक्रिया को सरल बनाने के लिए ग्राहक डेटा प्लेटफ़ॉर्म (सीडीपी) और क्रॉस-चैनल अभियान प्रबंधन टूल (सीसीसीएम) का उपयोग करती हैं। ये प्रौद्योगिकियां गैर-तकनीकी उपयोगकर्ताओं को क्रॉस-चैनल लक्ष्यीकरण, जुड़ाव और वैयक्तिकरण को सक्षम करने के लिए एक त्वरित मार्ग प्रदान करती हैं, जबकि ग्राहकों के साथ जुड़ने के लिए तकनीकी टीमों और विशेषज्ञ कौशल पर मार्केटिंग टीमों की निर्भरता को कम करती हैं।

इसके बावजूद, जब ये प्रौद्योगिकियां व्यवसाय के अन्य हिस्सों के सिस्टम के साथ एकीकृत नहीं होती हैं, तो विपणक खुद को ग्राहक गतिविधि में अंधे स्थान पर पाते हैं। यह गैर-डिजिटल चैनलों के लिए विशेष रूप से सच है, उदाहरण के लिए, इन-स्टोर लेनदेन या ग्राहक सहायता से ग्राहक प्रतिक्रिया। मार्केटिंग टीमें और उनके ग्राहक अनुभव समकक्ष डेटा वैज्ञानिकों द्वारा विकसित पूर्वानुमान क्षमताओं को अपने क्रॉस-चैनल अभियानों या ग्राहक टचप्वाइंट में एकीकृत करने के लिए भी संघर्ष करते हैं। परिणामस्वरूप, ग्राहकों को ऐसे संदेश और अनुशंसाएँ प्राप्त होती हैं जो प्रासंगिक नहीं हैं या उनकी अपेक्षाओं के साथ असंगत हैं।

यह पोस्ट बताती है कि कैसे क्रॉस-फंक्शनल टीमें एक ओम्नीचैनल वैयक्तिकरण उपयोग मामले का उपयोग करके इन चुनौतियों का समाधान करने के लिए मिलकर काम कर सकती हैं। हम यह दर्शाने के लिए एक काल्पनिक खुदरा परिदृश्य का उपयोग करते हैं कि ग्राहक यात्रा के दौरान विभिन्न बिंदुओं पर वैयक्तिकृत अनुभव प्रदान करने के लिए वे टीमें कैसे आपस में जुड़ती हैं। हम उपयोग करते हैं ट्विलियो खंड हमारे परिदृश्य में, AWS पर निर्मित एक ग्राहक डेटा प्लेटफ़ॉर्म। बाज़ार में चुनने के लिए 12 से अधिक सीडीपी मौजूद हैं, जिनमें से कई AWS भागीदार भी हैं, लेकिन हम इस पोस्ट में सेगमेंट का उपयोग करते हैं क्योंकि वे एक स्व-सेवा मुक्त स्तर प्रदान करते हैं जो आपको अन्वेषण और प्रयोग करने की अनुमति देता है। हम बताते हैं कि सेगमेंट के आउटपुट को इन-स्टोर बिक्री डेटा, उत्पाद मेटाडेटा और इन्वेंट्री जानकारी के साथ कैसे संयोजित किया जाए। इस पर आधारित, हम बताते हैं कि सेगमेंट को कैसे एकीकृत किया जाए अमेज़न निजीकृत वास्तविक समय की अनुशंसाओं को सशक्त बनाने के लिए। हम यह भी वर्णन करते हैं कि हम किस प्रकार उपयोग करके मंथन और बार-बार खरीदारी की प्रवृत्ति के लिए स्कोर बनाते हैं अमेज़न SageMaker. अंत में, हम यह पता लगाते हैं कि नए और मौजूदा ग्राहकों को तीन तरीकों से कैसे लक्षित किया जाए:

