Kami sangat senang mengumumkannya Amazon Personalisasi sekarang memungkinkan Anda mengukur bagaimana rekomendasi yang dipersonalisasi dapat membantu Anda mencapai sasaran bisnis. Setelah menentukan metrik yang ingin Anda lacak, Anda dapat mengidentifikasi kampanye dan pemberi rekomendasi mana yang paling berdampak dan memahami dampak rekomendasi pada metrik bisnis Anda.
Semua pelanggan ingin melacak metrik yang paling penting bagi bisnis mereka. Misalnya, aplikasi belanja online mungkin ingin melacak dua metrik: rasio klik-tayang (RKT) untuk rekomendasi dan jumlah total pembelian. Platform video sesuai permintaan yang memiliki carousel dengan berbagai pemberi rekomendasi yang memberikan rekomendasi mungkin ingin membandingkan CTR atau durasi menonton. Anda juga dapat memantau total pendapatan atau margin dari jenis peristiwa tertentu, misalnya saat pengguna membeli item. Kemampuan baru ini memungkinkan Anda mengukur dampak kampanye dan pemberi rekomendasi Amazon Personalize, serta interaksi yang dihasilkan oleh solusi pihak ketiga.
Dalam postingan ini, kami menunjukkan cara melacak metrik Anda dan mengevaluasi dampak rekomendasi Personalisasi Anda dalam kasus penggunaan e-niaga.
Ikhtisar solusi
Sebelumnya, untuk memahami pengaruh rekomendasi yang dipersonalisasi, Anda harus mengatur alur kerja secara manual untuk mengambil data metrik bisnis, lalu menyajikannya dalam representasi yang bermakna untuk membuat perbandingan. Sekarang, Amazon Personalize telah menghilangkan biaya operasional ini dengan memungkinkan Anda menentukan dan memantau metrik yang ingin Anda lacak. Amazon Personalize dapat mengirimkan data kinerja ke amazoncloudwatch untuk visualisasi dan pemantauan, atau sebagai alternatif Layanan Penyimpanan Sederhana Amazon (Amazon S3) ember tempat Anda dapat mengakses metrik dan mengintegrasikannya ke alat intelijen bisnis lainnya. Ini memungkinkan Anda secara efektif mengukur bagaimana acara dan rekomendasi memengaruhi tujuan bisnis, dan mengamati hasil dari setiap peristiwa yang ingin Anda pantau.
Untuk mengukur dampak rekomendasi, Anda menentukan "atribusi metrik", yang merupakan daftar jenis peristiwa yang ingin Anda laporkan menggunakan konsol atau API Amazon Personalize. Untuk setiap jenis kejadian, Anda cukup menentukan metrik dan fungsi yang ingin Anda hitung (jumlah atau jumlah sampel), dan Amazon Personalize melakukan penghitungan, mengirimkan laporan yang dihasilkan ke CloudWatch atau Amazon S3.
Diagram berikut menunjukkan cara melacak metrik dari satu pemberi rekomendasi atau kampanye:
Gambar 1. Tinjauan Fitur: Set data interaksi digunakan untuk melatih pemberi rekomendasi atau kampanye. Kemudian, saat pengguna berinteraksi dengan item yang direkomendasikan, interaksi ini dikirim ke Amazon Personalize dan diatribusikan ke pemberi rekomendasi atau kampanye yang sesuai. Selanjutnya, metrik ini diekspor ke Amazon S3 dan CloudWatch sehingga Anda dapat memantaunya dan membandingkan metrik dari setiap pemberi rekomendasi atau kampanye.
Atribusi metrik juga memungkinkan Anda memberikan eventAttributionSource
, untuk setiap interaksi, yang menentukan skenario yang dialami pengguna saat mereka berinteraksi dengan item. Diagram berikut menunjukkan bagaimana Anda dapat melacak metrik dari dua pemberi rekomendasi yang berbeda menggunakan atribusi metrik Amazon Personalize.
