Personalisasi pengalaman pelanggan lintas saluran dengan Amazon SageMaker, Amazon Personalize, dan Twilio Segment

Saat ini, pelanggan berinteraksi dengan merek melalui jejak digital dan offline yang semakin besar, menghasilkan banyak data interaksi yang dikenal sebagai data perilaku. Akibatnya, pemasar dan tim pengalaman pelanggan harus bekerja dengan beberapa alat yang tumpang tindih untuk melibatkan dan menargetkan pelanggan tersebut di seluruh titik kontak. Hal ini meningkatkan kompleksitas, menciptakan banyak tampilan dari setiap pelanggan, dan membuatnya lebih menantang untuk memberikan pengalaman individual dengan konten, pesan, dan saran produk yang relevan kepada setiap pelanggan. Sebagai tanggapan, tim pemasaran menggunakan platform data pelanggan (CDP) dan alat manajemen kampanye lintas saluran (CCCM) untuk menyederhanakan proses konsolidasi beberapa tampilan pelanggan mereka. Teknologi ini memberi pengguna non-teknis jalur yang dipercepat untuk memungkinkan penargetan lintas saluran, keterlibatan, dan personalisasi, sekaligus mengurangi ketergantungan tim pemasaran pada tim teknis dan keterampilan spesialis untuk terlibat dengan pelanggan.

Meskipun demikian, pemasar menemukan diri mereka dengan titik buta dalam aktivitas pelanggan ketika teknologi ini tidak terintegrasi dengan sistem dari bagian lain dari bisnis. Hal ini terutama berlaku untuk saluran non-digital, misalnya, transaksi di dalam toko atau umpan balik pelanggan dari dukungan pelanggan. Tim pemasaran dan rekan pengalaman pelanggan mereka juga berjuang untuk mengintegrasikan kemampuan prediktif yang dikembangkan oleh ilmuwan data ke dalam kampanye lintas saluran atau titik kontak pelanggan mereka. Akibatnya, pelanggan menerima pesan dan rekomendasi yang tidak relevan atau tidak sesuai dengan harapan mereka.

Posting ini menguraikan bagaimana tim lintas fungsi dapat bekerja sama untuk mengatasi tantangan ini menggunakan kasus penggunaan personalisasi omnichannel. Kami menggunakan skenario ritel fiksi untuk menggambarkan bagaimana tim tersebut saling terkait untuk memberikan pengalaman yang dipersonalisasi di berbagai titik di sepanjang perjalanan pelanggan. Kita gunakan Segmen Twilio dalam skenario kami, platform data pelanggan yang dibangun di atas AWS. Ada lebih dari 12 CDP di pasar untuk dipilih, banyak di antaranya juga merupakan mitra AWS, tetapi kami menggunakan Segmen dalam posting ini karena mereka menyediakan tingkat layanan mandiri gratis yang memungkinkan Anda menjelajahi dan bereksperimen. Kami menjelaskan cara menggabungkan keluaran dari Segmen dengan data penjualan di dalam toko, metadata produk, dan informasi inventaris. Berdasarkan ini, kami menjelaskan cara mengintegrasikan Segmen dengan Amazon Personalisasi untuk mendukung rekomendasi waktu nyata. Kami juga menjelaskan bagaimana kami membuat skor untuk kecenderungan churn dan pembelian ulang menggunakan Amazon SageMaker. Terakhir, kami mengeksplorasi cara menargetkan pelanggan baru dan yang sudah ada dalam tiga cara:

• Dengan spanduk di situs web pihak ketiga, juga dikenal sebagai iklan bergambar, menggunakan skor kecenderungan untuk membeli untuk menarik pelanggan serupa.
• Di saluran web dan seluler disajikan dengan rekomendasi yang dipersonalisasi yang didukung oleh Amazon Personalize, yang menggunakan algoritme pembelajaran mesin (ML) untuk membuat rekomendasi konten.
• Dengan perpesanan yang dipersonalisasi menggunakan Amazon tepat, layanan komunikasi pemasaran keluar dan masuk. Pesan-pesan ini menargetkan pelanggan yang tidak terlibat dan mereka yang menunjukkan kecenderungan tinggi untuk berpindah.