• तृतीय-पक्ष वेबसाइटों पर बैनरों के साथ, जिन्हें प्रदर्शन विज्ञापन के रूप में भी जाना जाता है, समान ग्राहकों को आकर्षित करने के लिए खरीदने की प्रवृत्ति स्कोर का उपयोग करते हैं।
• वेब और मोबाइल चैनलों पर अमेज़ॅन पर्सनलाइज़ द्वारा संचालित वैयक्तिकृत अनुशंसाओं के साथ प्रस्तुत किया जाता है, जो सामग्री अनुशंसाएँ बनाने के लिए मशीन लर्निंग (एमएल) एल्गोरिदम का उपयोग करता है।
• वैयक्तिकृत मैसेजिंग के उपयोग के साथ अमेज़न पिनपॉइंट, एक आउटबाउंड और इनबाउंड मार्केटिंग संचार सेवा। ये संदेश असंतुष्ट ग्राहकों और मंथन की उच्च प्रवृत्ति दिखाने वाले लोगों को लक्षित करते हैं।

समाधान अवलोकन

कल्पना कीजिए कि आप एक उत्पाद स्वामी हैं जो एक खुदरा कंपनी के लिए क्रॉस-चैनल ग्राहक अनुभव के प्रभारी हैं। कंपनी के पास ऑनलाइन और ऑफलाइन चैनलों का एक विविध सेट है, लेकिन वह डिजिटल चैनलों को विकास के प्राथमिक अवसर के रूप में देखती है। वे निम्नलिखित तरीकों से अपने ग्राहक आधार का आकार और मूल्य बढ़ाना चाहते हैं:

• नए, उच्च योग्य ग्राहकों को आकर्षित करें जिनके रूपांतरित होने की अधिक संभावना हो
• उनके सभी ग्राहकों का औसत ऑर्डर मूल्य बढ़ाएँ
• छूटे हुए ग्राहकों को वापस लौटने के लिए आकर्षित करें और उम्मीद करें कि वे दोबारा खरीदारी करें

यह सुनिश्चित करने के लिए कि उन ग्राहकों को सभी चैनलों पर लगातार अनुभव प्राप्त हो, एक उत्पाद स्वामी के रूप में आपको डिजिटल मार्केटिंग, फ्रंट-एंड डेवलपमेंट, मोबाइल डेवलपमेंट, अभियान डिलीवरी और रचनात्मक एजेंसियों जैसी टीमों के साथ काम करने की आवश्यकता है। यह सुनिश्चित करने के लिए कि ग्राहकों को प्रासंगिक अनुशंसाएँ प्राप्त हों, आपको डेटा इंजीनियरिंग और डेटा विज्ञान टीमों के साथ भी काम करना होगा। इनमें से प्रत्येक टीम निम्नलिखित चित्र में दर्शाए गए आर्किटेक्चर के भीतर सुविधाओं के साथ बातचीत करने या विकसित करने के लिए जिम्मेदार है।

समाधान वर्कफ़्लो में निम्नलिखित उच्च-स्तरीय चरण शामिल हैं:

1. संग्रहित करने के लिए अनेक स्रोतों से डेटा एकत्र करें अमेज़न सरल भंडारण सेवा (अमेज़न S3)।
2. उपयोग AWS स्टेप फ़ंक्शंस डेटा ऑनबोर्डिंग और फीचर इंजीनियरिंग को व्यवस्थित करना।
3. सेजमेकर का उपयोग करके सेगमेंट और पूर्वानुमान बनाएं।
4. प्रदर्शन लक्ष्यीकरण के लिए प्रवृत्ति स्कोर का उपयोग करें।
5. अमेज़ॅन पिनपॉइंट का उपयोग करके वैयक्तिकृत संदेश भेजें।
6. अमेज़ॅन पर्सनलाइज़ का उपयोग करके वास्तविक समय के वैयक्तिकृत सुझावों को एकीकृत करें।

निम्नलिखित अनुभागों में, हम प्रत्येक चरण पर चलते हैं, प्रत्येक टीम की गतिविधियों को उच्च स्तर पर समझाते हैं, संबंधित संसाधनों के संदर्भ प्रदान करते हैं, और व्यावहारिक प्रयोगशालाएँ साझा करते हैं जो अधिक विस्तृत मार्गदर्शन प्रदान करती हैं।

