Amazon Personalizza è lieto di annunciare il nuovo Prossima migliore azione (aws-next-best-action
) ricetta per aiutarti a determinare le migliori azioni da suggerire ai tuoi singoli utenti che ti permetteranno di aumentare la fedeltà al marchio e la conversione.
Amazon Personalize è un servizio di machine learning (ML) completamente gestito che consente agli sviluppatori di offrire esperienze utente altamente personalizzate in tempo reale. Ti consente di migliorare il coinvolgimento dei clienti fornendo consigli personalizzati su prodotti e contenuti in siti Web, applicazioni e campagne di marketing mirate. Puoi iniziare senza alcuna esperienza precedente nel machine learning, utilizzando le API per creare facilmente funzionalità di personalizzazione sofisticate in pochi clic. Tutti i tuoi dati sono crittografati per essere privati e sicuri.
In questo post, ti mostriamo come utilizzare la ricetta Next Best Action per personalizzare i consigli sulle azioni in base alle interazioni, alle esigenze e al comportamento passati di ciascun utente.
Panoramica della soluzione
Con la rapida crescita dei canali digitali e i progressi tecnologici che rendono l’iper-personalizzazione più accessibile, i brand faticano a determinare quali azioni massimizzeranno il coinvolgimento di ogni singolo utente. I brand mostrano le stesse azioni a tutti gli utenti oppure si affidano ai tradizionali approcci di segmentazione degli utenti per consigliare azioni a ciascuna coorte di utenti. Questi approcci però non sono più sufficienti, perché ogni utente si aspetta un’esperienza unica e tende ad abbandonare i brand che non comprendono le sue esigenze. Inoltre, i marchi non sono in grado di aggiornare le raccomandazioni sulle azioni in tempo reale a causa della natura manuale del processo.
Con Next Best Action, puoi determinare le azioni che hanno la maggiore probabilità di coinvolgere ogni singolo utente in base alle sue preferenze, esigenze e cronologia. Next Best Action tiene conto degli interessi della sessione di ciascun utente e fornisce consigli sulle azioni in tempo reale. Puoi consigliare azioni come l'iscrizione a programmi fedeltà, l'iscrizione a una newsletter o una rivista, l'esplorazione di una nuova categoria, il download di un'app e altre azioni che incoraggiano la conversione. Ciò ti consentirà di migliorare l'esperienza di ciascun utente fornendo loro consigli sulle azioni da intraprendere durante il percorso dell'utente che contribuiranno a promuovere il coinvolgimento del marchio e le entrate a lungo termine. Aiuterà inoltre a migliorare il ritorno sull'investimento di marketing consigliando l'azione che ogni utente ha un'alta probabilità di intraprendere.
Ai partner AWS piace Credera sono entusiasti delle possibilità di personalizzazione che Amazon Personalize Next Best Action sbloccherà per i loro clienti.
“Amazon Personalize è una soluzione di machine learning di altissimo livello che consente alle aziende di creare esperienze cliente significative in un’ampia gamma di casi d’uso senza ampie rielaborazioni o costi di implementazione iniziali tipicamente richiesti per questo tipo di soluzioni. Siamo davvero entusiasti dell’aggiunta della funzionalità Next Best Action che consentirà ai clienti di fornire consigli personalizzati sulle azioni, migliorando significativamente le loro esperienze digitali e generando ulteriore valore aziendale. Nello specifico, ci aspettiamo che chiunque lavori nel settore della vendita al dettaglio o dei contenuti veda un'esperienza migliore per i propri clienti e conversioni più elevate come risultato diretto dell'utilizzo di Amazon Personalize. Siamo estremamente entusiasti di essere partner di lancio di AWS in questa versione e non vediamo l’ora di consentire alle aziende di promuovere soluzioni personalizzate basate su ML con Next Best Action”.
– Jason Goth, partner e responsabile della tecnologia, Credera.