Ikhtisar solusi

Bayangkan Anda adalah pemilik produk yang memimpin pengalaman pelanggan lintas saluran untuk perusahaan ritel. Perusahaan memiliki beragam saluran online dan offline, tetapi melihat saluran digital sebagai peluang utama untuk pertumbuhan. Mereka ingin menumbuhkan ukuran dan nilai basis pelanggan mereka dengan metode berikut:

• Pikat pelanggan baru berkualifikasi tinggi yang kemungkinan besar akan berkonversi
• Tingkatkan nilai pesanan rata-rata semua pelanggan mereka
• Menarik kembali pelanggan yang tidak tertarik untuk kembali dan semoga melakukan pembelian berulang

Untuk memastikan pelanggan tersebut menerima pengalaman yang konsisten di seluruh saluran, Anda sebagai pemilik produk perlu bekerja dengan tim seperti pemasaran digital, pengembangan front-end, pengembangan seluler, pengiriman kampanye, dan agensi kreatif. Untuk memastikan pelanggan menerima rekomendasi yang relevan, Anda juga perlu bekerja dengan tim teknik data dan ilmu data. Masing-masing tim ini bertanggung jawab untuk berinteraksi dengan atau mengembangkan fitur dalam arsitektur yang diilustrasikan dalam diagram berikut.

Alur kerja solusi berisi langkah-langkah tingkat tinggi berikut ini:

1. Kumpulkan data dari berbagai sumber untuk disimpan di Layanan Penyimpanan Sederhana Amazon (Amazon S3).
2. penggunaan Fungsi Langkah AWS untuk mengatur orientasi data dan rekayasa fitur.
3. Bangun segmen dan prediksi menggunakan SageMaker.
4. Gunakan skor kecenderungan untuk penargetan tampilan.
5. Kirim pesan yang dipersonalisasi menggunakan Amazon Pinpoint.
6. Integrasikan saran yang dipersonalisasi secara real-time menggunakan Amazon Personalize.

Di bagian berikut, kami menelusuri setiap langkah, menjelaskan aktivitas setiap tim di tingkat tinggi, memberikan referensi ke sumber daya terkait, dan berbagi lab praktik yang memberikan panduan lebih mendetail.

Kumpulkan data dari berbagai sumber

Pemasaran digital, front-end, dan tim pengembangan seluler dapat mengonfigurasi Segmen untuk menangkap dan mengintegrasikan analisis web dan seluler, kinerja media digital, dan sumber penjualan online menggunakan Koneksi Segmen. Segmen Persona memungkinkan tim pemasaran digital untuk menyelesaikan identitas pengguna dengan menggabungkan interaksi di seluruh sumber ini menjadi satu profil pengguna dengan satu pengenal tetap. Profil ini, bersama dengan metrik terhitung yang disebut Sifat yang Dihitung dan acara mentah, dapat diekspor ke Amazon S3. Tangkapan layar berikut menunjukkan bagaimana aturan identitas disiapkan di Persona Segmen.

Secara paralel, tim teknik dapat menggunakan Layanan Migrasi Data AWS (AWS DMS) untuk mereplikasi penjualan di dalam toko, metadata produk, dan sumber data inventaris dari database seperti Microsoft SQL atau Oracle dan menyimpan hasilnya di Amazon S3.

Orientasi data dan rekayasa fitur

Setelah data dikumpulkan dan disimpan di zona pendaratan di Amazon S3, insinyur data dapat menggunakan komponen dari kerangka kerja data lake tanpa server (SDLF) untuk mempercepat orientasi data dan membangun struktur dasar data lake. Dengan SDLF, teknisi dapat mengotomatiskan persiapan data item pengguna yang digunakan untuk melatih Amazon Personalize atau membuat satu tampilan perilaku pelanggan dengan menggabungkan data perilaku dan data penjualan online dan offline, menggunakan atribut seperti ID pelanggan atau alamat email sebagai pengenal umum .

Step Functions adalah orkestra utama yang mendorong pekerjaan transformasi ini dalam SDLF. Anda dapat menggunakan Step Functions untuk membuat dan mengatur alur kerja data terjadwal dan berdasarkan peristiwa. Tim teknik dapat mengatur tugas layanan AWS lainnya dalam saluran data. Keluaran dari proses ini disimpan di zona tepercaya di Amazon S3 untuk digunakan dalam pengembangan ML. Untuk informasi lebih lanjut tentang penerapan kerangka data lake tanpa server, lihat Arsitektur referensi pipeline analitik data tanpa server AWS.