अनेक स्रोतों से डेटा एकत्र करें

डिजिटल मार्केटिंग, फ्रंट-एंड और मोबाइल डेवलपमेंट टीमें वेब और मोबाइल एनालिटिक्स, डिजिटल मीडिया प्रदर्शन और ऑनलाइन बिक्री स्रोतों को पकड़ने और एकीकृत करने के लिए सेगमेंट को कॉन्फ़िगर कर सकती हैं। खंड कनेक्शन. खंड व्यक्तित्व डिजिटल मार्केटिंग टीमों को एक निरंतर पहचानकर्ता के साथ एकल उपयोगकर्ता प्रोफ़ाइल में इन स्रोतों में इंटरैक्शन को एक साथ जोड़कर उपयोगकर्ताओं की पहचान को हल करने की अनुमति देता है। इन प्रोफाइलों को परिकलित मेट्रिक्स के साथ बुलाया जाता है परिकलित लक्षण और कच्ची घटनाओं को अमेज़न S3 पर निर्यात किया जा सकता है। निम्नलिखित स्क्रीनशॉट दिखाता है कि सेगमेंट पर्सन में पहचान नियम कैसे स्थापित किए जाते हैं।

समानांतर में, इंजीनियरिंग टीमें उपयोग कर सकती हैं एडब्ल्यूएस डेटा माइग्रेशन सेवा (एडब्ल्यूएस डीएमएस) माइक्रोसॉफ्ट एसक्यूएल या ओरेकल जैसे डेटाबेस से इन-स्टोर बिक्री, उत्पाद मेटाडेटा और इन्वेंट्री डेटा स्रोतों को दोहराने और आउटपुट को अमेज़ॅन एस 3 में संग्रहीत करने के लिए।

डेटा ऑनबोर्डिंग और फीचर इंजीनियरिंग

अमेज़ॅन S3 पर लैंडिंग ज़ोन में डेटा एकत्र और संग्रहीत करने के बाद, डेटा इंजीनियर इसके घटकों का उपयोग कर सकते हैं सर्वर रहित डेटा लेक ढांचा (एसडीएलएफ) डेटा ऑनबोर्डिंग में तेजी लाने और डेटा लेक की मूलभूत संरचना का निर्माण करने के लिए। एसडीएलएफ के साथ, इंजीनियर अमेज़ॅन पर्सनलाइज़ को प्रशिक्षित करने के लिए उपयोग किए जाने वाले उपयोगकर्ता-आइटम डेटा की तैयारी को स्वचालित कर सकते हैं या एक सामान्य पहचानकर्ता के रूप में ग्राहक आईडी या ईमेल पते जैसी विशेषताओं का उपयोग करके ऑनलाइन और ऑफलाइन व्यवहार डेटा और बिक्री डेटा को जोड़कर ग्राहक व्यवहार का एक दृश्य बना सकते हैं। .

स्टेप फ़ंक्शंस एसडीएलएफ के भीतर इन परिवर्तन कार्यों को चलाने वाला प्रमुख ऑर्केस्ट्रेटर है। आप शेड्यूल किए गए और इवेंट-संचालित डेटा वर्कफ़्लो दोनों को बनाने और व्यवस्थित करने के लिए स्टेप फ़ंक्शंस का उपयोग कर सकते हैं। इंजीनियरिंग टीम डेटा पाइपलाइन के भीतर अन्य AWS सेवाओं के कार्यों को व्यवस्थित कर सकती है। इस प्रक्रिया के आउटपुट को एमएल विकास के लिए उपयोग करने के लिए अमेज़ॅन एस3 पर एक विश्वसनीय क्षेत्र में संग्रहीत किया जाता है। सर्वर रहित डेटा लेक फ्रेमवर्क को लागू करने के बारे में अधिक जानकारी के लिए देखें AWS सर्वर रहित डेटा एनालिटिक्स पाइपलाइन संदर्भ आर्किटेक्चर.

