הפוסט הזה נכתב בשיתוף האשם פאחים מ-Thomson Reuters.
תומסון רויטרס (TR) הוא אחד מארגוני המידע המהימנים ביותר בעולם לעסקים ואנשי מקצוע. הוא מספק לחברות את המודיעין, הטכנולוגיה והמומחיות האנושית הדרושות להן כדי למצוא תשובות מהימנות, ומאפשר להן לקבל החלטות טובות יותר מהר יותר. הלקוחות של TR משתרעים על פני השווקים הפיננסיים, הסיכונים, המשפטיים, המסים, החשבונאיים והמדיה.
Thomson Reuters מספקת מוצרים מובילים בשוק במסע הפרסום של מס, משפטי וחדשות, שמשתמשים יכולים להירשם אליהם באמצעות מודל רישוי מנוי. כדי לשפר את החוויה הזו עבור הלקוחות שלהם, TR רצו ליצור פלטפורמת המלצות מרכזית שאפשרה לצוות המכירות שלהם להציע את חבילות המנוי הרלוונטיות ביותר ללקוחות שלהם, וליצור הצעות שיעזרו להעלות את המודעות למוצרים שיכולים לעזור ללקוחותיהם לשרת את השוק טוב יותר באמצעות מבחר מוצרים בהתאמה אישית.
לפני בניית הפלטפורמה הריכוזית הזו, ל-TR היה מנוע מבוסס חוקים מדור קודם כדי לייצר המלצות לחידוש. הכללים במנוע הזה הוגדרו מראש ונכתבו ב-SQL, שמלבד אתגר לניהול, התקשו גם להתמודד עם ריבוי הנתונים ממקורות הנתונים המשולבים השונים של TR. נתוני לקוחות TR משתנים בקצב מהיר יותר ממה שהכללים העסקיים יכולים להתפתח כדי לשקף את צרכי הלקוחות המשתנים. דרישת המפתח למנוע התאמה אישית מבוסס למידת מכונה (ML) החדש של TR התרכזה סביב מערכת המלצות מדויקת שלוקחת בחשבון את המגמות האחרונות של לקוחות. הפתרון הרצוי יהיה כזה עם תקורה תפעולית נמוכה, יכולת להאיץ את הגשמת היעדים העסקיים, ומנוע התאמה אישית שניתן לאמן כל הזמן עם נתונים עדכניים להתמודדות עם הרגלי צרכנים משתנים ומוצרים חדשים.
התאמה אישית של המלצות החידוש על סמך מה שיהיו מוצרים יקרי ערך עבור לקוחות TR הייתה אתגר עסקי חשוב עבור צוות המכירות והשיווק. ל-TR יש שפע של נתונים שיכולים לשמש להתאמה אישית שנאספו מאינטראקציות עם לקוחות ואוחסנו במחסן נתונים מרכזי. TR כבר אימץ מוקדם של ML עם אמזון SageMaker, והבשלות שלהם בתחום ה-AI/ML פירושה שהם אספו מערך נתונים משמעותי של נתונים רלוונטיים בתוך מחסן נתונים, שהצוות יכול לאמן איתו מודל התאמה אישית. TR המשיכו את חדשנות ה-AI/ML שלהם ולאחרונה פיתחו פלטפורמת המלצות מחודשת באמצעות אמזון להתאים אישית, שהוא שירות ML מנוהל במלואו המשתמש באינטראקציות ופריטים של משתמשים כדי ליצור המלצות למשתמשים. בפוסט זה, אנו מסבירים כיצד TR השתמשה ב- Amazon Personalize כדי לבנות מערכת ממליצים ניתנת להרחבה, מרובת דיירים, המספקת את תוכניות המנויים הטובות ביותר למוצרים והתמחור הנלווה ללקוחות שלהם.
ארכיטקטורת הפתרונות
הפתרון היה צריך להיות מתוכנן בהתחשב בפעולות הליבה של TR סביב הבנת משתמשים באמצעות נתונים; לספק למשתמשים אלה תוכן מותאם אישית ורלוונטי מתוך קורפוס גדול של נתונים הייתה דרישה קריטית למשימה. מערכת המלצות מעוצבת היא המפתח לקבלת המלצות איכותיות המותאמות אישית לדרישות של כל משתמש.
