Questo post è co-scritto da Hesham Fahim di Thomson Reuters.
Thomson Reuters (TR) è una delle organizzazioni di informazioni più affidabili al mondo per aziende e professionisti. Fornisce alle aziende l'intelligenza, la tecnologia e le competenze umane di cui hanno bisogno per trovare risposte affidabili, consentendo loro di prendere decisioni migliori più rapidamente. I clienti di TR abbracciano i mercati finanziario, del rischio, legale, fiscale, contabile e dei media.
Thomson Reuters fornisce prodotti leader di mercato nella campagna Tax, Legal e News, a cui gli utenti possono iscriversi utilizzando un modello di licenza in abbonamento. Per migliorare questa esperienza per i propri clienti, TR voleva creare una piattaforma centralizzata di consigli che consentisse al proprio team di vendita di suggerire i pacchetti di abbonamento più pertinenti ai propri clienti, generando suggerimenti che contribuissero ad aumentare la consapevolezza dei prodotti che potrebbero aiutare i propri clienti a servire meglio il mercato attraverso selezioni di prodotti su misura.
Prima di creare questa piattaforma centralizzata, TR disponeva di un motore legacy basato su regole per generare suggerimenti per il rinnovo. Le regole in questo motore erano predefinite e scritte in SQL, che oltre a rappresentare una sfida da gestire, faticava anche a far fronte alla proliferazione di dati dalle varie fonti di dati integrate di TR. I dati dei clienti TR stanno cambiando a un ritmo più veloce di quanto le regole aziendali possano evolvere per riflettere le mutevoli esigenze dei clienti. Il requisito chiave per il nuovo motore di personalizzazione basato sull'apprendimento automatico (ML) di TR era incentrato su un accurato sistema di raccomandazioni che tenesse conto delle recenti tendenze dei clienti. La soluzione desiderata sarebbe quella con un basso sovraccarico operativo, la capacità di accelerare il raggiungimento degli obiettivi aziendali e un motore di personalizzazione che potrebbe essere costantemente addestrato con dati aggiornati per far fronte alle mutevoli abitudini dei consumatori e ai nuovi prodotti.
La personalizzazione delle raccomandazioni per il rinnovo in base a quelli che sarebbero stati prodotti di valore per i clienti di TR è stata un'importante sfida aziendale per il team di vendita e marketing. TR dispone di una vasta gamma di dati che potrebbero essere utilizzati per la personalizzazione che sono stati raccolti dalle interazioni con i clienti e archiviati all'interno di un data warehouse centralizzato. TR è stato uno dei primi ad adottare ML con Amazon Sage Makere la loro maturità nel dominio AI/ML significava che avevano raccolto un set di dati significativo di dati rilevanti all'interno di un data warehouse, con cui il team poteva addestrare un modello di personalizzazione. TR ha continuato la sua innovazione AI/ML e ha recentemente sviluppato una piattaforma di raccomandazione rinnovata utilizzando Amazon Personalizza, che è un servizio ML completamente gestito che utilizza le interazioni e gli elementi dell'utente per generare consigli per gli utenti. In questo post, spieghiamo come TR ha utilizzato Amazon Personalize per creare un sistema di raccomandazione scalabile e multi-tenant che fornisce ai propri clienti i migliori piani di abbonamento ai prodotti e i relativi prezzi.
Architettura della soluzione
La soluzione doveva essere progettata tenendo conto delle operazioni principali di TR relative alla comprensione degli utenti attraverso i dati; fornire a questi utenti contenuti personalizzati e pertinenti da un ampio corpus di dati era un requisito mission-critical. Avere un sistema di raccomandazione ben progettato è la chiave per ottenere raccomandazioni di qualità personalizzate in base alle esigenze di ciascun utente.
La soluzione richiedeva la raccolta e la preparazione dei dati sul comportamento degli utenti, l'addestramento di un modello ML utilizzando Amazon Personalize, la generazione di consigli personalizzati attraverso il modello addestrato e la conduzione di campagne di marketing con i consigli personalizzati.
TR voleva sfruttare i servizi gestiti da AWS ove possibile per semplificare le operazioni e ridurre il sollevamento di carichi pesanti indifferenziati. TR utilizzato DataBrew di AWS Glue ed Batch AWS lavori per eseguire i lavori di estrazione, trasformazione e caricamento (ETL) nelle pipeline ML e SageMaker insieme ad Amazon Personalize per personalizzare i consigli. Dal punto di vista del volume dei dati di addestramento e del tempo di esecuzione, la soluzione doveva essere scalabile per elaborare milioni di record entro l'intervallo di tempo già impegnato per i consumatori a valle nei team aziendali di TR.