खंड और पूर्वानुमान बनाएँ

खंडों और भविष्यवाणियों के निर्माण की प्रक्रिया को तीन चरणों में विभाजित किया जा सकता है: पर्यावरण तक पहुंच, प्रवृत्ति मॉडल का निर्माण, और आउटपुट फ़ाइलें बनाना।

पर्यावरण तक पहुंचें

इंजीनियरिंग टीम द्वारा एमएल विकास डेटा तैयार करने और परिवर्तित करने के बाद, डेटा विज्ञान टीम सेजमेकर का उपयोग करके प्रवृत्ति मॉडल बना सकती है। सबसे पहले, वे एमएल मॉडल के प्रारंभिक सेट का निर्माण, प्रशिक्षण और परीक्षण करते हैं। इससे उन्हें प्रारंभिक परिणाम देखने, आगे किस दिशा में जाने का निर्णय लेने और प्रयोगों को पुन: प्रस्तुत करने की अनुमति मिलती है।

डेटा विज्ञान टीम को एक सक्रिय व्यक्ति की आवश्यकता है अमेज़ॅन सैजमेकर स्टूडियो उदाहरण के लिए, तीव्र एमएल प्रयोग के लिए एक एकीकृत विकास वातावरण (आईडीई)। यह सेजमेकर की सभी प्रमुख विशेषताओं को एकीकृत करता है और एंड-टू-एंड एमएल पाइपलाइनों को प्रबंधित करने के लिए एक वातावरण प्रदान करता है। यह जटिलता को दूर करता है और एमएल मॉडल बनाने और उन्हें उत्पादन में तैनात करने में लगने वाले समय को कम करता है। डेवलपर्स उपयोग कर सकते हैं सेजमेकर स्टूडियो नोटबुक, जो एक-क्लिक ज्यूपिटर नोटबुक हैं जिन्हें आप डेटा तैयारी से लेकर मॉडल परिनियोजन तक संपूर्ण एमएल वर्कफ़्लो को सक्षम करने के लिए जल्दी से स्पिन कर सकते हैं। एमएल के लिए सेजमेकर पर अधिक जानकारी के लिए देखें डेटा साइंस के लिए अमेज़ॅन सेजमेकर.

प्रवृत्ति मॉडल बनाएं

मंथन और बार-बार खरीदारी की प्रवृत्ति का अनुमान लगाने के लिए, ग्राहक अनुभव और डेटा विज्ञान टीमों को किसी भी परिणाम के लिए ज्ञात ड्राइविंग कारकों पर सहमत होना चाहिए।

डेटा विज्ञान टीम मॉडलिंग प्रक्रिया के माध्यम से अज्ञात कारकों की खोज करते हुए इन ज्ञात कारकों को मान्य करती है। पिछले 3 महीनों में रिटर्न की संख्या एक कारक ड्राइविंग मंथन का एक उदाहरण हो सकता है। पुनर्खरीद को बढ़ावा देने वाले कारक का एक उदाहरण वेबसाइट या मोबाइल ऐप पर सहेजे गए आइटम की संख्या हो सकती है।

हमारे उपयोग के मामले में, हम मानते हैं कि डिजिटल मार्केटिंग टीम अगले महीने में पुनर्खरीद की सबसे अधिक संभावना वाले ग्राहकों को खोजने के लिए समान दिखने वाली मॉडलिंग का उपयोग करके एक लक्षित दर्शक बनाना चाहती है। हम यह भी मानते हैं कि अभियान टीम उन ग्राहकों को एक ईमेल ऑफ़र भेजना चाहती है जिनकी सदस्यता संभवतः अगले 3 महीनों में समाप्त हो जाएगी ताकि उन्हें अपनी सदस्यता नवीनीकृत करने के लिए प्रोत्साहित किया जा सके।

