Personalizza le esperienze dei clienti multicanale con Amazon SageMaker, Amazon Personalize e il segmento Twilio

Ripubblicato da Platone

Seguaci: 0

Oggi i clienti interagiscono con i marchi su un'impronta digitale e offline sempre più ampia, generando una vasta gamma di dati di interazione noti come dati comportamentali. Di conseguenza, i professionisti del marketing e i team dell'esperienza cliente devono lavorare con più strumenti sovrapposti per coinvolgere e indirizzare quei clienti attraverso i punti di contatto. Ciò aumenta la complessità, crea visualizzazioni multiple di ciascun cliente e rende più difficile fornire un'esperienza individuale con contenuti, messaggi e suggerimenti di prodotti pertinenti a ciascun cliente. In risposta, i team di marketing utilizzano le Customer Data Platform (CDP) e gli strumenti di gestione delle campagne cross-channel (CCCM) per semplificare il processo di consolidamento di più visualizzazioni dei propri clienti. Queste tecnologie forniscono agli utenti non tecnici un percorso accelerato per abilitare il targeting, il coinvolgimento e la personalizzazione multicanale, riducendo al contempo la dipendenza dei team di marketing dai team tecnici e le competenze specialistiche per interagire con i clienti.

Nonostante ciò, gli esperti di marketing si trovano con punti ciechi nell'attività dei clienti quando queste tecnologie non sono integrate con i sistemi di altre parti dell'azienda. Ciò è particolarmente vero con i canali non digitali, ad esempio le transazioni in negozio o il feedback dei clienti dall'assistenza clienti. I team di marketing e le loro controparti nell'esperienza dei clienti faticano anche a integrare le capacità predittive sviluppate dai data scientist nelle loro campagne cross-channel o nei punti di contatto con i clienti. Di conseguenza, i clienti ricevono messaggi e consigli non pertinenti o non coerenti con le loro aspettative.

Questo post illustra come i team interfunzionali possono collaborare per affrontare queste sfide utilizzando un caso d'uso di personalizzazione omnicanale. Utilizziamo uno scenario fittizio di vendita al dettaglio per illustrare come quei team interagiscono per fornire un'esperienza personalizzata in vari punti del percorso del cliente. Noi usiamo Segmento Twilio nel nostro scenario, una piattaforma di dati dei clienti basata su AWS. Ci sono più di 12 CDP sul mercato tra cui scegliere, molti dei quali sono anche partner AWS, ma in questo post utilizziamo Segment perché fornisce un livello gratuito self-service che ti consente di esplorare e sperimentare. Spieghiamo come combinare l'output del segmento con i dati sulle vendite in negozio, i metadati dei prodotti e le informazioni sull'inventario. Basandosi su questo, spieghiamo come integrare Segment con Amazon Personalizza per alimentare i consigli in tempo reale. Descriviamo anche come creiamo i punteggi per l'abbandono e la propensione all'acquisto ripetuto utilizzando Amazon Sage Maker. Infine, esploriamo come raggiungere i clienti nuovi ed esistenti in tre modi:

Con banner su siti Web di terze parti, noti anche come pubblicità display, utilizzando un punteggio di propensione all'acquisto per attirare clienti simili.
Sui canali web e mobile presentati con consigli personalizzati basati su Amazon Personalize, che utilizza algoritmi di machine learning (ML) per creare consigli sui contenuti.
Con messaggistica personalizzata utilizzando Pinpoint Amazon, un servizio di comunicazioni di marketing in entrata e in uscita. Questi messaggi prendono di mira i clienti disimpegnati e quelli che mostrano un'elevata propensione all'abbandono.

Panoramica della soluzione

Immagina di essere il proprietario di un prodotto che guida la carica sull'esperienza del cliente multicanale per un'azienda di vendita al dettaglio. L'azienda dispone di un insieme diversificato di canali online e offline, ma considera i canali digitali la sua principale opportunità di crescita. Vogliono aumentare le dimensioni e il valore della loro base di clienti con i seguenti metodi:

Attira nuovi clienti altamente qualificati che hanno maggiori probabilità di conversione
Aumenta il valore medio degli ordini di tutti i loro clienti
Attira nuovamente i clienti disimpegnati per tornare e, si spera, effettuare acquisti ripetuti

Per garantire che quei clienti ricevano un'esperienza coerente su tutti i canali, tu come proprietario di un prodotto devi lavorare con team come marketing digitale, sviluppo front-end, sviluppo mobile, pubblicazione di campagne e agenzie creative. Per garantire che i clienti ricevano consigli pertinenti, devi anche collaborare con i team di ingegneria dei dati e scienza dei dati. Ciascuno di questi team è responsabile dell'interazione o dello sviluppo di funzionalità all'interno dell'architettura illustrata nel diagramma seguente.

