Testreszabhatja a csatornákon átívelő vásárlói élményeket az Amazon SageMaker, az Amazon Personalize és a Twilio Segment segítségével

Manapság az ügyfelek egyre nagyobb digitális és offline lábnyomon lépnek kapcsolatba a márkákkal, és rengeteg interakciós adatot generálnak, amelyeket viselkedési adatoknak nevezünk. Ennek eredményeként a marketingszakembereknek és az ügyféltapasztalattal foglalkozó csapatoknak több, egymást átfedő eszközzel kell dolgozniuk, hogy bevonják és megcélozzák ezeket az ügyfeleket a kapcsolati pontokon keresztül. Ez növeli az összetettséget, több nézetet hoz létre az egyes ügyfelekről, és nagyobb kihívást jelent az egyéni élmény biztosítása releváns tartalommal, üzenetekkel és termékjavaslatokkal minden vásárló számára. Válaszul a marketingcsapatok ügyféladat-platformokat (CDP) és csatornák közötti kampánykezelési eszközöket (CCCM) használnak, hogy leegyszerűsítsék ügyfeleik több nézetének egységesítését. Ezek a technológiák a nem műszaki felhasználók számára felgyorsított utat biztosítanak a csatornák közötti célzás, elköteleződés és személyre szabás érdekében, miközben csökkentik a marketingcsapatok függőségét a műszaki csapatoktól és az ügyfelekkel való kapcsolatteremtéshez szükséges speciális készségektől.

Ennek ellenére a marketingszakemberek vakfoltokat találnak az ügyfelek tevékenységében, ha ezek a technológiák nincsenek integrálva az üzlet más részeinek rendszereivel. Ez különösen igaz a nem digitális csatornákra, például az üzleten belüli tranzakciókra vagy az ügyfélszolgálattól kapott vásárlói visszajelzésekre. A marketingcsapatok és az ügyféltapasztalattal foglalkozó kollégáik szintén küzdenek azért, hogy az adatkutatók által kifejlesztett előrejelző képességeket integrálják csatornákon átívelő kampányaikba vagy ügyfélkapcsolati pontjaikba. Ennek eredményeként az ügyfelek olyan üzeneteket és ajánlásokat kapnak, amelyek nem relevánsak vagy nincsenek összhangban az elvárásaikkal.

Ez a bejegyzés felvázolja, hogyan dolgozhatnak együtt a többfunkciós csapatok ezeknek a kihívásoknak a megoldásában egy többcsatornás személyre szabott használati eset használatával. Egy kitalált kiskereskedelmi forgatókönyvet használunk annak szemléltetésére, hogy ezek a csapatok hogyan működnek együtt, hogy személyre szabott élményt nyújtsanak az ügyfélút különböző pontjain. Használjuk Twilio szegmens forgatókönyvünk szerint egy AWS-re épülő ügyféladat-platform. A piacon több mint 12 CDP közül lehet választani, amelyek közül sok egyben AWS-partner is, de ebben a bejegyzésben a Szegmentet használjuk, mert önkiszolgáló ingyenes szintet biztosítanak, amely lehetővé teszi a felfedezést és a kísérletezést. Elmagyarázzuk, hogyan kombinálhatja a szegmensből származó kimenetet a bolti értékesítési adatokkal, a termék metaadataival és a készletinformációkkal. Erre építve elmagyarázzuk, hogyan integrálható a szegmens a következővel Az Amazon testreszabása valós idejű ajánlások végrehajtásához. Leírjuk azt is, hogyan készítünk pontszámokat a lemorzsolódásra és az ismételt vásárlási hajlandóságra Amazon SageMaker. Végül megvizsgáljuk, hogyan célozhatunk meg új és meglévő ügyfeleket három módon:

• Harmadik felek webhelyein lévő szalaghirdetésekkel, más néven vizuális hirdetésekkel, amelyek vásárlási hajlandóság pontszámát használják hasonló ügyfelek vonzására.
• Azon a webes és mobilcsatornákon, amelyek személyre szabott ajánlásokat kínálnak az Amazon Personalize által, amely gépi tanulási (ML) algoritmusokat használ a tartalomajánlások létrehozásához.
• Személyre szabott üzenetküldéssel Amazon Pontos, egy kimenő és bejövő marketingkommunikációs szolgáltatás. Ezek az üzenetek az elzárkózott ügyfeleket és azokat, akik nagy hajlandóságot mutatnak a lemorzsolódásra, célozzák.