Esempi di casi d'uso
Per esplorare l'impatto di questa nuova funzionalità in maggiore dettaglio, esaminiamo un esempio prendendo in esame tre utenti: A (User_id
11999), B (User_id
17141) e C (User_id
8103), che si trovano in diverse fasi del percorso dell'utente mentre effettuano acquisti su un sito web. Vediamo quindi come Next Best Action suggerisce le azioni ottimali per ciascun utente in base alle sue interazioni e preferenze passate.
Innanzitutto, esaminiamo il set di dati sulle interazioni delle azioni per comprendere il modo in cui gli utenti hanno interagito con le azioni in passato. L'esempio seguente mostra i tre utenti e i loro diversi modelli di acquisto. L'utente A è un acquirente abituale e in passato ha effettuato acquisti principalmente nelle categorie "Bellezza e cura della persona" e "Gioielli". L'utente B è un acquirente occasionale che in passato ha effettuato alcuni acquisti nella categoria "Elettronica" e l'utente C è un nuovo utente del sito Web che ha effettuato il primo acquisto nella categoria "Abbigliamento".
Tipologia di utente | ID utente | Azioni | Azione_Evento_Tipo | Timestamp |
Utente A | 11999 | Acquista nella categoria "Bellezza e cura della persona". | preso | 2023-09-17 20:03:05 |
Utente A | 11999 | Acquista nella categoria "Bellezza e cura della persona". | preso | 2023-09-18 19:28:38 |
Utente A | 11999 | Acquista nella categoria "Bellezza e cura della persona". | preso | 2023-09-20 17:49:52 |
Utente A | 11999 | Acquista nella categoria "Gioielli". | preso | 2023-09-26 18:36:16 |
Utente A | 11999 | Acquista nella categoria "Bellezza e cura della persona". | preso | 2023-09-30 19:21:05 |
Utente A | 11999 | Scarica l'app per dispositivi mobili | preso | 2023-09-30 19:29:35 |
Utente A | 11999 | Acquista nella categoria "Gioielli". | preso | 2023-10-01 19:35:47 |
Utente A | 11999 | Acquista nella categoria "Bellezza e cura della persona". | preso | 2023-10-04 19:19:34 |
Utente A | 11999 | Acquista nella categoria "Gioielli". | preso | 2023-10-06 20:38:55 |
Utente A | 11999 | Acquista nella categoria "Bellezza e cura della persona". | preso | 2023-10-10 20:17:07 |
Utente B | 17141 | Acquista nella categoria "Elettronica". | preso | 2023-09-29 20:17:49 |
Utente B | 17141 | Acquista nella categoria "Elettronica". | preso | 2023-10-02 00:38:08 |
Utente B | 17141 | Acquista nella categoria "Elettronica". | preso | 2023-10-07 11:04:56 |
Utente C | 8103 | Acquista nella categoria “Abbigliamento”. | preso | 2023-09-26 18:30:56 |
Tradizionalmente, i brand mostrano le stesse azioni a tutti gli utenti oppure utilizzano strategie di segmentazione degli utenti per consigliare azioni alla propria base di utenti. La tabella seguente è un esempio di un marchio che mostra lo stesso insieme di azioni a tutti gli utenti. Queste azioni possono essere rilevanti o meno per gli utenti, riducendo il loro coinvolgimento con il marchio.
Tipologia di utente | ID utente | Raccomandazioni sulle azioni | Grado di azione |
Utente A | 11999 | Iscriviti al Programma Fedeltà | 1 |
Utente A | 11999 | Scarica l'app per dispositivi mobili | 2 |
Utente A | 11999 | Acquista nella categoria "Elettronica". | 3 |
Utente B | 17141 | Iscriviti al Programma Fedeltà | 1 |
Utente B | 17141 | Scarica l'app per dispositivi mobili | 2 |
Utente B | 17141 | Acquista nella categoria "Elettronica". | 3 |
Utente C | 8103 | Iscriviti al Programma Fedeltà | 1 |
Utente C | 8103 | Scarica l'app per dispositivi mobili | 2 |
Utente C | 8103 | Acquista nella categoria "Elettronica". | 3 |
Ora utilizziamo Next Best Action per consigliare azioni per ciascun utente. Dopo aver definito le azioni idonee per i consigli, il file aws-next-best-action
ricetta restituisce un elenco classificato di azioni, personalizzato per ciascun utente, in base alla propensione dell'utente (la probabilità che un utente esegua una particolare azione, compresa tra 0.0 e 1.0) e al valore di tale azione, se fornito. Ai fini di questo post, consideriamo solo la propensione degli utenti.