Le sezioni seguenti illustrano i componenti coinvolti nella soluzione.
Pipeline di formazione ML
Le interazioni tra gli utenti e il contenuto vengono raccolte sotto forma di dati clickstream, che vengono generati quando il cliente fa clic sul contenuto. TR analizza se questo fa parte del loro piano di abbonamento o oltre il loro piano di abbonamento in modo da poter fornire ulteriori dettagli sul prezzo e sulle opzioni di iscrizione al piano. I dati sulle interazioni dell'utente provenienti da varie origini vengono mantenuti nel loro data warehouse.
Il diagramma seguente illustra la pipeline di training ML.
La pipeline inizia con un processo AWS Batch che estrae i dati dal data warehouse e li trasforma per creare set di dati di interazioni, utenti e elementi.
I seguenti set di dati vengono utilizzati per addestrare il modello:
- Dati di prodotto strutturati – Abbonamenti, ordini, catalogo prodotti, transazioni e dettagli del cliente
- Dati comportamentali semi-strutturati – Utenti, utilizzo e interazioni
Questi dati trasformati vengono archiviati in un file Servizio di archiviazione semplice Amazon (Amazon S3), che viene importato in Amazon Personalize per la formazione ML. Poiché TR desidera generare consigli personalizzati per i propri utenti, utilizza il USER_PERSONALIZZAZIONE ricetta per addestrare i modelli ML per i loro dati personalizzati, che viene definita creazione di una versione della soluzione. Dopo che la versione della soluzione è stata creata, viene utilizzata per generare consigli personalizzati per gli utenti.
L'intero flusso di lavoro è orchestrato utilizzando Funzioni AWS Step. Gli avvisi e le notifiche vengono acquisiti e pubblicati in Microsoft Teams utilizzando Servizio di notifica semplice Amazon (Amazon SNS) e Amazon EventBridge.
Generazione di pipeline di suggerimenti personalizzati: inferenza batch
I requisiti e le preferenze dei clienti cambiano molto spesso e le ultime interazioni acquisite nei dati clickstream fungono da punto dati chiave per comprendere le mutevoli preferenze del cliente. Per adattarsi alle mutevoli preferenze dei clienti, TR genera raccomandazioni personalizzate su base giornaliera.
Il diagramma seguente illustra la pipeline per generare suggerimenti personalizzati.
Un processo DataBrew estrae i dati dal data warehouse TR per gli utenti che sono idonei a fornire consigli durante il rinnovo in base al piano di abbonamento corrente e all'attività recente. Lo strumento di preparazione visiva dei dati DataBrew consente agli analisti di dati e ai data scientist di TR di pulire e normalizzare facilmente i dati per prepararli per l'analisi e il machine learning. La possibilità di scegliere tra oltre 250 trasformazioni predefinite all'interno dello strumento di preparazione dei dati visivi per automatizzare le attività di preparazione dei dati, il tutto senza la necessità di scrivere alcun codice, è stata una caratteristica importante. Il processo DataBrew genera un set di dati incrementale per le interazioni e l'input per il processo di raccomandazioni batch e archivia l'output in un bucket S3. Il set di dati incrementale appena generato viene importato nel set di dati delle interazioni. Quando il processo di importazione del set di dati incrementale ha esito positivo, viene attivato un processo di suggerimenti in batch di Amazon Personalize con i dati di input. Amazon Personalize genera i consigli più recenti per gli utenti forniti nei dati di input e li archivia in un bucket S3 di consigli.
L'ottimizzazione dei prezzi è l'ultimo passaggio prima che i consigli appena formati siano pronti per l'uso. TR esegue un lavoro di ottimizzazione dei costi sui consigli generati e utilizza SageMaker per eseguire modelli personalizzati sui consigli come parte di questo passaggio finale. Un processo AWS Glue cura l'output generato da Amazon Personalize e lo trasforma nel formato di input richiesto dal modello personalizzato SageMaker. TR è in grado di sfruttare l'ampiezza dei servizi forniti da AWS, utilizzando sia Amazon Personalize che SageMaker nella piattaforma di raccomandazione per personalizzare le raccomandazioni in base al tipo di azienda cliente e agli utenti finali.