Megoldás áttekintése

Képzelje el, hogy Ön egy terméktulajdonos, aki a csatornákon átívelő vásárlói élményért felelős egy kiskereskedelmi vállalatnál. A vállalat változatos online és offline csatornákkal rendelkezik, de a digitális csatornákat tekinti a növekedés elsődleges lehetőségének. Az alábbi módszerekkel szeretnék növelni ügyfélkörük méretét és értékét:

• Vonzzon új, magasan kvalifikált ügyfeleket, akik nagyobb valószínűséggel konvertálnak
• Növelje az összes vásárló átlagos rendelési értékét
• Vonzza vissza az elszakadt ügyfeleket, hogy visszatérjenek, és remélhetőleg ismételten vásároljanak

Annak érdekében, hogy ezek az ügyfelek egységes élményt kapjanak a csatornákon keresztül, Önnek terméktulajdonosként olyan csapatokkal kell együttműködnie, mint a digitális marketing, a front-end fejlesztés, a mobilfejlesztés, a kampányok kézbesítése és a kreatív ügynökségek. Annak érdekében, hogy az ügyfelek megfelelő ajánlásokat kapjanak, adatmérnöki és adattudományi csapatokkal is együtt kell működnie. Ezen csapatok mindegyike felelős a következő ábrán bemutatott architektúrán belüli interakcióért vagy funkciók fejlesztéséért.

A megoldás munkafolyamata a következő magas szintű lépéseket tartalmazza:

1. Gyűjtsön adatokat több forrásból, hogy tárolja azokat Amazon egyszerű tárolási szolgáltatás (Amazon S3).
2. Felhasználás AWS lépésfunkciók az adatok beépítésének és a funkciótervezésnek a megszervezéséhez.
3. Szegmensek és előrejelzések létrehozása a SageMaker segítségével.
4. Használjon hajlampontszámokat a vizuális célzáshoz.
5. Küldjön személyre szabott üzeneteket az Amazon Pinpoint segítségével.
6. Integráljon valós idejű személyre szabott javaslatokat az Amazon Personalize segítségével.

A következő szakaszokban végigmegyünk az egyes lépéseken, magas szinten elmagyarázzuk az egyes csapatok tevékenységeit, hivatkozásokat adunk a kapcsolódó forrásokra, és megosztjuk a gyakorlati laboratóriumokat, amelyek részletesebb útmutatást nyújtanak.

Gyűjtsön adatokat több forrásból

A digitális marketing, a front-end és a mobil fejlesztőcsapatok konfigurálhatják a szegmenst úgy, hogy rögzítsék és integrálják a webes és mobil elemzéseket, a digitális média teljesítményét és az online értékesítési forrásokat. Szegmens kapcsolatok. Szegmens Personas lehetővé teszi a digitális marketing csapatok számára a felhasználók személyazonosságának feltárását azáltal, hogy az e források közötti interakciókat egyetlen felhasználói profilba egyesítik, egyetlen állandó azonosítóval. Ezeket a profilokat a számított mérőszámokkal együtt hívják Számított tulajdonságok és nyers események, exportálhatók az Amazon S3-ba. A következő képernyőkép bemutatja, hogyan vannak beállítva az identitásszabályok a Personas szegmensben.