הפתרון דרש איסוף והכנת נתוני התנהגות משתמשים, הכשרת מודל ML באמצעות Amazon Personalize, הפקת המלצות מותאמות אישית באמצעות המודל המאומן, והנעת קמפיינים שיווקיים עם ההמלצות המותאמות אישית.
TR רצה לנצל את השירותים המנוהלים של AWS במידת האפשר כדי לפשט את התפעול ולהפחית הרמה כבדה ללא הבחנה. בשימוש TR AWS דבק DataBrew ו אצווה AWS עבודות לביצוע עבודות החילוץ, ההמרה והטעינה (ETL) בצינורות ML, ו- SageMaker יחד עם Amazon Personalize כדי להתאים את ההמלצות. מנקודת מבט של נפח נתוני אימון וזמן ריצה, הפתרון צריך להיות ניתן להרחבה כדי לעבד מיליוני רשומות במסגרת הזמן שכבר מחויבת לצרכנים במורד הזרם בצוותים העסקיים של TR.
הסעיפים הבאים מסבירים את המרכיבים המעורבים בפתרון.
צינור אימון ML
אינטראקציות בין המשתמשים לתוכן נאספות בצורה של נתוני קליקים, המופקים כאשר הלקוח לוחץ על התוכן. TR מנתח אם זה חלק מתוכנית המנויים שלהם או מעבר לתוכנית המנוי שלהם, כך שהם יכולים לספק פרטים נוספים על המחיר ואפשרויות ההרשמה לתוכנית. נתוני האינטראקציות של המשתמשים ממקורות שונים נשמרים במחסן הנתונים שלהם.
התרשים הבא ממחיש את צינור האימון ב-ML.
הצינור מתחיל בעבודת אצווה של AWS שמחלצת את הנתונים ממחסן הנתונים והופכת את הנתונים ליצירת אינטראקציות, משתמשים ופריטים מערכי נתונים.
מערכי הנתונים הבאים משמשים לאימון המודל:
- נתוני מוצרים מובנים – מנויים, הזמנות, קטלוג מוצרים, עסקאות ופרטי לקוחות
- נתוני התנהגות מובנים למחצה - משתמשים, שימוש ואינטראקציות
הנתונים שעברו טרנספורמציה מאוחסנים ב-an שירות אחסון פשוט של אמזון (Amazon S3) דלי, אשר מיובא לתוך Amazon Personalize עבור אימון ML. מכיוון ש-TR רוצה ליצור המלצות מותאמות אישית עבור המשתמשים שלהם, הם משתמשים ב- USER_PERSONALIZATION מתכון להכשרת מודלים של ML עבור הנתונים המותאמים אישית שלהם, אשר מכונה יצירת גרסת פתרון. לאחר יצירת גרסת הפתרון, היא משמשת להפקת המלצות מותאמות אישית עבור המשתמשים.
זרימת העבודה כולה מתוזמרת באמצעות פונקציות שלב AWS. ההתראות וההתראות נקלטות ומתפרסמות ל-Microsoft Teams באמצעות שירות התראה פשוט של אמזון (אמזון SNS) ו אמזון EventBridge.
יצירת צינור המלצות מותאמות אישית: מסקנות אצווה
הדרישות וההעדפות של הלקוחות משתנות לעתים קרובות מאוד, והאינטראקציות האחרונות שנקלטו בנתוני קליקים משמשות כנקודת נתונים מרכזיים להבנת ההעדפות המשתנות של הלקוח. כדי להסתגל להעדפות הלקוח המשתנות ללא הרף, TR מייצרת המלצות מותאמות אישית על בסיס יומי.
התרשים הבא ממחיש את הצינור ליצירת המלצות מותאמות אישית.
