התאם אישית את ההמלצות שלך על ידי קידום פריטים ספציפיים באמצעות כללים עסקיים עם Amazon Personalize

היום, אנו נרגשים להכריז מבצע תכונה ב-Amazon Personalize המאפשרת לך להמליץ ​​במפורש על פריטים ספציפיים למשתמשים שלך בהתבסס על כללים המתואמים עם היעדים העסקיים שלך. לדוגמה, אתה יכול לקיים שותפויות שיווקיות הדורשות ממך לקדם מותגים מסוימים, תוכן פנימי או קטגוריות שאתה רוצה לשפר את הנראות שלהן. מבצעים נותנים לך יותר שליטה על פריטים מומלצים. אתה יכול להגדיר כללים עסקיים כדי לזהות פריטי קידום מכירות ולהציג אותם בכל בסיס המשתמשים שלך, ללא כל עלות נוספת. אתה גם שולט באחוז התוכן המקודם בהמלצות שלך. אמזון פרסונלייז מוצאת אוטומטית את הפריטים הרלוונטיים בתוך סט הפריטים לקידום מכירות העומדים בכלל העסק שלך ומפיצה אותם במסגרת ההמלצות של כל משתמש.

Amazon Personalize מאפשרת לך לשפר את מעורבות הלקוחות על ידי הפעלת המלצות מוצר ותוכן מותאמות אישית באתרי אינטרנט, אפליקציות וקמפיינים שיווקיים ממוקדים. אתה יכול להתחיל בלי שום ניסיון קודם בלמידה חישובית (ML), באמצעות ממשקי API כדי לבנות בקלות יכולות התאמה אישית מתוחכמות בכמה קליקים. כל הנתונים שלך מוצפנים כדי להיות פרטיים ומאובטחים, ומשמשים רק ליצירת המלצות עבור המשתמשים שלך.

בפוסט זה, אנו מדגימים כיצד להתאים אישית את ההמלצות שלך עם תכונת הקידום החדשה למקרה שימוש במסחר אלקטרוני.

סקירת פתרונות

עסקים שונים יכולים להשתמש במבצעים המבוססים על המטרות האישיות שלהם עבור סוג התוכן שהם רוצים להגביר את המעורבות בו. אתה יכול להשתמש במבצעים כדי שאחוז מההמלצות שלך יהיו מסוג מסוים עבור כל אפליקציה ללא קשר לדומיין. לדוגמה, ביישומי מסחר אלקטרוני, אתה יכול להשתמש בתכונה זו כדי ש-20% מהפריטים המומלצים יהיו אלה המסומנים כמוצעים במבצע, או ממותג מסוים או קטגוריה מסוימת. עבור מקרי שימוש בווידאו על פי דרישה, אתה יכול להשתמש בתכונה זו כדי למלא 40% מהקרוסלה בתוכניות וסרטים שהושקו לאחרונה שאתה רוצה להדגיש, או כדי לקדם תוכן חי. אתה יכול להשתמש במבצעים ב קבוצות נתונים של תחום ו קבוצות נתונים מותאמות אישית (התאמה אישית למשתמש ו פריטים דומים מתכונים).

Amazon Personalize הופכת את הגדרת המבצעים לפשוטה: ראשית, צור מסנן שבוחר את הפריטים שאתה רוצה לקדם. אתה יכול להשתמש בקונסולת Amazon Personalize או ב-API כדי ליצור מסנן עם ההיגיון שלך באמצעות Amazon Personalize DSL (שפה ספציפית לדומיין). זה לוקח רק כמה דקות. לאחר מכן, כאשר מבקשים המלצות, ציין את הקידום על ידי ציון המסנן, אחוז ההמלצות שצריכות להתאים לאותו מסנן, ואם נדרש, פרמטרי הסינון הדינמי. הפריטים המקודמים מופצים באופן אקראי בהמלצות, אך המלצות קיימות אינן מוסרות.

התרשים הבא מראה כיצד ניתן להשתמש במבצעים בהמלצות ב-Amazon Personalize.

אתה מגדיר את הפריטים לקידום במערכת הקטלוגים, טוען אותם למערך הנתונים של Amazon Personalize פריטים ואז מקבל המלצות. קבלת המלצות ללא ציון מבצע מחזירה את הפריטים הרלוונטיים ביותר, ובדוגמה זו רק פריט אחד מהפריטים המקודמים. אין ערובה להחזרת פריטים מקודמים. קבלת המלצות עם 50% פריטים מקודמים מחזירה מחצית מהפריטים השייכים לפריטים המקודמים.