Ezzel párhuzamosan a mérnöki csapatok használhatják AWS adatmigrációs szolgáltatás (AWS DMS) a bolti értékesítések, a termékek metaadatainak és a készletadat-források replikálásához olyan adatbázisokból, mint a Microsoft SQL vagy az Oracle, és a kimenetet az Amazon S3-ban tárolja.

Adatbeépítés és funkciótervezés

Az adatok összegyűjtése és tárolása után az Amazon S3 leszállási zónájában az adatmérnökök felhasználhatják a következő összetevőket szerver nélküli adattó keretrendszer (SDLF) az adatok beépítésének felgyorsítására és az adattó alapszerkezetének kiépítésére. Az SDLF segítségével a mérnökök automatizálhatják az Amazon Personalize képzéséhez használt felhasználói cikkek adatainak előkészítését, vagy egységes nézetet hozhatnak létre az ügyfelek viselkedéséről az online és offline viselkedési és értékesítési adatok összekapcsolásával, olyan attribútumok használatával, mint az ügyfélazonosító vagy az e-mail cím közös azonosítóként. .

A Step Functions az SDLF-en belüli átalakítási feladatok kulcsfontosságú irányítója. A Step Functions segítségével ütemezett és eseményvezérelt adatmunkafolyamatokat is létrehozhat és hangszerelhet. A mérnöki csapat más AWS-szolgáltatások feladatait is meg tudja szervezni egy adatfolyamon belül. A folyamat kimenetei az Amazon S3 megbízható zónájában tárolódnak, és az ML fejlesztéshez használhatók. A kiszolgáló nélküli Data Lake-keretrendszer megvalósításával kapcsolatos további információkért lásd: AWS kiszolgáló nélküli adatelemzési folyamat-referenciaarchitektúra.

Szegmensek és előrejelzések létrehozása

A szegmensek és előrejelzések felépítésének folyamata három lépésre bontható: hozzáférés a környezethez, hajlammodellek készítése és kimeneti fájlok létrehozása.

Hozzáférés a környezethez

Miután a mérnöki csapat elkészítette és átalakította az ML fejlesztési adatokat, az adattudományi csapat a SageMaker segítségével hajlammodelleket építhet. Először is elkészítik, betanítják és tesztelik az ML modellek kezdeti készletét. Ez lehetővé teszi számukra, hogy lássák a korai eredményeket, eldöntsék, melyik irányba menjenek tovább, és reprodukálják a kísérleteket.

Az adattudományi csapatnak aktívra van szüksége Amazon SageMaker Studio Például egy integrált fejlesztői környezet (IDE) a gyors ML kísérletezéshez. Egyesíti a SageMaker összes kulcsfontosságú funkcióját, és környezetet kínál a végpontok közötti ML-folyamatok kezelésére. Megszünteti a bonyolultságot, és lecsökkenti az ML-modellek felépítéséhez és a termelésben való üzembe helyezéséhez szükséges időt. A fejlesztők használhatják SageMaker Studio notebookok, amelyek egykattintásos Jupyter notebookok, amelyeket gyorsan felpörgethet, hogy lehetővé tegye a teljes ML-munkafolyamatot az adatok előkészítésétől a modelltelepítésig. A SageMaker for ML-ről további információkért lásd: Amazon SageMaker az adattudományhoz.

Készítse el a hajlammodelleket

A lemorzsolódás és az ismételt vásárlási hajlandóság becsléséhez az ügyfélélmény- és adattudományi csapatoknak meg kell állapodniuk a kimenetel ismert mozgatórugóiban.

Az adattudományi csapat validálja ezeket az ismert tényezőket, miközben a modellezési folyamaton keresztül ismeretlen tényezőket is felfedez. A lemorzsolódást előidéző ​​tényező lehet például az elmúlt 3 hónap hozamainak száma. Az újravásárlást ösztönző tényező lehet például a webhelyen vagy mobilalkalmazásban elmentett cikkek száma.