Il flusso di lavoro della soluzione contiene i seguenti passaggi di alto livello:

Raccogli i dati da più origini in cui archiviarli Servizio di archiviazione semplice Amazon (Amazon S3).
Usa il Funzioni AWS Step per orchestrare l'onboarding dei dati e l'ingegneria delle funzionalità.
Crea segmenti e previsioni utilizzando SageMaker.
Utilizza i punteggi di propensione per il targeting display.
Invia messaggi personalizzati utilizzando Amazon Pinpoint.
Integra suggerimenti personalizzati in tempo reale utilizzando Amazon Personalize.

Nelle sezioni seguenti, esamineremo ogni passaggio, spieghiamo le attività di ciascun team ad alto livello, forniamo riferimenti alle risorse correlate e condividiamo laboratori pratici che forniscono una guida più dettagliata.

Raccogli dati da più fonti

I team di marketing digitale, front-end e sviluppo mobile possono configurare il segmento per acquisire e integrare analisi web e mobile, prestazioni dei media digitali e fonti di vendita online utilizzando Connessioni di segmento. Segmenta le persone consente ai team di marketing digitale di risolvere l'identità degli utenti unendo le interazioni tra queste fonti in un unico profilo utente con un identificatore persistente. Questi profili, insieme alle metriche calcolate chiamate Tratti calcolati ed eventi grezzi, possono essere esportati in Amazon S3. Lo screenshot seguente mostra come vengono impostate le regole di identità in Segment Personas.

In parallelo, i team di ingegneri possono utilizzare Servizio di migrazione dei dati AWS (AWS DMS) per replicare le vendite in negozio, i metadati dei prodotti e le origini dati di inventario da database come Microsoft SQL o Oracle e archiviare l'output in Amazon S3.

Data onboarding e ingegneria delle funzionalità

Dopo che i dati sono stati raccolti e archiviati nella zona di destinazione su Amazon S3, i data engineer possono utilizzare i componenti di framework per data lake senza server (SDLF) per accelerare l'onboarding dei dati e costruire la struttura fondamentale di un data lake. Con SDLF, gli ingegneri possono automatizzare la preparazione dei dati degli elementi utente utilizzati per addestrare Amazon Personalize o creare una visualizzazione unica del comportamento dei clienti unendo dati comportamentali online e offline e dati di vendita, utilizzando attributi come ID cliente o indirizzo e-mail come identificatore comune .

Step Functions è l'orchestratore chiave che guida questi processi di trasformazione all'interno di SDLF. È possibile utilizzare Step Functions per creare e orchestrare flussi di lavoro di dati pianificati e basati su eventi. Il team di ingegneri può orchestrare le attività di altri servizi AWS all'interno di una pipeline di dati. Gli output di questo processo vengono archiviati in una zona attendibile su Amazon S3 da utilizzare per lo sviluppo ML. Per ulteriori informazioni sull'implementazione del framework del data lake senza server, vedere Architettura di riferimento della pipeline di analisi dei dati serverless di AWS.

Costruisci segmenti e previsioni

Il processo di creazione di segmenti e previsioni può essere suddiviso in tre fasi: accesso all'ambiente, creazione di modelli di propensione e creazione di file di output.

Accedi all'ambiente

Dopo che il team di ingegneri ha preparato e trasformato i dati di sviluppo ML, il team di data science può creare modelli di propensione utilizzando SageMaker. In primo luogo, creano, addestrano e testano una serie iniziale di modelli ML. Ciò consente loro di vedere i primi risultati, decidere in quale direzione andare e riprodurre gli esperimenti.

Il team di data science ha bisogno di un attivo Amazon Sage Maker Studio ad esempio, un ambiente di sviluppo integrato (IDE) per una rapida sperimentazione ML. Unifica tutte le funzionalità chiave di SageMaker e offre un ambiente per gestire le pipeline ML end-to-end. Elimina la complessità e riduce il tempo necessario per creare modelli ML e distribuirli in produzione. Gli sviluppatori possono utilizzare Quaderni SageMaker Studio, che sono notebook Jupyter con un clic che puoi attivare rapidamente per abilitare l'intero flusso di lavoro ML dalla preparazione dei dati alla distribuzione del modello. Per ulteriori informazioni su SageMaker per ML, vedere Amazon SageMaker per la scienza dei dati.

Costruisci i modelli di propensione

Per stimare l'abbandono e la propensione all'acquisto ripetuto, i team dell'esperienza del cliente e della scienza dei dati dovrebbero concordare i fattori trainanti noti per entrambi i risultati.

Il team di data science convalida questi fattori noti scoprendo anche fattori sconosciuti attraverso il processo di modellazione. Un esempio di fattore che determina l'abbandono può essere il numero di resi negli ultimi 3 mesi. Un esempio di un fattore che determina i riacquisti può essere il numero di articoli salvati sul sito Web o sull'app mobile.