डेटा विज्ञान टीम डेटा (विशेषताओं) का विश्लेषण करके और प्रमुख डेटा व्यवहार को समझने के लिए डेटासेट की मुख्य विशेषताओं को सारांशित करके शुरू कर सकती है। फिर वे डेटा को प्रशिक्षण और परीक्षण में फेरबदल और विभाजित कर सकते हैं और इन डेटासेट को विश्वसनीय क्षेत्र में अपलोड कर सकते हैं। आप जैसे एल्गोरिदम का उपयोग कर सकते हैं एक्सजीबूस्ट मॉडल को प्रशिक्षित करने और स्वचालित रूप से सुविधा चयन प्रदान करने के लिए क्लासिफायर, जो प्रवृत्ति स्कोर (या अनुमानित मान) निर्धारित करने के लिए उम्मीदवारों का सबसे अच्छा सेट है।

फिर आप एल्गोरिदम मेट्रिक्स (जैसे) को अनुकूलित करके मॉडल को ट्यून कर सकते हैं हाइपरपैरामीटर) XGBoost ढांचे के भीतर प्रदान की गई श्रेणियों के आधार पर। परीक्षण डेटा का उपयोग मॉडल के प्रदर्शन का मूल्यांकन करने और यह अनुमान लगाने के लिए किया जाता है कि यह नए डेटा को कितनी अच्छी तरह सामान्यीकृत करता है। मूल्यांकन मेट्रिक्स पर अधिक जानकारी के लिए देखें एक XGBoost मॉडल ट्यून करें.

अंत में, प्रत्येक ग्राहक के लिए प्रवृत्ति स्कोर की गणना की जाती है और मार्केटिंग और अभियान टीमों द्वारा एक्सेस, समीक्षा और सत्यापन के लिए विश्वसनीय S3 ज़ोन में संग्रहीत किया जाता है। यह प्रक्रिया फीचर महत्व का प्राथमिकता मूल्यांकन भी प्रदान करती है, जो यह समझाने में मदद करती है कि स्कोर कैसे तैयार किए गए थे।

आउटपुट फ़ाइलें बनाएं

डेटा विज्ञान टीम द्वारा मॉडल प्रशिक्षण और ट्यूनिंग पूरी करने के बाद, वे उत्पादन के लिए सर्वोत्तम मॉडल को तैनात करने के लिए इंजीनियरिंग टीम के साथ काम करते हैं। हम इसका उपयोग कर सकते हैं SageMaker बैच परिवर्तन नया डेटा एकत्र करते समय पूर्वानुमान चलाना और प्रत्येक ग्राहक के लिए स्कोर उत्पन्न करना। इंजीनियरिंग टीम एमएल वर्कफ़्लो का उपयोग करके व्यवस्थित और स्वचालित कर सकती है अमेज़न SageMaker पाइपलाइन, एमएल के लिए एक उद्देश्य-निर्मित निरंतर एकीकरण और निरंतर वितरण (सीआई/सीडी) सेवा, जो एंड-टू-एंड एमएल वर्कफ़्लो को प्रबंधित करने के लिए एक वातावरण प्रदान करती है। यह समय बचाता है और आमतौर पर मैन्युअल ऑर्केस्ट्रेशन के कारण होने वाली त्रुटियों को कम करता है।

एमएल वर्कफ़्लो का आउटपुट वैयक्तिकृत संदेश भेजने के लिए अमेज़ॅन पिनपॉइंट द्वारा आयात किया जाता है और डिस्प्ले चैनलों पर लक्ष्यीकरण करते समय उपयोग करने के लिए सेगमेंट में निर्यात किया जाता है। निम्नलिखित चित्रण एमएल वर्कफ़्लो का एक दृश्य अवलोकन प्रदान करता है।