Felhasználási esetünkben azt feltételezzük, hogy a digitális marketingcsapat hasonló modellezéssel szeretne célközönséget létrehozni, hogy megtalálja azokat az ügyfeleket, akik a legnagyobb valószínűséggel vásárolnak újra a következő hónapban. Azt is feltételezzük, hogy a kampánycsapat e-mailes ajánlatot szeretne küldeni azoknak az ügyfeleknek, akik valószínűleg leállítják előfizetésüket a következő 3 hónapban, hogy ösztönözze őket az előfizetés megújítására.

Az adattudományi csapat kezdheti az adatok (szolgáltatások) elemzésével és az adatkészlet főbb jellemzőinek összegzésével, hogy megértse a kulcsfontosságú adatviselkedéseket. Ezután megkeverhetik és feloszthatják az adatokat tanítási részekre, tesztelhetik és feltölthetik ezeket az adatkészleteket a megbízható zónába. Használhat olyan algoritmust, mint pl XGBoost osztályozó a modell betanításához, és automatikusan biztosítja a jellemző kiválasztását, amely a jelöltek legjobb halmaza a hajlampontszámok (vagy előrejelzett értékek) meghatározásához.

Ezután hangolhatja a modellt az algoritmus metrikáinak optimalizálásával (pl hiperparaméterek) az XGBoost keretrendszerben biztosított tartományok alapján. A tesztadatok a modell teljesítményének értékelésére és annak becslésére szolgálnak, hogy mennyire általánosítható az új adatokra. Az értékelési mutatókkal kapcsolatos további információkért lásd: Hangoljon egy XGBoost modellt.

Végül a hajlampontszámokat minden egyes ügyfél esetében kiszámítják, és a megbízható S3 zónában tárolják, hogy a marketing- és kampánycsapatok hozzáférjenek, felülvizsgálják és validálják. Ez a folyamat a jellemzők fontosságának prioritásos értékelését is biztosítja, ami segít elmagyarázni, hogyan keletkeztek a pontszámok.

Hozd létre a kimeneti fájlokat

Miután az adattudományi csapat befejezte a modell betanítását és hangolását, a mérnöki csapattal együttműködve a legjobb modellt üzembe helyezik a termelésben. Tudjuk használni SageMaker kötegelt transzformáció előrejelzések futtatásához új adatok gyűjtése során, és pontszámokat generáljon minden egyes ügyfél számára. A mérnöki csapat meg tudja szervezni és automatizálni az ML munkafolyamatot Amazon SageMaker csővezetékek, egy célirányosan épített folyamatos integrációs és folyamatos szállítási (CI/CD) szolgáltatás az ML számára, amely környezetet kínál a teljes körű ML munkafolyamat kezelésére. Időt takarít meg, és csökkenti a tipikusan kézi hangszerelés okozta hibákat.

Az ML munkafolyamat kimenetét az Amazon Pinpoint importálja személyre szabott üzenetküldés céljából, és exportálja a szegmensbe, hogy a megjelenítési csatornákon történő célzáshoz használja. Az alábbi ábra vizuális áttekintést nyújt az ML munkafolyamatról.

A következő képernyőképen egy példa kimeneti fájl látható.

Használjon hajlampontszámokat a vizuális célzáshoz

A mérnöki és digitális marketingcsapatok visszafelé irányuló adatáramlást hozhatnak létre a szegmensbe az elérés növelése érdekében. Ez a kombinációt használja AWS Lambda és az Amazon S3. Minden alkalommal, amikor az ML-munkafolyamat új kimeneti fájlt generál, és a megbízható S3 tárolóba menti, egy Lambda-függvény kerül meghívásra, amely exportálást indít el a szegmensbe. A digitális marketing ezután rendszeresen frissített hajlampontszámokat használhat vásárlói attribútumokként a közönség felépítéséhez és a szegmens célpontjaiba történő exportálásához (lásd a következő képernyőképet). A szegmensexportálás fájlstruktúrájával kapcsolatos további információkért lásd: Amazon S3 a Lambdától.