עבודת DataBrew מחלצת את הנתונים ממחסן הנתונים של TR עבור המשתמשים שזכאים לספק המלצות במהלך החידוש בהתבסס על תוכנית המנוי הנוכחית והפעילות האחרונה. כלי הכנת הנתונים החזותיים DataBrew מקל על מנתחי נתונים ומדעני נתונים של TR לנקות ולנרמל נתונים כדי להכין אותם לניתוח ו-ML. היכולת לבחור מבין למעלה מ-250 טרנספורמציות מובנות מראש בכלי הכנת הנתונים החזותיים כדי להפוך משימות הכנת נתונים לאוטומטיות, והכל ללא צורך בכתיבת קוד כלשהו, הייתה תכונה חשובה. משימת DataBrew מייצרת מערך נתונים מצטבר עבור אינטראקציות וקלט עבור עבודת ההמלצות האצווה ומאחסנת את הפלט בדלי S3. מערך הנתונים המצטבר החדש שנוצר מיובא למערך הנתונים של האינטראקציות. כאשר עבודת הייבוא המצטבר של מערך הנתונים מצליחה, משימת המלצות אצווה של Amazon Personalize מופעלת עם נתוני הקלט. Amazon Personalize מייצרת את ההמלצות העדכניות ביותר עבור המשתמשים שסופקו בנתוני הקלט ומאחסנת אותם בדלי המלצות S3.
ייעול המחירים הוא השלב האחרון לפני שההמלצות החדשות מוכנות לשימוש. TR מפעיל עבודת אופטימיזציה של עלויות על ההמלצות שנוצרו ומשתמש ב- SageMaker כדי להפעיל מודלים מותאמים אישית על ההמלצות כחלק מהשלב האחרון הזה. עבודת דבק של AWS אוצרת את הפלט שנוצר מ-Amazon Personalize והופכת אותו לפורמט הקלט הנדרש על ידי המודל המותאם אישית של SageMaker. TR מסוגלת לנצל את רוחב השירותים ש-AWS מספקת, תוך שימוש גם ב-Amazon Personalize וגם ב-SageMaker בפלטפורמת ההמלצות כדי להתאים המלצות בהתאם לסוג חברת הלקוח ומשתמשי הקצה.
זרימת העבודה כולה מנותקת ומתוזמרת באמצעות Step Functions, מה שנותן את הגמישות של קנה המידה של הצינור בהתאם לדרישות עיבוד הנתונים. ההתראות וההתראות נלכדות באמצעות Amazon SNS ו-EventBridge.
הנעת קמפיינים באימייל
ההמלצות שנוצרו יחד עם תוצאות התמחור משמשות להנעת קמפיינים בדוא"ל ללקוחות של TR. עבודת AWS Batch משמשת לאצור את ההמלצות עבור כל לקוח ולהעשיר אותו במידע התמחור האופטימלי. המלצות אלו נכללות במערכות הקמפיינים של TR, המניעות את מסעות הפרסום הבאים בדוא"ל:
- חידוש מנוי אוטומטי או שדרוג מסעות פרסום עם מוצרים חדשים שעשויים לעניין את הלקוח
- מסעות פרסום לחידוש חוזה באמצע עם הצעות טובות יותר ומוצרים רלוונטיים יותר וחומרי תוכן חוקיים
המידע מתהליך זה משוכפל גם לפורטל הלקוחות כך שלקוחות הבודקים את המנוי הנוכחי שלהם יכולים לראות את המלצות החידוש החדשות. TR ראתה שיעור המרה גבוה יותר מקמפיינים באימייל, מה שהוביל להגדלת הזמנות המכירות, מאז הטמעת פלטפורמת ההמלצות החדשה.
מה הלאה: צינור המלצות בזמן אמת
דרישות הלקוחות והתנהגויות הקניות משתנות בזמן אמת, והתאמת ההמלצות לשינויים בזמן אמת היא המפתח להגשת התוכן הנכון. לאחר שראה הצלחה רבה בפריסת מערכת המלצות אצווה, TR מתכננת כעת לקחת את הפתרון הזה לשלב הבא על ידי יישום צינור המלצות בזמן אמת ליצירת המלצות באמצעות Amazon Personalize.
התרשים הבא ממחיש את הארכיטקטורה כדי לספק המלצות בזמן אמת.