Gambar 2. Mengukur dampak bisnis dari rekomendasi dalam dua skenario: Dataset interaksi digunakan untuk melatih dua pemberi rekomendasi atau kampanye, dalam hal ini disebut "Biru" dan "Oranye". Kemudian, saat pengguna berinteraksi dengan item yang direkomendasikan, interaksi ini dikirim ke Amazon Personalize dan diatribusikan ke pemberi rekomendasi, kampanye, atau skenario terkait yang dipaparkan pengguna saat mereka berinteraksi dengan item tersebut. Selanjutnya, metrik ini diekspor ke Amazon S3 dan CloudWatch sehingga Anda dapat memantaunya dan membandingkan metrik dari setiap pemberi rekomendasi atau kampanye.
Dalam contoh ini, kami menjalani proses penentuan atribusi metrik untuk data interaksi Anda di Amazon Personalize. Pertama, Anda mengimpor data, dan membuat dua metrik atribusi untuk mengukur dampak bisnis dari rekomendasi. Kemudian, Anda membuat dua pemberi rekomendasi retail โ prosesnya sama jika Anda menggunakan solusi rekomendasi kustom โ dan mengirimkan peristiwa untuk dilacak menggunakan metrik. Untuk memulai, Anda hanya memerlukan kumpulan data interaksi. Namun, karena salah satu metrik yang kami lacak dalam contoh ini adalah margin, kami juga menunjukkan cara mengimpor set data item. Contoh kode untuk kasus penggunaan ini tersedia di GitHub.
Prasyarat
Anda dapat menggunakan Konsol AWS atau didukung Lebah untuk membuat rekomendasi menggunakan Amazon Personalize, misalnya menggunakan Antarmuka Baris Perintah AWS or SDK AWS untuk Python.
Untuk menghitung dan melaporkan dampak rekomendasi, pertama-tama Anda harus menyiapkan beberapa sumber daya AWS.
Anda harus membuat Identitas dan Manajemen Akses AWS (IAM) peran yang akan diambil oleh Amazon Personalize dengan dokumen kebijakan peran yang relevan. Anda juga harus melampirkan kebijakan untuk mengizinkan Amazon Personalize mengakses data dari bucket S3 dan mengirim data ke CloudWatch. Untuk informasi lebih lanjut, lihat Memberi Amazon Personalize akses ke bucket Amazon S3 Anda dan Memberi Amazon Personalize akses ke CloudWatch.
Kemudian, Anda harus membuat beberapa sumber daya Amazon Personalize. Buat grup set data Anda, muat data Anda, dan latih pemberi rekomendasi. Untuk instruksi lengkap, lihat Memulai.
- Buat grup kumpulan data. Anda dapat menggunakan atribusi metrik di grup kumpulan data domain dan grup kumpulan data khusus.
- Buat
Interactions
kumpulan data menggunakan yang berikut ini: skema: - Buat
Items
kumpulan data menggunakan yang berikut ini: skema:
Sebelum mengimpor data kami ke Amazon Personalize, kami akan menentukan atribusi metrik.
Membuat Atribusi Metrik
Untuk mulai membuat metrik, tentukan daftar peristiwa yang metriknya ingin Anda kumpulkan. Untuk setiap jenis peristiwa yang dipilih, Anda menentukan fungsi yang akan diterapkan oleh Amazon Personalize saat mengumpulkan data โ dua fungsi yang tersedia adalah SUM(DatasetType.COLUMN_NAME)
dan SAMPLECOUNT()
, Di mana DatasetType
bisa menjadi INTERACTIONS
or ITEMS
Himpunan data. Amazon Personalize dapat mengirim data metrik ke CloudWatch untuk visualisasi dan pemantauan, atau mengekspornya ke bucket S3.
Setelah Anda membuat atribusi metrik dan merekam peristiwa atau mengimpor data massal inkremental, Anda akan dikenakan sejumlah biaya bulanan CloudWatch per metrik. Untuk informasi tentang harga CloudWatch, lihat Harga CloudWatch halaman. Untuk berhenti mengirim metrik ke CloudWatch, hapus atribusi metrik.