Ha az adatok rendelkezésre állnak a Szegmensben, a digitális marketing a vevőszegmensek létrehozásakor attribútumként láthatja a SageMakerben kifejlesztett hajlampontszámokat. Hasonló közönséget generálhatnak, hogy megcélozzák őket digitális hirdetésekkel. A visszacsatolási hurok létrehozásához a digitális marketingnek biztosítania kell, hogy a megjelenítések, kattintások és kampányok visszakerüljenek a szegmensbe a teljesítmény optimalizálása érdekében.

Küldjön személyre szabott kimenő üzeneteket

A kampányok lebonyolító csapata mesterséges intelligencia által vezérelt haszonszerzési kampányokat hajthat végre és telepíthet a lemorzsolódás veszélyének kitett ügyfelek újbóli bevonására. Ezek a kampányok a SageMakerben generált ügyfélkapcsolati listát használják szegmensként, miközben az Amazon Personalize szolgáltatással integrálva személyre szabott termékajánlatokat nyújtanak be. Lásd a következő diagramot.

A digitális marketingcsapat kísérletezhet az Amazon Pinpoint-utak használatával, hogy a visszanyerhető szegmenseket alcsoportokra bontsa, és a felhasználók egy százalékát lefoglalja kontrollcsoportként, amely nincs kitéve a kampánynak. Ez lehetővé teszi számukra a kampány hatásának mérését, és visszacsatolási hurkot hoz létre.

Integrálja a valós idejű ajánlásokat

A bejövő csatornák személyre szabása érdekében a digitális marketing és mérnöki csapatok együtt dolgoznak az Amazon Personalize integrálásán és konfigurálásán, hogy termékajánlatokat nyújthasson az ügyfél útjának különböző pontjain. Például telepíthetik a hasonló tétel ajánló a termékrészletező oldalakon, hogy kiegészítő elemeket javasoljon (lásd a következő ábrát). Ezenkívül a fizetési folyamat során tartalomalapú szűrési ajánlót is telepíthetnek, hogy emlékeztessenek az ügyfelekre azokra a termékekre, amelyeket általában a rendelésük befejezése előtt vásárolnak.

Először is, a mérnöki csapatnak olyan RESTful mikroszolgáltatásokat kell létrehoznia, amelyek termékajánlatokkal válaszolnak a webes, mobil- és egyéb csatornás alkalmazások kérésére. Ezek a mikroszolgáltatások az Amazon Personalize-t hívják meg, hogy ajánlásokat kapjanak, a termékazonosítókat értelmesebb információkká alakítsák, például a név és az ár, ellenőrizzék a készletek készletszintjét, és meghatározzák, hogy a felhasználó aktuális oldala vagy képernyője alapján melyik Amazon Personalize kampányvégpontot kell lekérdezni.

A front-end és a mobil fejlesztőcsapatoknak nyomkövetési eseményeket kell hozzáadniuk alkalmazásaikhoz bizonyos ügyfélműveletekhez. Ezután a Szegmens segítségével küldhetik el ezeket az eseményeket közvetlenül az Amazon Personalize valós időben. Ezek a követési események megegyeznek a korábban kinyert felhasználói elemek adataival. Lehetővé teszik az Amazon Personalize megoldásai, hogy az ügyfelek élő interakciói alapján finomítsák az ajánlásokat. Elengedhetetlen a megjelenítések, a termékmegtekintések, a kosárba történő hozzáadások és a vásárlások rögzítése, mert ezek az események visszacsatolást hoznak létre az ajánlók számára. A Lambda egy közvetítő, amely összegyűjti a felhasználói eseményeket a Segmenttől, és elküldi azokat az Amazon Personalize-nak. A Lambda a fordított adatcserét is megkönnyíti, és a frissített ajánlásokat továbbítja a felhasználónak a szegmensbe. A Segment és az Amazon Personalize valós idejű ajánlásainak konfigurálásával kapcsolatos további információkért lásd a A valós idejű adatok szegmentálása és az Amazon Personalize Workshop.