האינטגרציה בזמן אמת מתחילה באיסוף נתוני מעורבות המשתמשים בשידור חי והזרמתם ל-Amazon Personalize. בזמן שהמשתמשים מקיימים אינטראקציה עם האפליקציות של TR, הם יוצרים אירועי קליקים, שמתפרסמים לתוך זרמי נתונים של אמזון קינסי. ואז האירועים נבלעים לתוך פלטפורמת הסטרימינג הריכוזית של TR, הבנויה על גבי אמזון ניהלה סטרימינג עבור קפקא (אמזון MSK). Amazon MSK מקל על הטמעה ועיבוד של נתונים זורמים בזמן אמת עם Apache Kafka המנוהל במלואו. בארכיטקטורה זו, אמזון MSK משמשת כפלטפורמת סטרימינג ומבצעת כל שינויי נתונים הנדרשים באירועי הקליקים הנכנסים הגולמיים. ואז א AWS למבדה הפונקציה מופעלת כדי לסנן את האירועים לסכימה התואמת למערך הנתונים של Amazon Personalize ולדחוף את האירועים האלה למעקב אחר אירועים של Amazon Personalize באמצעות putEvent
ממשק API. זה מאפשר ל-Amazon Personalize ללמוד מההתנהגות האחרונה של המשתמש שלך ולכלול פריטים רלוונטיים בהמלצות.
יישומי האינטרנט של TR מפעילים API פרוס ב שער API של אמזון כדי לקבל המלצות, מה שמפעיל פונקציית Lambda להפעלת א GetRecommendations
קריאת API עם Amazon Personalize. אמזון פרסונלייז מספקת את הסט העדכני ביותר של המלצות מותאמות אישית שנאספו להתנהגות המשתמש, אשר מסופקות בחזרה ליישומי האינטרנט דרך Lambda ו-API Gateway.
עם ארכיטקטורת זמן אמת זו, TR יכול לשרת את הלקוחות שלהם עם המלצות מותאמות אישית שנאספו להתנהגותם העדכנית ביותר ולשרת טוב יותר את הצרכים שלהם.
סיכום
בפוסט זה, הראינו לכם כיצד TR השתמשה ב- Amazon Personalize ובשירותי AWS אחרים כדי ליישם מנוע המלצות. Amazon Personalize אפשרה ל-TR להאיץ את הפיתוח והפריסה של מודלים בעלי ביצועים גבוהים כדי לספק המלצות ללקוחותיהם. TR מסוגלת להכניס חבילה חדשה של מוצרים בתוך שבועות כעת, בהשוואה לחודשים קודם לכן. עם Amazon Personalize ו- SageMaker, TR מסוגלת לשפר את חווית הלקוח עם תוכניות מנויי תוכן ומחירים טובים יותר ללקוחות שלהם.
אם נהנית לקרוא את הבלוג הזה וברצונך ללמוד עוד על Amazon Personalize וכיצד היא יכולה לעזור לארגון שלך לבנות מערכות המלצות, אנא עיין ב- מדריך למפתחים.
על הכותבים
חסאם פאהים הוא מהנדס למידת מכונה מוביל ואדריכל מנוע התאמה אישית ב-Thomson Reuters. הוא עבד עם ארגונים באקדמיה ובתעשייה, החל מארגונים גדולים ועד סטארטאפים בינוניים. עם התמקדות בארכיטקטורות למידה עמוקה ניתנות להרחבה, יש לו ניסיון ברובוטיקה ניידת, ניתוח תמונות ביו-רפואי וכן מערכות ממליצים. הרחק ממחשבים הוא נהנה מאסטרוצילום, קריאה ורכיבה על אופניים למרחקים ארוכים.
סריניבסה שייק הוא אדריכל פתרונות ב-AWS המבוסס בבוסטון. הוא עוזר ללקוחות Enterprise להאיץ את המסע שלהם לענן. הוא נלהב ממכולות וטכנולוגיות למידת מכונה. בזמנו הפנוי הוא נהנה לבלות עם משפחתו, לבשל ולטייל.
ואמשי קרישנה אנבוטאלה הוא Sr. Applied AI Specialist Architect ב-AWS. הוא עובד עם לקוחות ממגזרים שונים כדי להאיץ יוזמות נתונים, ניתוחים ולמידת מכונה בעלי השפעה גבוהה. הוא נלהב ממערכות המלצות, NLP ותחומי ראייה ממוחשבת ב-AI ו-ML. מחוץ לעבודה, ואמשי הוא חובב RC, בונה ציוד RC (מטוסים, מכוניות ומזל"טים), וגם נהנה מגינון.