Nell'esempio seguente, vediamo che per l'utente A (acquirente frequente), Iscriviti al programma fedeltà è l'azione consigliata principale con un punteggio di propensione pari a 1.00, il che significa che è molto probabile che questo utente si iscriverà al programma fedeltà perché ha effettuato numerosi acquisti. Pertanto, consigliare l'azione Iscriviti al programma fedeltà all'Utente A ha un'alta probabilità di aumentare il coinvolgimento dell'Utente A.
Tipologia di utente | ID utente | Raccomandazioni sulle azioni | Grado di azione | Punteggio di propensione |
Utente A | 11999 | Iscriviti al Programma Fedeltà | 1 | 1.00 |
Utente A | 11999 | Acquista nella categoria "Gioielli". | 2 | 0.86 |
Utente A | 11999 | Acquista nella categoria "Bellezza e cura della persona". | 3 | 0.85 |
Utente B | 17141 | Acquista nella categoria "Elettronica". | 1 | 0.78 |
Utente B | 17141 | Iscriviti al Programma Fedeltà | 2 | 0.71 |
Utente B | 17141 | Acquista nella categoria “Case intelligenti”. | 3 | 0.66 |
Utente C | 8103 | Acquista nella categoria "Borse e scarpe". | 1 | 0.60 |
Utente C | 8103 | Scarica l'app per dispositivi mobili | 2 | 0.48 |
Utente C | 8103 | Acquista nella categoria “Abbigliamento”. | 3 | 0.46 |
Allo stesso modo, l’utente B (persona acquirente occasionale) ha una maggiore probabilità di continuare ad acquistare nella categoria “Elettronica” e di acquistare anche nuovi prodotti in una categoria simile, “Case intelligenti”. Pertanto, Next Best Action ti consiglia di dare priorità alle azioni, Acquista nella categoria "Elettronica" e Acquista nella categoria "Case intelligenti". Ciò significa che se chiedi all'utente B di acquistare prodotti in queste due categorie, ciò può portare a un maggiore coinvolgimento. Notiamo inoltre che l'azione Iscriviti al programma fedeltà è consigliata all'Utente B ma con un punteggio di propensione inferiore di 0.71 rispetto all'Utente A, il cui punteggio di propensione è 1.0. Questo perché gli utenti che hanno una storia più profonda e sono più avanti nel loro percorso di acquisto beneficiano maggiormente dei programmi fedeltà grazie ai vantaggi aggiuntivi e sono molto propensi a interagire di più.
Infine, vediamo che l'azione successiva migliore per l'utente C sta acquistando nella categoria "Borse e scarpe", che è simile alla precedente azione di acquisto nella categoria "Abbigliamento". Notiamo anche che il punteggio di propensione a scaricare l'app mobile è relativamente inferiore (0.48) rispetto a un'altra azione, Acquista nella categoria "Borse e scarpe", che ha un punteggio di propensione più alto pari a 0.60. Ciò significa che se consigli all'utente C di acquistare prodotti in una categoria complementare ("Borse e scarpe") anziché scaricare l'app mobile, è più probabile che rimanga fedele al tuo marchio e continui a fare acquisti in futuro.
Per ulteriori dettagli su come implementare la Next Best Action (aws-next-best-action
) ricetta, fare riferimento a documentazione.