Következtetés

Ez a bejegyzés azt ismerteti, hogyan biztosíthat többcsatornás ügyfélélményt a Segment ügyféladat-platform és az AWS-szolgáltatások, például az Amazon SageMaker, az Amazon Personalize és az Amazon Pinpoint kombinációjával. Megvizsgáltuk a többfunkciós csapatok szerepét az ügyfélút és az adatértéklánc egyes szakaszaiban. A tárgyalt architektúra és megközelítés a kiskereskedelmi környezetre összpontosul, de alkalmazható más vertikumokra is, például a pénzügyi szolgáltatásokra vagy a médiára és a szórakoztatásra. Ha szeretné kipróbálni néhányat, amit megbeszéltünk, nézze meg a Kiskereskedelmi bemutatóbolt, ahol gyakorlati műhelyeket találhat, amelyekben a Segment és más AWS-partnerek is részt vesznek.

További hivatkozások

További információkért tekintse meg a következő forrásokat:

• Többcsatornás személyre szabás a szegmenssel
• Többcsatornás személyre szabás az Amazon Personalize segítségével
• Készítsen, hangoljon és telepítsen végpontok közötti lemorzsolódás-előrejelzési modellt az Amazon SageMaker Pipelines segítségével
• Automatizálja a funkciótervezési folyamatokat az Amazon SageMaker segítségével
• Figyelje a modell minőségét

A szegmensről

A szegmens az AWS Advanced Technology partnere, és a következő AWS független szoftverszállítói (ISV) kompetenciákkal rendelkezik: Data & Analytics, Digital Customer Experience, Retail és Machine Learning. Az olyan márkák, mint az Atlassian és a Digital Ocean, valós idejű elemzési megoldásokat használnak, amelyeket a Segment hajt.

---

A szerzőkről

Dwayne Browne a londoni székhelyű AWS vezető elemzési platform specialistája. Része a Data-Driven Everything (D2E) ügyfélprogramnak, ahol segít az ügyfeleknek abban, hogy még inkább adatközpontúak legyenek, és az ügyfélélményt összpontosítsák. Digitális elemzési, személyre szabási és marketingautomatizálási háttérrel rendelkezik. Szabadidejében Dwayne szeret beltéri mászást és a természet felfedezését.

Hara Gavriliadi a londoni székhelyű AWS Professional Services vezető adatelemzési stratégája. Segít az ügyfeleknek abban, hogy átalakítsák vállalkozásukat adatok, elemzések és gépi tanulás segítségével. Ügyfélelemzésre és adatstratégiára specializálódott. Hara szereti a vidéki sétákat, és szabadidejében szívesen fedezi fel a helyi könyvesboltokat és jógastúdiókat.

Kenny Rajan Senior Partner Solution Architect. A Kenny segít az ügyfeleknek a legtöbbet kihozni az AWS-ből és partnereiből azáltal, hogy bemutatja, hogyan működnek jobban együtt az AWS-partnerek és az AWS-szolgáltatások. Érdekli a gépi tanulás, az adatok, az ERP implementáció és a felhőalapú hangalapú megoldások. A munkán kívül Kenny szívesen olvas könyveket és segít jótékonysági tevékenységekben.

• Coinsmart. Európa legjobb Bitcoin- és kriptográfiai tőzsdéje.
• Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. SZABAD HOZZÁFÉRÉS.
• CryptoHawk. Altcoin radar. Ingyenes próbaverzió.
• Forrás: https://aws.amazon.com/blogs/machine-learning/personalize-cross-channel-customer-experiences-with-amazon-sagemaker-amazon-personalize-and-segment/