निम्नलिखित स्क्रीनशॉट एक उदाहरण आउटपुट फ़ाइल दिखाता है।

प्रदर्शन लक्ष्यीकरण के लिए प्रवृत्ति स्कोर का उपयोग करें

इंजीनियरिंग और डिजिटल मार्केटिंग टीमें पहुंच बढ़ाने के लिए सेगमेंट में रिवर्स डेटा प्रवाह बना सकती हैं। यह के संयोजन का उपयोग करता है AWS लाम्बा और अमेज़न S3. हर बार जब एमएल वर्कफ़्लो द्वारा एक नई आउटपुट फ़ाइल तैयार की जाती है और विश्वसनीय S3 बकेट में सहेजी जाती है, तो एक लैम्ब्डा फ़ंक्शन लागू किया जाता है जो सेगमेंट में निर्यात को ट्रिगर करता है। डिजिटल मार्केटिंग तब नियमित रूप से अपडेट किए गए प्रवृत्ति स्कोर का उपयोग ग्राहक विशेषताओं के रूप में सेगमेंट गंतव्यों के लिए दर्शकों को बनाने और निर्यात करने के लिए कर सकती है (निम्न स्क्रीनशॉट देखें)। सेगमेंट निर्यात की फ़ाइल संरचना पर अधिक जानकारी के लिए देखें लैम्ब्डा से अमेज़न S3.

जब डेटा सेगमेंट में उपलब्ध होता है, तो डिजिटल मार्केटिंग ग्राहक सेगमेंट बनाते समय सेजमेकर में विकसित प्रवृत्ति स्कोर को विशेषताओं के रूप में देख सकती है। वे डिजिटल विज्ञापन के साथ उन्हें लक्षित करने के लिए समान दर्शक वर्ग उत्पन्न कर सकते हैं। फीडबैक लूप बनाने के लिए, डिजिटल मार्केटिंग को यह सुनिश्चित करना होगा कि प्रदर्शन को अनुकूलित करने के लिए इंप्रेशन, क्लिक और अभियान को सेगमेंट में वापस शामिल किया जा रहा है।

वैयक्तिकृत आउटबाउंड संदेश भेजें

अभियान वितरण टीम मंथन के जोखिम में ग्राहकों को फिर से जोड़ने के लिए एआई-संचालित विन-बैक अभियानों को लागू और तैनात कर सकती है। ये अभियान वैयक्तिकृत उत्पाद अनुशंसाएँ प्रस्तुत करने के लिए अमेज़ॅन पर्सनलाइज़ के साथ एकीकृत करते हुए सेजमेकर में उत्पन्न ग्राहक संपर्कों की सूची को खंडों के रूप में उपयोग करते हैं। निम्नलिखित चित्र देखें.

डिजिटल मार्केटिंग टीम अमेज़ॅन पिनपॉइंट यात्रा का उपयोग करके विन-बैक सेगमेंट को उपसमूहों में विभाजित करने और नियंत्रण समूह के रूप में उपयोगकर्ताओं के एक प्रतिशत को आरक्षित करने के लिए प्रयोग कर सकती है जो अभियान के संपर्क में नहीं है। इससे उन्हें अभियान के प्रभाव को मापने और फीडबैक लूप बनाने की अनुमति मिलती है।

वास्तविक समय की अनुशंसाओं को एकीकृत करें

इनबाउंड चैनलों को निजीकृत करने के लिए, डिजिटल मार्केटिंग और इंजीनियरिंग टीमें ग्राहक की यात्रा में विभिन्न बिंदुओं पर उत्पाद सिफारिशें प्रदान करने के लिए अमेज़ॅन पर्सनलाइज़ को एकीकृत और कॉन्फ़िगर करने के लिए मिलकर काम करती हैं। उदाहरण के लिए, वे एक तैनात कर सकते हैं समान वस्तु पूरक वस्तुओं का सुझाव देने के लिए उत्पाद विवरण पृष्ठों पर अनुशंसाकर्ता (निम्नलिखित चित्र देखें)। इसके अतिरिक्त, वे ग्राहकों को उन उत्पादों की याद दिलाने के लिए चेकआउट यात्रा में एक सामग्री-आधारित फ़िल्टरिंग अनुशंसाकर्ता को तैनात कर सकते हैं जो वे आमतौर पर अपना ऑर्डर पूरा करने से पहले खरीदते हैं।