Dalam contoh ini, kami akan membuat dua atribusi metrik:
- Hitung jumlah total acara "Tampilan" menggunakan
SAMPLECOUNT()
. Fungsi ini hanya membutuhkanINTERACTIONS
Himpunan data. - Hitung margin total saat peristiwa pembelian terjadi menggunakan
SUM(DatasetType.COLUMN_NAME)
Dalam hal ini, ituDatasetType
isITEMS
dan kolom adalahMARGIN
karena kami melacak margin item saat dibeli. ItuPurchase
kejadian terekam dalamINTERACTIONS
Himpunan data. Perhatikan bahwa, agar margin dipicu oleh peristiwa pembelian, Anda akan mengirimkan peristiwa pembelian untuk setiap unit individu dari setiap item yang dibeli, bahkan jika itu berulang โ misalnya, dua kaos dengan jenis yang sama. Jika pengguna Anda dapat membeli lebih dari satu item saat mereka melakukan pembayaran, dan Anda hanya mengirimkan satu peristiwa pembelian untuk semuanya, maka metrik yang berbeda akan lebih sesuai.
Fungsi untuk menghitung jumlah sampel hanya tersedia untuk INTERACTIONS
Himpunan data. Namun, margin total mengharuskan Anda untuk memilikinya ITEMS
dataset dan untuk mengonfigurasi perhitungan. Untuk masing-masing dari mereka kami tentukan eventType
yang akan kita lacak, fungsi yang digunakan, dan berikan a metricName
yang akan mengidentifikasi metrik setelah kami mengekspornya. Untuk contoh ini, kami memberi mereka nama "countViews" dan "sumMargin".
Contoh kode ada di Python.
Kami juga menentukan di mana data akan diekspor. Dalam hal ini ke ember S3.
Kemudian kami membuat atribusi metrik.
Anda harus memberikan name
ke atribusi metrik, serta menunjukkan grup set data tempat metrik akan diatribusikan menggunakan datasetGroupArn
, Dan metricsOutputConfig
dan metrics
objek yang telah kita buat sebelumnya.
Sekarang dengan atribusi metrik dibuat, Anda dapat melanjutkan dengan tugas impor set data yang akan memuat item dan set data interaksi kami dari bucket S3 kami ke dalam grup set data yang telah kami konfigurasikan sebelumnya.
Untuk informasi tentang cara mengubah atau menghapus atribusi metrik yang ada, lihat Mengelola atribusi metrik.
Mengimpor Data dan membuat Rekomendasi
Pertama, mengimpor data interaksi ke Amazon Personalisasi dari Amazon S3. Untuk contoh ini, kami menggunakan yang berikut ini file data. Kami menghasilkan data sintetis berdasarkan kode di Proyek Toko Demo Ritel. Lihat repositori GitHub untuk mempelajari lebih lanjut tentang data sintetik dan potensi penggunaan.
Kemudian, membuat pemberi rekomendasi. Dalam contoh ini, kami membuat dua pemberi rekomendasi:
- Rekomendasi โDirekomendasikan untuk Andaโ. Jenis pemberi rekomendasi ini membuat rekomendasi yang dipersonalisasi untuk item berdasarkan pengguna yang Anda tentukan.
- Pelanggan yang melihat X juga melihat. Jenis pemberi rekomendasi ini membuat rekomendasi untuk item yang juga dilihat pelanggan berdasarkan item yang Anda tentukan.
Kirim acara ke Amazon Personalize dan kaitkan ke pemberi rekomendasi
Untuk mengirim interaksi ke Amazon Personalize, Anda harus membuat Pelacak Peristiwa.
Untuk setiap acara, Amazon Personalize dapat merekam eventAttributionSource
. Dapat disimpulkan dari recommendationId
atau Anda dapat menentukannya secara eksplisit dan mengidentifikasinya dalam laporan di EVENT_ATTRIBUTION_SOURCE
kolom. Sebuah eventAttributionSource
bisa berupa pemberi rekomendasi, skenario, atau bagian halaman yang dikelola pihak ketiga tempat interaksi terjadi.
- Jika Anda memberikan
recommendationId
, lalu Amazon Personalize menyimpulkan kampanye sumber atau pemberi rekomendasi secara otomatis. - Jika Anda memberikan kedua atribut tersebut, Amazon Personalize hanya akan menggunakan sumbernya.
- Jika Anda tidak memberikan sumber atau
recommendationId
, lalu Amazon Personalize memberi label pada sumbernyaSOURCE_NAME_UNDEFINED
dalam laporan.
Kode berikut menunjukkan cara menyediakan file eventAttributionSource
untuk acara di a PutEvents
operasi.