L'intero flusso di lavoro è disaccoppiato e orchestrato utilizzando Step Functions, che offre la flessibilità di ridimensionare la pipeline in base ai requisiti di elaborazione dei dati. Gli avvisi e le notifiche vengono acquisiti utilizzando Amazon SNS ed EventBridge.
Promuovere campagne e-mail
Le raccomandazioni generate insieme ai risultati dei prezzi vengono utilizzate per indirizzare le campagne e-mail ai clienti di TR. Un processo AWS Batch viene utilizzato per curare le raccomandazioni per ogni cliente e arricchirle con le informazioni sui prezzi ottimizzate. Questi consigli vengono inseriti nei sistemi di campagna di TR, che guidano le seguenti campagne e-mail:
- Rinnovo automatico dell'abbonamento o campagne di aggiornamento con nuovi prodotti che potrebbero interessare il cliente
- Campagne di rinnovo a metà contratto con offerte migliori e prodotti più pertinenti e materiali a contenuto legale
Le informazioni di questo processo vengono replicate anche nel portale del cliente in modo che i clienti che rivedono il loro abbonamento corrente possano vedere i nuovi suggerimenti per il rinnovo. TR ha visto un tasso di conversione più elevato dalle campagne e-mail, portando a un aumento degli ordini di vendita, da quando ha implementato la nuova piattaforma di raccomandazione.
Cosa c'è dopo: Pipeline di consigli in tempo reale
Le esigenze dei clienti e i comportamenti di acquisto cambiano in tempo reale e adattare le raccomandazioni ai cambiamenti in tempo reale è la chiave per offrire il contenuto giusto. Dopo aver riscontrato un grande successo nell'implementazione di un sistema di raccomandazione in batch, TR sta ora pianificando di portare questa soluzione al livello successivo implementando una pipeline di raccomandazioni in tempo reale per generare raccomandazioni utilizzando Amazon Personalize.
Il diagramma seguente illustra l'architettura per fornire raccomandazioni in tempo reale.
L'integrazione in tempo reale inizia con la raccolta dei dati sul coinvolgimento degli utenti in tempo reale e lo streaming su Amazon Personalize. Quando gli utenti interagiscono con le applicazioni di TR, generano eventi clickstream, che vengono pubblicati in Flussi di dati di Amazon Kinesis. Quindi gli eventi vengono inseriti nella piattaforma di streaming centralizzata di TR, che è costruita sopra Streaming gestito da Amazon per Kafka (Amazon MSK). Amazon MSK semplifica l'acquisizione e l'elaborazione dei flussi di dati in tempo reale con Apache Kafka completamente gestito. In questa architettura, Amazon MSK funge da piattaforma di streaming ed esegue tutte le trasformazioni dei dati richieste sugli eventi clickstream in ingresso non elaborati. Poi un AWS Lambda viene attivata la funzione per filtrare gli eventi in base allo schema compatibile con il set di dati di Amazon Personalize e inviare tali eventi a un tracker di eventi di Amazon Personalize utilizzando un putEvent
API. Ciò consente ad Amazon Personalize di apprendere dal comportamento più recente dell'utente e includere elementi pertinenti nei consigli.
Le applicazioni Web di TR richiamano un'API distribuita in Gateway API Amazon per ottenere consigli, che attiva una funzione Lambda per richiamare a GetRecommendations
Chiamata API con Amazon Personalize. Amazon Personalize fornisce l'ultimo set di consigli personalizzati curati in base al comportamento dell'utente, che vengono restituiti alle applicazioni Web tramite Lambda e API Gateway.
Con questa architettura in tempo reale, TR può servire i propri clienti con raccomandazioni personalizzate curate in base al loro comportamento più recente e soddisfare meglio le loro esigenze.
Conclusione
In questo post, ti abbiamo mostrato come TR ha utilizzato Amazon Personalize e altri servizi AWS per implementare un motore di raccomandazione. Amazon Personalize ha consentito a TR di accelerare lo sviluppo e l'implementazione di modelli ad alte prestazioni per fornire raccomandazioni ai propri clienti. TR è in grado di eseguire l'onboarding di una nuova suite di prodotti in poche settimane, rispetto a mesi prima. Con Amazon Personalize e SageMaker, TR è in grado di elevare l'esperienza del cliente con migliori piani di abbonamento ai contenuti e prezzi per i propri clienti.
Se ti è piaciuto leggere questo blog e vorresti saperne di più su Amazon Personalize e su come può aiutare la tua organizzazione a creare sistemi di raccomandazione, consulta il guida per sviluppatori.