सबसे पहले, इंजीनियरिंग टीम को RESTful माइक्रोसर्विसेज बनाने की आवश्यकता है जो उत्पाद अनुशंसाओं के साथ वेब, मोबाइल और अन्य चैनल एप्लिकेशन अनुरोधों का जवाब दें। ये माइक्रोसर्विसेज सिफारिशें प्राप्त करने के लिए अमेज़ॅन पर्सनलाइज़ को कॉल करते हैं, उत्पाद आईडी को नाम और कीमत जैसी अधिक सार्थक जानकारी में हल करते हैं, इन्वेंट्री स्टॉक स्तरों की जांच करते हैं, और यह निर्धारित करते हैं कि उपयोगकर्ता के वर्तमान पृष्ठ या स्क्रीन के आधार पर क्वेरी के लिए कौन सा अमेज़ॅन पर्सनलाइज़ अभियान समापन बिंदु है।

फ्रंट-एंड और मोबाइल डेवलपमेंट टीमों को अपने एप्लिकेशन में विशिष्ट ग्राहक कार्यों के लिए ट्रैकिंग इवेंट जोड़ने की आवश्यकता है। फिर वे उन घटनाओं को भेजने के लिए सेगमेंट का उपयोग कर सकते हैं वास्तविक समय में सीधे अमेज़ॅन वैयक्तिकृत करें. ये ट्रैकिंग इवेंट हमारे द्वारा पहले निकाले गए उपयोगकर्ता-आइटम डेटा के समान हैं। वे अमेज़ॅन पर्सनलाइज़ समाधानों को लाइव ग्राहक इंटरैक्शन के आधार पर अनुशंसाओं को परिष्कृत करने की अनुमति देते हैं। इंप्रेशन, उत्पाद दृश्य, कार्ट परिवर्धन और खरीदारी को कैप्चर करना आवश्यक है क्योंकि ये ईवेंट अनुशंसाकर्ताओं के लिए फीडबैक लूप बनाते हैं। लैम्ब्डा एक मध्यस्थ है, जो सेगमेंट से उपयोगकर्ता ईवेंट एकत्र करता है और उन्हें अमेज़ॅन पर्सनलाइज़ पर भेजता है। लैम्ब्डा रिवर्स डेटा एक्सचेंज की सुविधा भी देता है, जिससे उपयोगकर्ता के लिए अद्यतन अनुशंसाएं सेगमेंट में वापस आ जाती हैं। सेगमेंट और अमेज़ॅन पर्सनलाइज़ के साथ वास्तविक समय अनुशंसाओं को कॉन्फ़िगर करने के बारे में अधिक जानकारी के लिए, देखें सेगमेंट रीयल-टाइम डेटा और अमेज़ॅन पर्सनलाइज़ वर्कशॉप.

निष्कर्ष

इस पोस्ट में बताया गया है कि सेगमेंट ग्राहक डेटा प्लेटफ़ॉर्म और अमेज़ॅन सेजमेकर, अमेज़ॅन पर्सनलाइज़ और अमेज़ॅन पिनपॉइंट जैसी एडब्ल्यूएस सेवाओं के संयोजन का उपयोग करके एक ओमनीचैनल ग्राहक अनुभव कैसे प्रदान किया जाए। हमने ग्राहक यात्रा और डेटा मूल्य श्रृंखला में प्रत्येक चरण में क्रॉस-फ़ंक्शनल टीमों की भूमिका का पता लगाया। चर्चा की गई वास्तुकला और दृष्टिकोण खुदरा वातावरण पर केंद्रित है, लेकिन आप इसे वित्तीय सेवाओं या मीडिया और मनोरंजन जैसे अन्य क्षेत्रों में भी लागू कर सकते हैं। यदि आप हमारी चर्चा में से कुछ को आज़माने में रुचि रखते हैं, तो इसे देखें रिटेल डेमो स्टोर, जहां आप व्यावहारिक कार्यशालाएं पा सकते हैं जिनमें सेगमेंट और अन्य एडब्ल्यूएस भागीदार शामिल हैं।