Conclusione
La nuova ricetta Next Best Action in Amazon Personalize ti aiuta a consigliare le azioni giuste all'utente giusto in tempo reale in base al suo comportamento e alle sue esigenze individuali. Ciò ti consentirà di massimizzare il coinvolgimento degli utenti e portare a maggiori tassi di conversione.
Per ulteriori informazioni su Amazon Personalize, consulta il Guida per sviluppatori di Amazon Personalize.
Informazioni sugli autori
Shreeya Sharma è un Senior Technical Product Manager che lavora con AWS AI/ML su Amazon Personalize. Ha un background in ingegneria informatica, consulenza tecnologica e analisi dei dati. Nel tempo libero le piace viaggiare, recitare in teatro e provare nuove avventure.
Pranesh Anubhav è un ingegnere software senior per Amazon Personalize. La sua passione è la progettazione di sistemi di machine learning per servire i clienti su larga scala. Al di fuori del suo lavoro, ama giocare a calcio ed è un accanito sostenitore del Real Madrid.
Aniket Deshmukh è uno scienziato applicato nei laboratori AWS AI che supportano Amazon Personalize. Aniket lavora nell’area generale dei sistemi di raccomandazione, dei banditi contestuali e del deep learning multimodale.
- Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
- PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
- PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
- PlatoneESG. Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
- Platone Salute. Intelligence sulle biotecnologie e sulle sperimentazioni cliniche. Accedi qui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/build-brand-loyalty-by-recommending-actions-to-your-users-with-amazon-personalize-next-best-action/
- :ha
- :È
- :non
- $ SU
- 1
- 100
- 11
- 114
- 120
- 125
- 13
- 14
- 17
- 19
- 20
- 28
- 29
- 30
- 35%
- 36
- 49
- 60
- 7
- 72
- 8
- a
- WRI
- accessibile
- Il mio account
- operanti in
- Action
- azioni
- aggiunto
- aggiunta
- aggiuntivo
- avanzamenti
- avventure
- Dopo shavasana, sedersi in silenzio; saluti;
- AI
- AI / ML
- Tutti
- lungo
- anche
- Amazon
- Amazon Personalizza
- Amazon Web Services
- an
- analitica
- ed
- Annunciare
- Un altro
- in qualsiasi
- chiunque
- API
- App
- applicazioni
- applicato
- approcci
- SONO
- RISERVATA
- Italia
- AS
- At
- AWS
- sfondo
- base
- basato
- BE
- perché
- comportamento
- beneficio
- vantaggi
- MIGLIORE
- fra
- marca
- marche
- costruire
- affari
- aziende
- ma
- Acquistare
- ACQUIRENTE..
- Acquisto
- by
- Responsabile Campagne
- Materiale
- Può ottenere
- funzionalità
- capacità
- casi
- casuale
- categoria
- Categoria
- canali
- capo
- Chief Technology Officer
- Coorte
- Aziende
- rispetto
- complementare
- computer
- Informatica
- Prendere in considerazione
- consulting
- contenuto
- contestuale
- continua
- Conversione
- conversioni
- Costo
- creare
- cliente
- Il coinvolgimento del cliente
- Clienti
- dati
- Dati Analytics
- deep
- apprendimento profondo
- più profondo
- definire
- consegnare
- progettazione
- dettaglio
- dettagli
- Determinare
- Costruttori
- sviluppatori
- diverso
- digitale
- dirette
- Dont
- scaricare
- il download
- guidare
- guida
- dovuto
- ogni
- facilmente
- senza sforzo
- o
- eleggibile
- che abilita
- enable
- Abilita
- incoraggiare
- crittografato
- Fidanzamento
- impegnandosi
- ingegnere
- Ingegneria
- Ogni
- esempio
- eccitato
- attenderti
- aspetta
- esperienza
- Esperienze
- esplora
- Esplorare
- estensivo
- estremamente
- caratteristica
- pochi
- Nome
- i seguenti
- Nel
- Avanti
- frequente
- da
- completamente
- ulteriormente
- Inoltre
- futuro
- Generale
- ottenere
- maggiore
- Crescita
- Avere
- he
- Aiuto
- aiuta
- suo
- Alta
- superiore
- massimo
- vivamente
- il suo
- storia
- Come
- Tutorial
- Tuttavia
- HTML
- HTTPS
- if
- Impact
- realizzare
- implementazione
- competenze
- migliorata
- miglioramento
- in
- Aumento
- crescente
- individuale
- informazioni
- interagire
- interazioni
- interessi
- ai miglioramenti
- investimento
- IT
- viaggio
- jpg
- Labs
- lanciare
- portare
- apprendimento
- piace
- probabilità
- probabile
- Lista
- a lungo termine
- più a lungo
- Guarda
- cerca
- ama
- inferiore
- lealtà
- programma di fedeltà
- Programmi di fidelizzazione
- macchina
- machine learning
- fatto
- rivista
- make
- FA
- Fare
- gestito
- direttore
- Manuale
- Marketing
- Massimizzare
- Maggio..