פוסט זה ילווה אותך בתהליך ההגדרה והיישום של קידומי מכירות בהמלצות שלך באמזון התאמה אישית כדי להבטיח שהתוצאות ממסע פרסום או ממליץ מכילות פריטים ספציפיים שאתה רוצה שהמשתמשים יראו. עבור דוגמה זו, אנו יוצרים ממליץ קמעונאי ומקדמים פריטים באמצעותו CATEGORY_L2 as halloween, המתאים לקישוטי ליל כל הקדושים. דגימת קוד עבור מקרה שימוש זה זמינה ב- GitHub.

תנאים מוקדמים

כדי להשתמש במבצעים, תחילה עליך להגדיר כמה משאבים של Amazon Personalize בקונסולת Amazon Personalize. צור את קבוצת הנתונים שלך, טען את הנתונים שלך והכשיר ממליץ. להנחיות מלאות, ראה תחילת עבודה.

1. צור קבוצת נתונים.
2. צור Interactions מערך נתונים באמצעות הנתונים הבאים סכימה:

   {
       "type": "record",
       "name": "Interactions",
       "namespace": "com.amazonaws.personalize.schema",
       "fields": [
           {
               "name": "USER_ID",
               "type": "string"
           },
           {
               "name": "ITEM_ID",
               "type": "string"
           },
           {
               "name": "TIMESTAMP",
               "type": "long"
           },
           {
               "name": "EVENT_TYPE",
               "type": "string"
           }
       ],
       "version": "1.0"
   }

3. ייבא את נתוני האינטראקציה ל-Amazon Personalize מ שירות אחסון פשוט של אמזון (אמזון S3). עבור דוגמה זו, אנו משתמשים בדברים הבאים קובץ הנתונים. הפקנו את הנתונים הסינתטיים על סמך הקוד ב- פרויקט חנות הדגמה קמעונאית. עיין ב-Repo GitHub כדי ללמוד עוד על הנתונים והשימושים הפוטנציאליים.
4. צור Items מערך נתונים באמצעות הסכימה הבאה:

   {
       "type": "record",
       "name": "Items",
       "namespace": "com.amazonaws.personalize.schema",
       "fields": [
           {
               "name": "ITEM_ID",
               "type": "string"
           },
           {
               "name": "PRICE",
               "type": "float"
           },
           {
               "name": "CATEGORY_L1",
               "type": ["string"],
               "categorical": true
           },
           {
               "name": "CATEGORY_L2",
               "type": ["string"],
               "categorical": true
           },
           {
               "name": "GENDER",
               "type": ["string"],
               "categorical": true
           }
       ],
       "version": "1.0"
   }

5. ייבא את נתוני הפריט לאמזון התאמה אישית מאמזון S3. עבור דוגמה זו, אנו משתמשים בדברים הבאים קובץ הנתונים, מבוסס על הקוד ב- פרויקט חנות הדגמה קמעונאית.למידע נוסף על עיצוב וייבוא ​​של נתוני האינטראקציות והפריטים שלך מאמזון S3, ראה ייבוא ​​רשומות בכמות גדולה.
6. צור ממליץ. בדוגמה זו, אנו יוצרים א ממליץ "מומלץ עבורך"..

צור מסנן עבור המבצעים שלך

כעת לאחר שהגדרת את משאבי Amazon Personalize שלך, אתה יכול ליצור א לסנן שבוחר את הפריטים לקידום שלך.

ניתן ליצור מסנן סטטי שבו כל המשתנים מקודדים בקשיחה בעת יצירת המסנן. לדוגמה, כדי להוסיף את כל הפריטים שיש CATEGORY_L2 as halloween, השתמש בביטוי המסנן הבא:

INCLUDE ItemID WHERE Items.CATEGORY_L2 IN ("halloween")

אתה יכול גם ליצור מסננים דינמיים. מסננים דינמיים ניתנים להתאמה אישית בזמן אמת כאשר אתה מבקש את ההמלצות. כדי ליצור מסנן דינמי, אתה מגדיר את קריטריוני ביטוי המסנן שלך באמצעות פרמטר מציין מיקום במקום ערך קבוע. זה מאפשר לך לבחור את הערכים לסינון על ידי החלת מסנן על בקשת המלצה, במקום בעת יצירת הביטוי שלך. אתה מספק מסנן כשאתה מתקשר ל המלצות Get or GetPersonalizedRanking פעולות API, או כחלק מנתוני הקלט שלך בעת יצירת המלצות במצב אצווה דרך א עבודת הסקת אצווה.