अतिरिक्त संदर्भ

अतिरिक्त जानकारी के लिए, निम्नलिखित संसाधन देखें:

• सेगमेंट के साथ ओमनीचैनल वैयक्तिकरण
• अमेज़ॅन वैयक्तिकृत के साथ ओमीनिकेलन निजीकरण
• अमेज़ॅन सेजमेकर पाइपलाइन का उपयोग करके एक एंड-टू-एंड मंथन भविष्यवाणी मॉडल बनाएं, ट्यून करें और तैनात करें
• Amazon SageMaker के साथ फीचर इंजीनियरिंग पाइपलाइनों को स्वचालित करें
• मॉडल की गुणवत्ता की निगरानी करें

खंड के बारे में

सेगमेंट एक AWS एडवांस्ड टेक्नोलॉजी पार्टनर है और निम्नलिखित AWS इंडिपेंडेंट सॉफ्टवेयर वेंडर (ISV) दक्षताओं का धारक है: डेटा और एनालिटिक्स, डिजिटल ग्राहक अनुभव, रिटेल और मशीन लर्निंग। एटलसियन और डिजिटल ओशन जैसे ब्रांड सेगमेंट द्वारा संचालित वास्तविक समय विश्लेषण समाधान का उपयोग करते हैं।

---

लेखक के बारे में

ड्वेन ब्राउन लंदन स्थित AWS में एक प्रमुख एनालिटिक्स प्लेटफ़ॉर्म विशेषज्ञ हैं। वह डेटा-संचालित एवरीथिंग (डी2ई) ग्राहक कार्यक्रम का हिस्सा है, जहां वह ग्राहकों को अधिक डेटा-संचालित और ग्राहक अनुभव केंद्रित बनने में मदद करता है। उनके पास डिजिटल एनालिटिक्स, वैयक्तिकरण और मार्केटिंग ऑटोमेशन की पृष्ठभूमि है। अपने खाली समय में, ड्वेन को इनडोर चढ़ाई और प्रकृति की खोज करना पसंद है।

हारा गवरिलियाडी लंदन स्थित AWS प्रोफेशनल सर्विसेज में एक वरिष्ठ डेटा एनालिटिक्स रणनीतिकार हैं। वह डेटा, एनालिटिक्स और मशीन लर्निंग का उपयोग करके ग्राहकों को अपना व्यवसाय बदलने में मदद करती है। वह ग्राहक विश्लेषण और डेटा रणनीति में माहिर हैं। हारा को ग्रामीण इलाकों में घूमना पसंद है और वह अपने खाली समय में स्थानीय किताबों की दुकानों और योग स्टूडियो की खोज करना पसंद करती है।

केनी राजन एक सीनियर पार्टनर सॉल्यूशन आर्किटेक्ट हैं। केनी यह प्रदर्शित करके ग्राहकों को AWS और उसके साझेदारों से अधिकतम लाभ प्राप्त करने में मदद करता है कि कैसे AWS साझेदार और AWS सेवाएँ एक साथ मिलकर बेहतर काम करते हैं। उनकी रुचि मशीन लर्निंग, डेटा, ईआरपी कार्यान्वयन और क्लाउड पर आवाज-आधारित समाधानों में है। काम के अलावा, केनी को किताबें पढ़ना और दान गतिविधियों में मदद करना पसंद है।

• कॉइनस्मार्ट। यूरोप का सर्वश्रेष्ठ बिटकॉइन और क्रिप्टो एक्सचेंज।
• प्लेटोब्लॉकचैन। Web3 मेटावर्स इंटेलिजेंस। ज्ञान प्रवर्धित। नि: शुल्क प्रवेश।
• क्रिप्टोहॉक। Altcoin रडार। मुफ्त परीक्षण।
• स्रोत: https://aws.amazon.com/blogs/machine-learning/personalize-cross-channel-customer-experiences-with-amazon-sagemaker-amazon-personalize-and-segment/