Melihat Metrik Anda
Amazon Personalize mengirimkan metrik ke Amazon CloudWatch atau Amazon S3:
Untuk semua data massal, jika Anda menyediakan bucket Amazon S3 saat membuat atribusi metrik, Anda dapat memilih untuk menerbitkan laporan metrik ke bucket Amazon S3 Anda. Anda perlu melakukan ini setiap kali Anda membuat tugas impor kumpulan data untuk data interaksi.
Saat mengimpor data Anda, pilih mode impor yang benar INCREMENTAL
or FULL
dan menginstruksikan Amazon Personalize untuk menerbitkan metrik dengan pengaturan publishAttributionMetricsToS3
untuk True
. Untuk informasi selengkapnya tentang menerbitkan laporan metrik ke Amazon S3, lihat Menerbitkan metrik ke Amazon S3.
Untuk data PutEvent dikirim melalui Pelacak Peristiwa dan untuk impor data massal tambahan, Amazon Personalize secara otomatis mengirimkan metrik ke CloudWatch. Anda dapat melihat data dari 2 minggu sebelumnya di Amazon CloudWatch โ data lama akan diabaikan.
Anda dapat buat grafik metrik langsung di konsol CloudWatch dengan menentukan nama metrik yang Anda berikan saat membuat atribusi metrik sebagai istilah penelusuran. Untuk informasi selengkapnya tentang cara melihat metrik ini di CloudWatch, lihat Melihat metrik di CloudWatch.
Gambar 3: Contoh membandingkan dua RKT dari dua pemberi rekomendasi yang dilihat di Konsol CloudWatch.
Mengimpor dan menerbitkan metrik ke Amazon S3
Saat Anda mengunggah data ke Amazon Personalize melalui tugas impor set data, dan Anda telah menyediakan jalur ke bucket Amazon S3 di atribusi metrik, Anda dapat melihat metrik di Amazon S3 saat tugas selesai.
Setiap kali Anda menerbitkan metrik, Amazon Personalize membuat file baru di bucket Amazon S3 Anda. Nama file menentukan metode dan tanggal impor. Lapangan EVENT_ATTRIBUTION_SOURCE
menentukan sumber acara, yaitu, di mana skenario interaksi terjadi. Amazon Personalize memungkinkan Anda menentukan EVENT_ATTRIBUTION_SOURCE
secara eksplisit menggunakan bidang ini, ini bisa menjadi pemberi rekomendasi pihak ketiga. Untuk informasi lebih lanjut, lihat Menerbitkan metrik ke Amazon S3.
Kesimpulan
Menambahkan atribusi metrik memungkinkan Anda melacak pengaruh rekomendasi terhadap metrik bisnis. Anda membuat metrik ini dengan menambahkan atribusi metrik ke grup kumpulan data Anda dan memilih peristiwa yang ingin Anda lacak, serta fungsi untuk menghitung peristiwa atau menggabungkan bidang kumpulan data. Setelah itu, Anda dapat melihat metrik yang Anda minati di CloudWatch atau file yang diekspor di Amazon S3.
Untuk informasi lebih lanjut tentang Amazon Personalize, lihat Apa itu Personalisasi Amazon?
Tentang penulis
Anna Gruebler adalah Arsitek Solusi Spesialis di AWS yang berfokus pada Kecerdasan Buatan. Dia memiliki lebih dari 10 tahun pengalaman membantu pelanggan mengembangkan dan menerapkan aplikasi pembelajaran mesin. Semangatnya adalah menggunakan teknologi baru dan menempatkannya di tangan semua orang, dan memecahkan masalah sulit dengan memanfaatkan keuntungan penggunaan AI di cloud.