Bangun segmen dan prediksi

Proses membangun segmen dan prediksi dapat dipecah menjadi tiga langkah: mengakses lingkungan, membangun model kecenderungan, dan membuat file keluaran.

Akses lingkungan

Setelah tim teknik menyiapkan dan mengubah data pengembangan ML, tim ilmu data dapat membangun model kecenderungan menggunakan SageMaker. Pertama, mereka membangun, melatih, dan menguji set model ML awal. Ini memungkinkan mereka untuk melihat hasil awal, memutuskan arah mana yang akan diambil selanjutnya, dan mereproduksi eksperimen.

Tim ilmu data membutuhkan peran aktif Studio Amazon SageMaker misalnya, lingkungan pengembangan terintegrasi (IDE) untuk eksperimen ML cepat. Ini menyatukan semua fitur utama SageMaker dan menawarkan lingkungan untuk mengelola pipeline ML ujung ke ujung. Ini menghilangkan kerumitan dan mengurangi waktu yang diperlukan untuk membangun model ML dan menerapkannya ke dalam produksi. Pengembang dapat menggunakan Buku catatan SageMaker Studio, yang merupakan notebook Jupyter sekali klik yang dapat Anda putar dengan cepat untuk mengaktifkan seluruh alur kerja ML mulai dari persiapan data hingga penerapan model. Untuk informasi lebih lanjut tentang SageMaker untuk ML, lihat Amazon SageMaker untuk Ilmu Data.

Bangun model kecenderungan

Untuk memperkirakan kecenderungan churn dan pembelian ulang, pengalaman pelanggan dan tim ilmu data harus menyepakati faktor pendorong yang diketahui untuk kedua hasil tersebut.

Tim ilmu data memvalidasi faktor-faktor yang diketahui ini sambil juga menemukan faktor-faktor yang tidak diketahui melalui proses pemodelan. Contoh faktor pendorong churn adalah jumlah return dalam 3 bulan terakhir. Contoh faktor yang mendorong pembelian kembali dapat berupa jumlah item yang disimpan di situs web atau aplikasi seluler.

Untuk kasus penggunaan kami, kami berasumsi bahwa tim pemasaran digital ingin membuat audiens target menggunakan pemodelan yang mirip untuk menemukan pelanggan yang kemungkinan besar akan membeli kembali di bulan berikutnya. Kami juga berasumsi bahwa tim kampanye ingin mengirimkan penawaran email kepada pelanggan yang kemungkinan akan mengakhiri langganannya dalam 3 bulan ke depan untuk mendorong mereka memperbarui langganannya.

Tim ilmu data dapat memulai dengan menganalisis data (fitur) dan meringkas karakteristik utama kumpulan data untuk memahami perilaku data utama. Mereka kemudian dapat mengacak dan membagi data menjadi pelatihan dan menguji serta mengunggah kumpulan data ini ke zona tepercaya. Anda dapat menggunakan algoritma seperti XGBoost classifier untuk melatih model dan secara otomatis menyediakan seleksi fitur, yang merupakan kumpulan kandidat terbaik untuk menentukan skor kecenderungan (atau nilai prediksi).

Anda kemudian dapat menyetel model dengan mengoptimalkan metrik algoritme (seperti hiperparameter) berdasarkan rentang yang disediakan dalam kerangka kerja XGBoost. Data uji digunakan untuk mengevaluasi kinerja model dan memperkirakan seberapa baik model tersebut digeneralisasi ke data baru. Untuk informasi lebih lanjut tentang metrik evaluasi, lihat Tune Model XGBoost.

Terakhir, skor kecenderungan dihitung untuk setiap pelanggan dan disimpan di zona S3 tepercaya untuk diakses, ditinjau, dan divalidasi oleh tim pemasaran dan kampanye. Proses ini juga memberikan evaluasi prioritas tentang pentingnya fitur, yang membantu menjelaskan bagaimana skor dihasilkan.

Buat file keluaran

Setelah tim ilmu data menyelesaikan pelatihan dan penyetelan model, mereka bekerja dengan tim teknik untuk menerapkan model terbaik ke produksi. Kita bisa menggunakan Transformasi batch SageMaker untuk menjalankan prediksi saat data baru dikumpulkan dan menghasilkan skor untuk setiap pelanggan. Tim teknik dapat mengatur dan mengotomatiskan alur kerja ML menggunakan Pipa Amazon SageMaker, layanan continuous integration dan continuous delivery (CI/CD) yang dibuat khusus untuk ML, yang menawarkan lingkungan untuk mengelola alur kerja ML end-to-end. Ini menghemat waktu dan mengurangi kesalahan yang biasanya disebabkan oleh orkestrasi manual.