Informazioni sugli autori
Hisham Fahim è Lead Machine Learning Engineer e Personalization Engine Architect presso Thomson Reuters. Ha lavorato con organizzazioni nel mondo accademico e industriale, dalle grandi imprese alle startup di medie dimensioni. Con particolare attenzione alle architetture di deep learning scalabili, ha esperienza nella robotica mobile, nell'analisi delle immagini biomediche e nei sistemi di raccomandazione. Lontano dai computer, ama l'astrofotografia, la lettura e le lunghe distanze in bicicletta.
Srivasa Shaik è un Solutions Architect presso AWS con sede a Boston. Aiuta i clienti Enterprise ad accelerare il loro viaggio verso il cloud. È appassionato di container e tecnologie di machine learning. Nel tempo libero ama passare il tempo con la sua famiglia, cucinare e viaggiare.
Vamshi Krishna Enabothala è Sr. Applied AI Specialist Architect presso AWS. Lavora con clienti di diversi settori per accelerare iniziative di dati, analisi e apprendimento automatico ad alto impatto. È appassionato di sistemi di raccomandazione, PNL e aree di visione artificiale in AI e ML. Al di fuori del lavoro, Vamshi è un appassionato di RC, costruisce attrezzature RC (aerei, automobili e droni) e ama anche il giardinaggio.
Simone Zucchi è Senior Solutions Architect presso AWS. Con oltre 6 anni di esperienza come Cloud Architect, Simone ama lavorare su progetti innovativi che aiutano a trasformare il modo in cui le organizzazioni affrontano i problemi aziendali. Aiuta a supportare i grandi clienti aziendali in AWS e fa parte del Machine Learning TFC. Al di fuori della sua vita professionale, gli piace lavorare sulle automobili e sulla fotografia.
- Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
- Platoblockchain. Web3 Metaverse Intelligence. Conoscenza amplificata. Accedi qui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/how-thomson-reuters-delivers-personalized-content-subscription-plans-at-scale-using-amazon-personalize/
- 100
- 7
- a
- capacità
- capace
- Chi siamo
- Accademia
- accelerare
- Il mio account
- Contabilità
- preciso
- operanti in
- attività
- adattare
- aggiuntivo
- Vantaggio
- Dopo shavasana, sedersi in silenzio; saluti;
- AI
- AI / ML
- Tutti
- consente
- già
- Amazon
- Amazon Personalizza
- .
- Gli analisti
- analitica
- analisi
- ed
- risposte
- Apache
- api
- applicazioni
- applicato
- AI applicata
- approccio
- architettura
- aree
- in giro
- associato
- automatizzare
- consapevolezza
- AWS
- Colla AWS
- precedente
- basato
- base
- perché
- prima
- MIGLIORE
- Meglio
- fra
- Al di là di
- biomedico
- Blog
- Boston
- ampiezza
- costruire
- Costruzione
- costruito
- affari
- aziende
- chiamata
- Campagna
- campagna
- Responsabile Campagne
- auto
- catalogo
- centrato
- centralizzata
- Challenge
- il cambiamento
- Modifiche
- cambiando
- Scegli
- Cloud
- codice
- Raccolta
- impegnata
- Aziende
- rispetto
- compatibile
- componenti
- computer
- Visione computerizzata
- computer
- considerando
- costantemente
- Consumer
- Consumatori
- Tecnologie Container
- contenuto
- continua
- Conversione
- Nucleo
- Costo
- potuto
- creare
- creato
- Creazione
- a cura
- curati
- Corrente
- costume
- cliente
- dati dei clienti
- esperienza del cliente
- Clienti
- alle lezioni
- dati
- Preparazione dei dati
- elaborazione dati
- dataset
- affare
- decisioni
- deep
- apprendimento profondo
- consegna
- fornisce un monitoraggio
- Dipendente
- schierato
- distribuzione
- deployment
- progettato
- dettagli
- sviluppato
- Mercato
- diverso
- distanza
- dominio
- guidare
- guida
- Droni
- durante
- ogni
- In precedenza
- Presto
- ELEVATE
- eleggibile
- abilitato
- consentendo
- Fidanzamento
- motore
- ingegnere
- arricchire