Gabrielle Dompreh adalah Arsitek Solusi Spesialis di AWS dalam Kecerdasan Buatan dan Pembelajaran Mesin. Dia senang belajar tentang inovasi baru pembelajaran mesin dan membantu pelanggan meningkatkan kemampuan penuh mereka dengan solusi yang dirancang dengan baik.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/measure-the-business-impact-of-amazon-personalize-recommendations/
- 1
- 10
- 100
- 11
- 7
- 9
- a
- Tentang Kami
- mengakses
- Mencapai
- keuntungan
- Setelah
- AI
- Semua
- Membiarkan
- Amazon
- Amazon Personalisasi
- dan
- Mengumumkan
- Lebah
- Aplikasi
- aplikasi
- Mendaftar
- sesuai
- buatan
- kecerdasan buatan
- Kecerdasan Buatan dan Pembelajaran Mesin
- melampirkan
- atribut
- secara otomatis
- tersedia
- AWS
- berdasarkan
- karena
- bisnis
- intelijen bisnis
- menghitung
- Kampanye
- Kampanye
- menangkap
- kasus
- Pembayaran
- Pilih
- terpilih
- awan
- kode
- Kolom
- COM
- membandingkan
- pembandingan
- Selesaikan
- konsul
- Sesuai
- Biaya
- membuat
- dibuat
- menciptakan
- membuat
- adat
- pelanggan
- data
- kumpulan data
- Tanggal
- mendefinisikan
- mendemonstrasikan
- menyebarkan
- mengembangkan
- berbeda
- sulit
- langsung
- dokumen
- Dont
- dua kali lipat
- e-commerce
- setiap
- efek
- efektif
- antara
- dieliminasi
- mengevaluasi
- Bahkan
- Acara
- peristiwa
- semua orang
- contoh
- gembira
- ada
- pengalaman
- mengalami
- ekspor
- terkena
- Fitur
- bidang
- Fields
- File
- Pertama
- Mengapung
- berfokus
- berikut
- dari
- penuh
- fungsi
- fungsi
- menghasilkan
- dihasilkan
- menghasilkan
- mendapatkan
- GitHub
- Memberikan
- diberikan
- Kelompok
- Grup
- tangan
- membantu
- membantu
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- Namun
- HTML
- HTTPS
- mengenali
- identitas
- Dampak
- berdampak
- mengimpor
- penting
- pengimporan
- in
- menunjukkan
- sendiri-sendiri
- informasi
- inovasi
- instruksi
- mengintegrasikan
- Intelijen
- berinteraksi
- interaksi
- interaksi
- tertarik
- IT
- item
- Pekerjaan
- Label
- BELAJAR
- pengetahuan
- Lets
- Leverage
- leveraging
- baris
- Daftar
- memuat
- Panjang
- mesin
- Mesin belajar
- pengelolaan
- manual
- Margin
- berarti
- mengukur
- ukur
- metode
- metrik
- Metrik
- mode
- memodifikasi
- Memantau
- pemantauan
- bulanan
- lebih
- paling
- nama
- Perlu
- New
- Teknologi baru
- berikutnya
- jumlah
- target
- objek
- mengamati
- terjadi
- ONE
- secara online
- belanja online
- operasi
- operasional
- urutan
- Lainnya
- Hasil
- ikhtisar
- bagian
- gairah
- path
- prestasi
- melakukan
- Personalisasi
- Personalized
- Tempat
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- Kebijakan
- kebijaksanaan
- Pos
- potensi
- menyajikan
- sebelumnya
- sebelumnya
- harga pompa cor beton mini
- di harga
- Mencetak
- masalah
- proses
- memberikan
- disediakan
- menyediakan
- menerbitkan
- Penerbitan
- membeli
- dibeli
- pembelian
- Puting
- Ular sanca
- Penilaian
- Rekomendasi
- rekomendasi
- direkomendasikan
- catatan
- tercatat
- relevan
- melaporkan
- laporan
- gudang
- membutuhkan
- Sumber
- tanggapan
- eceran
- pendapatan
- Peran
- sama
- skenario
- SDK
- Pencarian
- memilih
- mengirim
- layanan
- set
- pengaturan
- tas
- Menunjukkan
- Pertunjukkan
- Sederhana
- hanya
- sejak
- tunggal
- So
- larutan
- Solusi
- Memecahkan
- beberapa
- sumber
- spesialis
- ditentukan
- mulai
- berhenti
- penyimpanan
- menyimpan
- Didukung
- sintetis
- data sintetis
- pengambilan
- Teknologi
- Grafik
- Sumber
- mereka
- pihak ketiga
- Melalui
- waktu
- timestamp
- untuk
- alat
- Total
- jalur
- Pelacakan
- Pelatihan VE
- dipicu
- benar
- jenis
- bawah
- memahami
- satuan
- menggunakan
- gunakan case
- Pengguna
- Pengguna
- versi
- melalui
- View
- visualisasi
- Menonton
- minggu
- yang
- SIAPA
- akan
- Alur kerja
- akan
- X
- tahun
- Kamu
- Anda
- zephyrnet.dll