Keluaran alur kerja ML diimpor oleh Amazon Pinpoint untuk mengirim pesan yang dipersonalisasi dan diekspor ke Segmen untuk digunakan saat menargetkan pada saluran tampilan. Ilustrasi berikut memberikan gambaran umum visual dari alur kerja ML.

Tangkapan layar berikut menunjukkan contoh file keluaran.

Gunakan skor kecenderungan untuk penargetan tampilan

Tim teknik dan pemasaran digital dapat membuat aliran data terbalik kembali ke Segmen untuk meningkatkan jangkauan. Ini menggunakan kombinasi AWS Lambda dan Amazon S3. Setiap kali file keluaran baru dibuat oleh alur kerja ML dan disimpan di bucket S3 tepercaya, fungsi Lambda dipanggil yang memicu ekspor ke Segmen. Pemasaran digital kemudian dapat menggunakan skor kecenderungan yang diperbarui secara berkala sebagai atribut pelanggan untuk membangun dan mengekspor pemirsa ke tujuan Segmen (lihat tangkapan layar berikut). Untuk informasi lebih lanjut tentang struktur file ekspor Segmen, lihat Amazon S3 dari Lambda.

Saat data tersedia di Segmen, pemasaran digital dapat melihat skor kecenderungan yang dikembangkan di SageMaker sebagai atribut saat mereka membuat segmen pelanggan. Mereka dapat menghasilkan pemirsa serupa untuk menargetkan mereka dengan iklan digital. Untuk membuat umpan balik, pemasaran digital harus memastikan bahwa tayangan, klik, dan kampanye diserap kembali ke Segmen untuk mengoptimalkan kinerja.

Kirim pesan keluar yang dipersonalisasi

Tim pengiriman kampanye dapat menerapkan dan menerapkan kampanye win-back yang digerakkan oleh AI untuk melibatkan kembali pelanggan yang berisiko churn. Kampanye ini menggunakan daftar kontak pelanggan yang dihasilkan di SageMaker sebagai segmen sambil berintegrasi dengan Amazon Personalize untuk menyajikan rekomendasi produk yang dipersonalisasi. Lihat diagram berikut.

Tim pemasaran digital dapat bereksperimen menggunakan perjalanan Amazon Pinpoint untuk membagi segmen yang saling menguntungkan menjadi subgrup dan mencadangkan persentase pengguna sebagai grup kontrol yang tidak terpapar kampanye. Hal ini memungkinkan mereka untuk mengukur dampak kampanye dan membuat lingkaran umpan balik.

Integrasikan rekomendasi waktu nyata

Untuk mempersonalisasi saluran masuk, tim pemasaran dan teknik digital bekerja sama untuk mengintegrasikan dan mengonfigurasi Amazon Personalize untuk memberikan rekomendasi produk di berbagai titik dalam perjalanan pelanggan. Misalnya, mereka dapat menyebarkan barang serupa rekomendasi pada halaman detail produk untuk menyarankan item pelengkap (lihat diagram berikut). Selain itu, mereka dapat menyebarkan rekomendasi pemfilteran berbasis konten dalam perjalanan checkout untuk mengingatkan pelanggan tentang produk yang biasanya mereka beli sebelum menyelesaikan pesanan mereka.

Pertama, tim teknik perlu membuat layanan mikro RESTful yang merespons permintaan aplikasi web, seluler, dan saluran lainnya dengan rekomendasi produk. Layanan mikro ini memanggil Amazon Personalize untuk mendapatkan rekomendasi, menyelesaikan ID produk menjadi informasi yang lebih bermakna seperti nama dan harga, memeriksa tingkat stok inventaris, dan menentukan titik akhir kampanye Amazon Personalize mana yang akan ditanyakan berdasarkan halaman atau layar pengguna saat ini.