- significativo
- si intende
- ML
- Mobile
- mobile app
- Scopri di più
- maggior parte
- soprattutto
- Natura
- esigenze
- New
- prodotti nuovi
- Newsletter
- GENERAZIONE
- no
- Avviso..
- numerose
- of
- Responsabile
- on
- esclusivamente
- ottimale
- or
- Altro
- su
- al di fuori
- ancora
- particolare
- partner
- partner
- appassionato
- passato
- modelli
- esecuzione
- personalizzazione
- personalizzare
- Personalizzata
- Platone
- Platone Data Intelligence
- PlatoneDati
- gioco
- possibilità
- Post
- Accensione
- preferenze
- precedente
- Precedente
- Dare priorità
- un bagno
- processi
- Prodotto
- product manager
- Prodotti
- Programma
- Programmi
- promuoverlo
- fornire
- purché
- fornisce
- fornitura
- Acquista
- acquisti
- acquisto
- scopo
- che vanno
- classificato
- veloce
- di rose
- Real Madrid
- tempo reale
- veramente
- ricetta
- raccomandare
- Consigli
- raccomandazioni
- raccomandato
- raccomandando
- raccomanda
- riducendo
- riferimento
- relativamente
- rilasciare
- pertinente
- fare affidamento
- necessario
- colpevole
- nello specifico retail
- ritorno
- problemi
- Le vendite
- recensioni
- destra
- stesso
- Scala
- Scienze
- Scienziato
- Punto
- sicuro
- vedere
- segmentazione
- anziano
- servire
- servizio
- Servizi
- set
- lei
- Shopping
- mostrare attraverso le sue creazioni
- Spettacoli
- significativamente
- firma
- simile
- Calcio
- Software
- Software Engineer
- soluzione
- Soluzioni
- sofisticato
- lo spazio
- in particolare
- tappe
- iniziato
- strategie
- Lotta
- sottoscrivi
- tale
- sufficiente
- suggerire
- suggerisce
- Supporto
- SISTEMI DI TRATTAMENTO
- tavolo
- prende
- presa
- mirata
- Consulenza
- Tecnologia
- tende
- di
- che
- Il
- Il futuro
- teatro
- loro
- Li
- poi
- perciò
- Strumenti Bowman per analizzare le seguenti finiture:
- di
- questo
- tre
- entusiasta
- tempo
- a
- top
- tradizionale
- Di viaggio
- cerca
- seconda
- Tipi di
- tipicamente
- incapace
- capire
- unico
- sbloccare
- Aggiornanento
- uso
- Utente
- viaggio dell'utente
- utenti
- utilizzando
- APPREZZIAMO
- we
- sito web
- servizi web
- Sito web
- siti web
- Che
- quale
- while
- OMS
- di chi
- largo
- volere
- con
- entro
- senza
- Lavora
- lavoro
- lavori
- classe mondiale
- Tu
- Trasferimento da aeroporto a Sharm
- zefiro