- Impresa
- aziende
- appassionato
- Intero
- usate
- Evento
- eventi
- in continua evoluzione
- evolvere
- esperienza
- competenza
- Spiegare
- estratto
- estratti
- famiglia
- più veloce
- caratteristica
- filtro
- finale
- finanziario
- Trovare
- Impresa
- Flessibilità
- Focus
- i seguenti
- modulo
- formato
- formato
- TELAIO
- da
- completamente
- function
- funzioni
- porta
- generare
- generato
- genera
- la generazione di
- ottenere
- ottenere
- dà
- Obiettivi
- grande
- avendo
- Aiuto
- aiuta
- Alte prestazioni
- superiore
- Come
- HTML
- HTTPS
- umano
- Immagine
- realizzare
- Implementazione
- importare
- importante
- in
- includere
- In arrivo
- è aumentato
- industria
- informazioni
- iniziative
- Innovazione
- creativi e originali
- ingresso
- integrato
- integrazione
- Intelligence
- si interagisce
- interazioni
- interesse
- coinvolto
- IT
- elementi
- Lavoro
- Offerte di lavoro
- viaggio
- Le
- grandi
- Cognome
- con i più recenti
- portare
- principale
- IMPARARE
- apprendimento
- Eredità
- Legale
- Livello
- Licenze
- Vita
- di sollevamento
- vivere
- caricare
- Lunghi
- Basso
- macchina
- machine learning
- make
- FA
- gestire
- gestito
- Rappresentanza
- leader di mercato
- Marketing
- Mercati
- maturità
- Media
- Microsoft
- squadre di microsoft
- forza
- milioni
- ML
- Mobile
- modello
- modelli
- mese
- Scopri di più
- maggior parte
- Bisogno
- esigenze
- New
- prodotti nuovi
- notizie
- GENERAZIONE
- nlp
- notifica
- notifiche
- Offerte
- Onboard
- ONE
- operativa
- Operazioni
- ottimizzazione
- ottimizzati
- Opzioni
- ordini
- organizzazione
- organizzazioni
- Altro
- al di fuori
- Packages
- parte
- appassionato
- Eseguire
- esegue
- personalizzazione
- personalizzare
- Personalizzata
- prospettiva
- fotografia
- conduttura
- piano
- pianificazione
- piani
- piattaforma
- Platone
- Platone Data Intelligence
- PlatoneDati
- per favore
- punto
- Portale
- possibile
- Post
- preferenze
- Preparare
- preparazione
- prezzo
- Prezzi
- prezzi
- problemi
- processi
- lavorazione
- Prodotto
- Prodotti
- professionale
- Scelto dai professionisti
- progetti
- fornire
- purché
- fornisce
- fornitura
- pubblicato
- Spingi
- qualità
- rapidamente
- aumentare
- che vanno
- tasso
- Crudo
- Lettura
- pronto
- di rose
- tempo reale
- recente
- recentemente
- ricetta
- Consigli
- raccomandazioni
- record
- ridurre
- di cui
- riflettere
- pertinente
- replicato
- necessario
- requisito
- Requisiti
- Risultati
- Reuters
- revisione
- Rischio
- robotica
- norme
- Correre
- sagemaker
- vendite
- scalabile
- Scala
- scala
- scienziati
- sezioni
- Settori
- vedendo
- anziano
- servire
- serve
- servizio
- Servizi
- servizio
- set
- Shopping
- segno
- significativa
- Un'espansione
- semplificare
- da
- So
- soluzione
- Soluzioni
- Fonte
- fonti
- specialista
- Spendere
- inizio
- Startup
- step
- conservazione
- memorizzati
- negozi
- Streaming
- sottoscrizione
- abbonamenti
- il successo
- di successo
- suite
- supporto
- sistema
- SISTEMI DI TRATTAMENTO
- su misura
- Fai
- prende
- task
- imposta
- team
- le squadre
- Tecnologie
- Tecnologia
- I
- loro
- Thomson Reuters
- Attraverso
- tempo
- a
- top
- Treni
- allenato
- Training
- Le transazioni
- Trasformare
- trasformazioni
- trasformato
- Di viaggio
- tendenze
- innescato
- di fiducia
- capire
- e una comprensione reciproca
- up-to-date
- upgrade
- Impiego
- uso
- Utente
- utenti
- Prezioso
- vario
- versione
- via
- visione
- volume
- ricercato
- Ricchezza
- sito web
- applicazioni web
- Settimane
- Che
- quale
- OMS
- entro
- senza
- Lavora
- lavorato
- lavoro
- lavori
- Il mondo di
- sarebbe
- scrivere
- scritto
- anni
- Tu
- Trasferimento da aeroporto a Sharm
- zefiro