לדוגמה, כדי לבחור את כל הפריטים בקטגוריה שנבחרה כאשר אתה מבצע את שיחת ההסקה שלך עם מסנן מוחל, השתמש בביטוי הסינון הבא:

INCLUDE ItemID WHERE Items.CATEGORY_L2 IN ($CATEGORY)

אתה יכול להשתמש ב- DSL הקודם ליצירת מסנן הניתן להתאמה אישית במסוף התאמה אישית של אמזון. בצע את השלבים הבאים:

1. במסוף ההתאמה האישית של אמזון, ב- מסנן עמוד, בחר צור מסנן.
2. בעד שם סינון, הזן את השם עבור המסנן שלך (עבור פוסט זה, אנו נכנסים category_filter).
3. בחר בנה ביטוי או הוסף את הביטוי שלך באופן ידני כדי ליצור את המסנן המותאם אישית שלך.
4. בנה את הביטוי "כלול ItemID איפה Items.CATEGORY_L2 IN $CATEGORY"ל ערך, אתה מזין ערך של $ בתוספת שם פרמטר שדומה לשם הנכס שלך וקל לזכור (לדוגמה זו, $CATEGORY).
5. לחלופין, כדי לשרשר ביטויים נוספים עם המסנן שלך, בחר את סימן הפלוס.
6. כדי להוסיף ביטויי סינון נוספים, בחר הוסף ביטוי.
7. בחרו צור מסנן.
   

אתה יכול גם ליצור פילטרים דרך createFilter API באמזון התאמה אישית. למידע נוסף ראה צור מסנן.

החל מבצעים על ההמלצות שלך

הגשת א לסנן כאשר קבלת המלצות היא דרך טובה להתאים את ההמלצות שלך לקריטריונים ספציפיים. עם זאת, שימוש במסננים מחיל את המסנן ישירות על כל ההמלצות שהוחזרו. בעת שימוש במבצעים, אתה יכול לבחור איזה אחוז מההמלצות תואם את הפריטים המקודמים, מה שמאפשר לך לערבב בין המלצות מותאמות אישית לבין הפריטים הטובים ביותר התואמים את קריטריוני הקידום עבור כל משתמש בפרופורציות הגיוניות למקרה השימוש העסקי שלך.

קוד הדוגמה הבא הוא גוף בקשה עבור GetRecommendations API שמקבל המלצות עבור משתמש המשתמש ב- "מומלץ עבורך" ממליץ:

{
    "recommenderArn" = "arn:aws:personalize:us-west-2:000000000000:recommender/test-recommender",
    userId = "1",
    numResults = 20
}

בקשה זו מחזירה המלצות מותאמות אישית עבור המשתמש שצוין. מבין הפריטים בקטלוג, אלו הם 20 הפריטים הרלוונטיים ביותר עבור המשתמש.

אנחנו יכולים לעשות את אותה קריאה ולהחיל מסנן כדי להחזיר רק פריטים התואמים למסנן. קוד הדוגמה הבא הוא גוף בקשה עבור GetRecommendations ממשק API שמקבל המלצות למשתמש המשתמש במומלץ "מומלץ עבורך" ומחיל א מסנן דינמי להחזיר רק פריטים רלוונטיים שיש CATEGORY_L2 as halloween:

{
    "recommenderArn" = "arn:aws:personalize:us-west-2:000000000000:recommender/test-recommender",
    userId = "1",
    numResults = 20,
    filterArn = "arn:aws:personalize:us-west-2:000000000000:filter/category_filter",
    filterValues={ "CATEGORY": ""halloween""}
}

בקשה זו מחזירה המלצות מותאמות אישית עבור המשתמש שצוין שיש CATEGORY_L2 as halloween. מתוך הפריטים בקטלוג, אלו הם 20 הפריטים הרלוונטיים ביותר איתם CATEGORY_L2 as halloween למשתמש.

אתה יכול להשתמש במבצעים אם אתה רוצה שאחוז מסוים מהפריטים יהיו בתכונה שאתה רוצה לקדם, והשאר יהיו הפריטים הרלוונטיים ביותר עבור משתמש זה מבין כל הפריטים בקטלוג. אנחנו יכולים לעשות את אותה שיחה ולהחיל קידום. קוד הדוגמה הבא הוא גוף בקשה עבור GetRecommendations API שמקבל המלצות למשתמש המשתמש במומלץ "מומלץ עבורך" ומחיל קידום כדי לכלול אחוז מסוים של פריטים רלוונטיים שיש להם CATEGORY_L2 as halloween:

{
    recommenderArn = "arn:aws:personalize:us-west-2:000000000000:recommender/test-recommender",
    userId = "1",
    numResults = 20,
    promotions = [{
        "name" : "halloween_promotion",
        "percentPromotedItems" : 20,
        "filterArn": "arn:aws:personalize:us-west-2:000000000000:filter/category_filter",
        "filterValues": {
            "CATEGORY" : ""halloween""
        }
    }]
}

בקשה זו מחזירה 20% מההמלצות התואמות את המסנן שצוין במבצע: פריטים עם CATEGORY_L2 as halloween; ו-80% המלצות מותאמות אישית למשתמש שצוין שהן הפריטים הרלוונטיים ביותר עבור המשתמש מתוך הפריטים בקטלוג.