Per il nostro caso d'uso, assumiamo che il team di marketing digitale desideri creare un pubblico di destinazione utilizzando la modellazione simile per trovare i clienti che più probabilmente riacquisteranno nel prossimo mese. Presumiamo inoltre che il team della campagna voglia inviare un'offerta via e-mail ai clienti che probabilmente termineranno l'abbonamento nei prossimi 3 mesi per incoraggiarli a rinnovare l'abbonamento.

Il team di data science può iniziare analizzando i dati (caratteristiche) e riassumendo le caratteristiche principali del set di dati per comprendere i comportamenti chiave dei dati. Possono quindi mescolare e dividere i dati in training, testare e caricare questi set di dati nella zona attendibile. È possibile utilizzare un algoritmo come il XGBoost classificatore per addestrare il modello e fornire automaticamente la selezione delle caratteristiche, che è il miglior insieme di candidati per determinare i punteggi di propensione (o i valori previsti).

È quindi possibile ottimizzare il modello ottimizzando le metriche dell'algoritmo (come iperparametri) in base agli intervalli forniti nell'ambito del framework XGBoost. I dati di test vengono utilizzati per valutare le prestazioni del modello e stimare quanto bene si generalizza ai nuovi dati. Per ulteriori informazioni sulle metriche di valutazione, vedere Ottimizza un modello XGBoost.

Infine, i punteggi di propensione vengono calcolati per ciascun cliente e archiviati nella zona S3 attendibile per essere consultati, esaminati e convalidati dai team di marketing e campagna. Questo processo fornisce anche una valutazione prioritaria dell'importanza delle caratteristiche, che aiuta a spiegare come sono stati prodotti i punteggi.

Crea i file di output

Dopo che il team di data science ha completato l'addestramento e l'ottimizzazione del modello, collabora con il team di ingegneri per distribuire il modello migliore alla produzione. Possiamo usare Trasformazione batch SageMaker per eseguire previsioni man mano che vengono raccolti nuovi dati e generare punteggi per ciascun cliente. Il team di ingegneri può orchestrare e automatizzare il flusso di lavoro di ML utilizzando Pipeline di Amazon SageMaker, un servizio di integrazione continua e distribuzione continua (CI/CD) appositamente creato per ML, che offre un ambiente per gestire il flusso di lavoro ML end-to-end. Fa risparmiare tempo e riduce gli errori tipicamente causati dall'orchestrazione manuale.

L'output del flusso di lavoro ML viene importato da Amazon Pinpoint per l'invio di messaggi personalizzati ed esportato in Segment per utilizzarlo quando si effettua il targeting sui canali di visualizzazione. L'illustrazione seguente fornisce una panoramica visiva del flusso di lavoro ML.

Lo screenshot seguente mostra un file di output di esempio.

Utilizza i punteggi di propensione per il targeting display

I team di ingegneria e marketing digitale possono creare il flusso di dati inverso al segmento per aumentare la copertura. Questo utilizza una combinazione di AWS Lambda e Amazon S3. Ogni volta che un nuovo file di output viene generato dal flusso di lavoro ML e salvato nel bucket S3 affidabile, viene richiamata una funzione Lambda che attiva un'esportazione in Segment. Il marketing digitale può quindi utilizzare i punteggi di propensione regolarmente aggiornati come attributi dei clienti per creare ed esportare segmenti di pubblico nelle destinazioni dei segmenti (vedi lo screenshot seguente). Per ulteriori informazioni sulla struttura dei file dell'esportazione del segmento, vedere Amazon S3 di Lambda.

Quando i dati sono disponibili in Segment, il marketing digitale può vedere i punteggi di propensione sviluppati in SageMaker come attributi quando creano segmenti di clienti. Possono generare un pubblico simile per indirizzarli con la pubblicità digitale. Per creare un ciclo di feedback, il marketing digitale deve garantire che impressioni, clic e campagne vengano reinseriti nel segmento per ottimizzare le prestazioni.

Invia messaggi in uscita personalizzati

Il team di consegna della campagna può implementare e distribuire campagne win-back basate sull'intelligenza artificiale per coinvolgere nuovamente i clienti a rischio di abbandono. Queste campagne utilizzano l'elenco dei contatti dei clienti generato in SageMaker come segmenti durante l'integrazione con Amazon Personalize per presentare consigli personalizzati sui prodotti. Vedere il diagramma seguente.

Il team di marketing digitale può sperimentare l'utilizzo dei percorsi Amazon Pinpoint per dividere i segmenti win-back in sottogruppi e riservare una percentuale di utenti come gruppo di controllo che non è esposto alla campagna. Ciò consente loro di misurare l'impatto della campagna e crea un ciclo di feedback.