סימון זוקט הוא אדריכל פתרונות בכיר ב-AWS. עם למעלה מ-6 שנות ניסיון כאדריכל ענן, סימון נהנית לעבוד על פרויקטים חדשניים שעוזרים לשנות את הדרך שבה ארגונים מתייחסים לבעיות עסקיות. הוא עוזר לתמוך בלקוחות ארגוניים גדולים ב-AWS והוא חלק מה- Machine Learning TFC. מחוץ לחייו המקצועיים, הוא נהנה לעבוד על מכוניות וצילום.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- Platoblockchain. Web3 Metaverse Intelligence. ידע מוגבר. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/how-thomson-reuters-delivers-personalized-content-subscription-plans-at-scale-using-amazon-personalize/
- 100
- 7
- a
- יכולת
- יכול
- אודות
- אקדמיה
- להאיץ
- חֶשְׁבּוֹן
- חשבונאות
- מדויק
- לרוחב
- פעילות
- להסתגל
- נוסף
- יתרון
- לאחר
- AI
- AI / ML
- תעשיות
- מאפשר
- כְּבָר
- אמזון בעברית
- אמזון להתאים אישית
- אנליזה
- אנליסטים
- ניתוח
- ניתוחים
- ו
- תשובות
- אַפָּשׁ
- API
- יישומים
- יישומית
- יישום AI
- גישה
- ארכיטקטורה
- אזורים
- סביב
- המשויך
- אוטומטי
- מודעות
- AWS
- דבק AWS
- בחזרה
- מבוסס
- בסיס
- כי
- לפני
- הטוב ביותר
- מוטב
- בֵּין
- מעבר
- ביו-רפואי
- בלוג
- בוסטון
- רוחב
- לִבנוֹת
- בִּניָן
- נבנה
- עסקים
- עסקים
- שיחה
- מבצע
- מסע פרסום
- קמפיינים
- מכוניות
- קטלוג
- מרוכז
- מְרוּכָּז
- לאתגר
- שינוי
- שינויים
- משתנה
- לבחור
- ענן
- קוד
- איסוף
- מְחוּיָב
- חברות
- לעומת
- תואם
- רכיבים
- המחשב
- ראייה ממוחשבת
- מחשבים
- בהתחשב
- תמיד
- צרכן
- צרכנים
- מכולות
- תוכן
- נמשך
- המרה
- ליבה
- עלות
- יכול
- לִיצוֹר
- נוצר
- יוצרים
- אוצר
- אוצרות
- נוֹכְחִי
- מנהג
- לקוח
- נתוני לקוחות
- חווית לקוח
- לקוחות
- יומי
- נתונים
- הכנת נתונים
- עיבוד נתונים
- מערכי נתונים
- עסקה
- החלטות
- עמוק
- למידה עמוקה
- אספקה
- מספק
- תלוי
- פרס
- פריסה
- פריסה
- מעוצב
- פרטים
- מפותח
- צעצועי התפתחות
- אחר
- מרחק
- תחום
- נהיגה
- נהיגה
- מזל"ט
- בְּמַהֲלָך
- כל אחד
- מוקדם יותר
- מוקדם
- הרם
- זכאי
- אמייל
- מופעל
- מה שמאפשר
- התעסקות
- מנוע
- מהנדס
- להעשיר
- מִפְעָל
- חברות
- נלהב
- שלם
- ציוד
- אירוע
- אירועים
- משתנה תמידית
- להתפתח
- ניסיון
- מומחיות
- להסביר
- תמצית
- תמציות
- משפחה
- מהר יותר
- מאפיין
- לסנן
- סופי
- כספי
- פירמה
- גמישות
- להתמקד
- הבא
- טופס
- פוּרמָט
- נוצר
- מסגרת
- החל מ-
- לגמרי
- פונקציה
- פונקציות
- שער כניסה
- ליצור
- נוצר
- מייצר
- יצירת
- לקבל
- מקבל
- נותן
- שערים
- גדול
- יש
- לעזור
- עוזר
- ביצועים גבוהים
- גבוה יותר
- איך
- HTML
- HTTPS
- בן אנוש
- תמונה
- ליישם
- יישום
- לייבא