Tim pengembangan front-end dan seluler perlu menambahkan peristiwa pelacakan untuk tindakan pelanggan tertentu ke aplikasi mereka. Mereka kemudian dapat menggunakan Segmen untuk mengirim acara tersebut langsung ke Amazon Personalisasi secara real time. Peristiwa pelacakan ini sama dengan data item pengguna yang kami ekstrak sebelumnya. Mereka memungkinkan solusi Amazon Personalize untuk menyempurnakan rekomendasi berdasarkan interaksi pelanggan langsung. Sangat penting untuk menangkap tayangan, tampilan produk, penambahan keranjang, dan pembelian karena peristiwa ini membuat lingkaran umpan balik untuk pemberi rekomendasi. Lambda adalah perantara, mengumpulkan peristiwa pengguna dari Segmen dan mengirimkannya ke Amazon Personalize. Lambda juga memfasilitasi pertukaran data terbalik, menyampaikan rekomendasi yang diperbarui untuk pengguna kembali ke Segmen. Untuk informasi selengkapnya tentang mengonfigurasi rekomendasi waktu nyata dengan Segment dan Amazon Personalize, lihat Segmentasikan data Real-time dan Amazon Personalize Workshop.

Kesimpulan

Postingan ini menjelaskan cara memberikan pengalaman pelanggan omnichannel menggunakan kombinasi platform data pelanggan Segmen dan layanan AWS seperti Amazon SageMaker, Amazon Personalize, dan Amazon Pinpoint. Kami menjelajahi peran yang dimainkan tim lintas fungsi di setiap tahap dalam perjalanan pelanggan dan dalam rantai nilai data. Arsitektur dan pendekatan yang dibahas difokuskan pada lingkungan ritel, tetapi Anda dapat menerapkannya ke vertikal lain seperti layanan keuangan atau media dan hiburan. Jika Anda tertarik untuk mencoba beberapa dari apa yang kami diskusikan, lihat Toko Demo Ritel, di mana Anda dapat menemukan lokakarya langsung yang mencakup Segmen dan mitra AWS lainnya.

Referensi tambahan

Untuk informasi tambahan, lihat sumber daya berikut:

• Personalisasi multisaluran dengan Segmen
• Personalisasi Omnichannel dengan Amazon Personalisasi
• Bangun, sesuaikan, dan terapkan model prediksi churn ujung ke ujung menggunakan Amazon SageMaker Pipelines
• Otomatiskan saluran rekayasa fitur dengan Amazon SageMaker
• Memantau kualitas model

Tentang Segmen

Segment adalah AWS Advanced Technology Partner dan pemegang kompetensi AWS Independent Software Vendor (ISV) berikut: Data & Analytics, Digital Customer Experience, Retail, dan Machine Learning. Merek seperti Atlassian dan Digital Ocean menggunakan solusi analitik real-time yang didukung oleh Segment.

---

Tentang Penulis

Dwayne Browne adalah Pakar Platform Analisis Utama di AWS yang berbasis di London. Dia adalah bagian dari program pelanggan Data-Driven Everything (D2E), di mana dia membantu pelanggan menjadi lebih berbasis data dan fokus pada pengalaman pelanggan. Dia memiliki latar belakang dalam analitik digital, personalisasi, dan otomatisasi pemasaran. Di waktu luangnya, Dwayne menikmati panjat tebing dan menjelajahi alam.

Hara Gavriliadi adalah Ahli Strategi Analisis Data Senior di AWS Professional Services yang berbasis di London. Dia membantu pelanggan mengubah bisnis mereka menggunakan data, analitik, dan pembelajaran mesin. Dia berspesialisasi dalam analisis pelanggan dan strategi data. Hara menyukai jalan-jalan pedesaan dan senang menjelajahi toko buku lokal dan studio yoga di waktu luangnya.

Kenny Rajan adalah Arsitek Solusi Mitra Senior. Kenny membantu pelanggan mendapatkan hasil maksimal dari AWS dan mitranya dengan menunjukkan bagaimana mitra AWS dan layanan AWS bekerja lebih baik bersama-sama. Dia tertarik pada pembelajaran mesin, data, implementasi ERP, dan solusi berbasis suara di cloud. Di luar pekerjaan, Kenny senang membaca buku dan membantu kegiatan amal.

• Coinsmart. Pertukaran Bitcoin dan Crypto Terbaik Eropa.
• Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. AKSES GRATIS.
• CryptoHawk. Radar Altcoin. Uji Coba Gratis.
• Sumber: https://aws.amazon.com/blogs/machine-learning/personalize-cross-channel-customer-experiences-with-amazon-sagemaker-amazon-personalize-and-segment/