Integra consigli in tempo reale

Per personalizzare i canali inbound, i team di marketing digitale e ingegneria collaborano per integrare e configurare Amazon Personalize per fornire consigli sui prodotti in diversi punti del percorso del cliente. Ad esempio, possono distribuire a oggetto simile suggeritore nelle pagine dei dettagli del prodotto per suggerire articoli complementari (vedere il diagramma seguente). Inoltre, possono distribuire un suggerimento di filtraggio basato sui contenuti durante il processo di pagamento per ricordare ai clienti i prodotti che normalmente acquisterebbero prima di completare l'ordine.

Innanzitutto, il team di ingegneri deve creare microservizi RESTful che rispondano a richieste di applicazioni Web, mobili e di altro tipo con consigli sui prodotti. Questi microservizi chiamano Amazon Personalize per ottenere consigli, risolvere gli ID prodotto in informazioni più significative come nome e prezzo, controllare i livelli delle scorte di inventario e determinare quale endpoint della campagna Amazon Personalize interrogare in base alla pagina o alla schermata corrente dell'utente.

I team di sviluppo front-end e mobile devono aggiungere alle loro applicazioni eventi di monitoraggio per azioni specifiche dei clienti. Possono quindi utilizzare Segment per inviare quegli eventi direttamente su Amazon Personalize in tempo reale. Questi eventi di tracciamento sono gli stessi dei dati dell'elemento utente che abbiamo estratto in precedenza. Consentono alle soluzioni Amazon Personalize di perfezionare i consigli in base alle interazioni in tempo reale dei clienti. È essenziale acquisire impressioni, visualizzazioni di prodotti, aggiunte al carrello e acquisti perché questi eventi creano un ciclo di feedback per i consiglieri. Lambda è un intermediario, raccoglie gli eventi utente da Segment e li invia ad Amazon Personalize. Lambda facilita anche lo scambio di dati inverso, ritrasmettendo i consigli aggiornati per l'utente a Segment. Per ulteriori informazioni sulla configurazione dei consigli in tempo reale con Segment e Amazon Personalize, consulta il Segmenta i dati in tempo reale e Amazon Personalize Workshop.

Conclusione

Questo post descrive come offrire un'esperienza cliente omnicanale utilizzando una combinazione di piattaforma dati cliente Segment e servizi AWS come Amazon SageMaker, Amazon Personalize e Amazon Pinpoint. Abbiamo esplorato il ruolo che i team interfunzionali svolgono in ogni fase del percorso del cliente e nella catena del valore dei dati. L'architettura e l'approccio discussi si concentrano su un ambiente di vendita al dettaglio, ma puoi applicarlo ad altri verticali come i servizi finanziari o i media e l'intrattenimento. Se sei interessato a provare qualcosa di cui abbiamo discusso, dai un'occhiata a Negozio dimostrativo al dettaglio, dove puoi trovare workshop pratici che includono Segment e altri partner AWS.

Riferimenti aggiuntivi

Per ulteriori informazioni, vedere le seguenti risorse:

Informazioni sul segmento

Segment è un partner tecnologico avanzato di AWS e titolare delle seguenti competenze di fornitori di software indipendenti (ISV) di AWS: dati e analisi, esperienza del cliente digitale, vendita al dettaglio e apprendimento automatico. Marchi come Atlassian e Digital Ocean utilizzano soluzioni di analisi in tempo reale basate su Segment.

Informazioni sugli autori

Dwayne Browne è un Principal Analytics Platform Specialist presso AWS con sede a Londra. Fa parte del programma clienti Data-Driven Everything (D2E), in cui aiuta i clienti a diventare più basati sui dati e focalizzati sull'esperienza del cliente. Ha un background in analisi digitale, personalizzazione e automazione del marketing. Nel tempo libero, Dwayne si diverte ad arrampicare indoor e ad esplorare la natura.

Hara Gavriliadi è un Senior Data Analytics Strategist presso AWS Professional Services con sede a Londra. Aiuta i clienti a trasformare la loro attività utilizzando dati, analisi e machine learning. È specializzata in analisi dei clienti e strategia dei dati. Hara ama le passeggiate in campagna e si diverte a scoprire librerie locali e studi di yoga nel suo tempo libero.

Kenny Rajan è un Senior Partner Solution Architect. Kenny aiuta i clienti a ottenere il massimo da AWS e dai suoi partner dimostrando come i partner e i servizi AWS funzionano meglio insieme. È interessato all'apprendimento automatico, ai dati, all'implementazione ERP e alle soluzioni basate sulla voce sul cloud. Al di fuori del lavoro, a Kenny piace leggere libri e aiutare con attività di beneficenza.