- חשוב
- in
- לכלול
- נכנס
- גדל
- תעשייה
- מידע
- יוזמות
- חדשנות
- חדשני
- קלט
- משולב
- השתלבות
- מוֹדִיעִין
- אינטראקציה
- יחסי גומלין
- אינטרס
- מעורב
- IT
- פריטים
- עבודה
- מקומות תעסוקה
- מסע
- מפתח
- גָדוֹל
- אחרון
- האחרון
- עוֹפֶרֶת
- מוביל
- לִלמוֹד
- למידה
- מוֹרֶשֶׁת
- משפטי
- רמה
- רישוי
- החיים
- רמה
- לחיות
- לִטעוֹן
- ארוך
- נמוך
- מכונה
- למידת מכונה
- לעשות
- עושה
- לנהל
- הצליח
- שוק
- מובילה בשוק
- שיווק
- שוקי
- בגרות
- מדיה
- מיקרוסופט
- צוותי
- יכול
- מיליונים
- ML
- סלולרי
- מודל
- מודלים
- חודשים
- יותר
- רוב
- צורך
- צרכי
- חדש
- מוצרים חדשים
- חדשות
- הבא
- NLP
- הודעה
- הודעות
- המיוחדות שלנו
- על הסיפון
- ONE
- מבצעי
- תפעול
- אופטימיזציה
- אופטימיזציה
- אפשרויות
- הזמנות
- ארגון
- ארגונים
- אחר
- בחוץ
- חבילות
- חלק
- לוהט
- לְבַצֵעַ
- מבצע
- התאמה אישית
- אישית
- אישית
- פרספקטיבה
- צילום
- צינור
- תכנית
- תכנון
- תוכניות
- פלטפורמה
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- אנא
- נקודה
- כניסה
- אפשרי
- הודעה
- העדפות
- להכין
- העריכה
- מחיר
- מחירים
- תמחור
- בעיות
- תהליך
- תהליך
- המוצר
- מוצרים
- מקצועי
- אנשי מקצוע
- פרויקטים
- לספק
- ובלבד
- מספק
- מתן
- לאור
- דחוף
- איכות
- מהירות
- להעלות
- טִוּוּחַ
- ציון
- חי
- קריאה
- מוכן
- ממשי
- זמן אמת
- לאחרונה
- לאחרונה
- מתכון
- המלצה
- המלצות
- רשום
- להפחית
- מכונה
- לשקף
- רלוונטי
- משוכפל
- נדרש
- דרישה
- דרישות
- תוצאות
- רויטרס
- ביקורת
- הסיכון
- רובוטיקה
- כללי
- הפעלה
- בעל חכמים
- מכירות
- להרחבה
- סולם
- דרוג
- מדענים
- סעיפים
- מגזרים
- ראות
- לחצני מצוקה לפנסיונרים
- לשרת
- משמש
- שרות
- שירותים
- הגשה
- סט
- קניות
- סִימָן
- משמעותי
- פָּשׁוּט
- לפשט
- since
- So
- פִּתָרוֹן
- פתרונות
- מָקוֹר
- מקורות
- מומחה
- הוצאה
- התחלות
- חברות סטארט
- שלב
- אחסון
- מאוחסן
- חנויות
- נהירה
- מִנוּיים
- מנוי
- הצלחה
- מוצלח
- מערכת
- תמיכה
- מערכת
- מערכות
- מותאם
- לקחת
- לוקח
- משימות
- מס
- נבחרת
- צוותי
- טכנולוגיות
- טכנולוגיה
- אל האני
- שֶׁלָהֶם
- תומסון רויטרס
- דרך
- זמן
- ל
- כלי
- חלק עליון
- רכבת
- מְאוּמָן
- הדרכה
- עסקות
- לשנות
- טרנספורמציות
- טרנספורמציה
- נסיעה
- מגמות
- מופעל
- מהימן
- להבין
- הבנה
- עדכן
- שדרוג
- נוֹהָג
- להשתמש
- משתמש
- משתמשים
- בעל ערך
- שונים
- גרסה
- באמצעות
- חזון
- כֶּרֶך
- רציתי
- עושר
- אינטרנט
- יישומי אינטרנט
- שבועות
- מה
- אשר
- מי
- בתוך
- לְלֹא
- תיק עבודות
- עבד
- עובד
- עובד
- של העולם
- היה
- לכתוב
- כתוב
- שנים
- אתה
- זפירנט