ניתן להשתמש בפילטר בשילוב מבצעים. המסנן בבלוק הפרמטרים ברמה העליונה חל רק על הפריטים שאינם מקודמים.

המסנן לבחירת הפריטים המקודמים מצוין ב- promotions בלוק פרמטרים. קוד הדוגמה הבא הוא גוף בקשה עבור GetRecommendations ממשק API שמקבל המלצות למשתמש המשתמש בממליץ "מומלץ עבורך" ומשתמש בפילטר הדינמי בו השתמשנו פעמיים. המסנן הראשון חל על פריטים שאינם מקודמים, בחירת פריטים עם CATEGORY_L2 as decorative, והמסנן השני חל על המבצע, מקדם פריטים עם CATEGORY_L2 as halloween:

{
    recommenderArn = "arn:aws:personalize:us-west-2:000000000000:recommender/test-recommender",
    userId = "1",
    numResults = 20,
    "filterArn": "arn:aws:personalize:us-west-2:000000000000:filter/category_filter",
    "filterValues": {
        "CATEGORY" : ""decorative""
    }
    promotions = [{
        "name" : "halloween_promotion",
        "percentPromotedItems" : 20,
        "filterArn": "arn:aws:personalize:us-west-2:000000000000:filter/category_filter",
        "filterValues": {
            "CATEGORY" : ""halloween""
        }
    }]
}

בקשה זו מחזירה 20% מההמלצות התואמות את המסנן שצוין במבצע: פריטים עם CATEGORY_L2 as halloween. 80% הנותרים מהפריטים המומלצים הם המלצות מותאמות אישית עבור המשתמש שצוין עם CATEGORY_L2 as decorative. אלו הם הפריטים הרלוונטיים ביותר עבור המשתמש מתוך הפריטים בקטלוג איתם CATEGORY_L2 as decorative.

לנקות את

הקפד לנקות משאבים שאינם בשימוש שיצרת בחשבון שלך תוך כדי ביצוע השלבים המתוארים בפוסט זה. אתה יכול למחוק מסננים, ממליצים, מערכי נתונים וקבוצות נתונים באמצעות ה קונסולת הניהול של AWS או באמצעות Python SDK.

<br> סיכום

מוסיף מבצעים  ב-Amazon Personalize מאפשר לך להתאים אישית את ההמלצות שלך עבור כל משתמש על ידי הכללת פריטים שאתה רוצה להגביר במפורש את הנראות והמעורבות בהם. מבצעים גם מאפשרים לך לציין איזה אחוז מהפריטים המומלצים יש לקדם פריטים, מה שמתאים את ההמלצות כדי לעמוד ביעדים העסקיים שלך ללא עלות נוספת. אתה יכול להשתמש בקידומי מכירות להמלצות באמצעות מתכונים להתאמה אישית למשתמש ולפריטים דומים, כמו גם להשתמש בהמלצות מותאמות למקרים.

למידע נוסף על Amazon Personalize, ראה מהי התאמה אישית של אמזון?

על המחברים

אנה גרובלר הוא אדריכל פתרונות ב-AWS.

אלכס בורקלו הוא אדריכל פתרונות ב-AWS. היא מתמקדת בסיוע ללקוחות ליישם למידת מכונה וניתוח נתונים כדי לפתור בעיות בתעשיית המדיה והבידור. בזמנה הפנוי היא נהנית לבלות עם המשפחה ולהתנדב כסיירת סקי בגבעת הסקי המקומית שלה.

ליאם מוריסון הוא מנהל אדריכל פתרונות ב-AWS. הוא מוביל צוות המתמקד בשירותי מודיעין שיווקי. הוא בילה את 5 השנים האחרונות בהתמקדות ביישומים מעשיים של למידת מכונה במדיה ובידור, בסיוע ללקוחות ליישם התאמה אישית, עיבוד שפה טבעית, ראייה ממוחשבת ועוד.