今日、私たちは発表することに興奮しています キャンペーン ビジネス目標に沿ったルールに基づいて、ユーザーに特定のアイテムを明示的に推奨できる Amazon Personalize の機能。 たとえば、認知度を向上させたい特定のブランド、社内コンテンツ、またはカテゴリを宣伝する必要があるマーケティング パートナーシップを持つことができます。 プロモーションを使用すると、推奨アイテムをより詳細に制御できます。 ビジネス ルールを定義して、プロモーション アイテムを特定し、追加費用なしでユーザー ベース全体に紹介することができます。 また、レコメンデーションで宣伝されたコンテンツの割合を制御します。 Amazon Personalize は、一連の販促アイテムの中からビジネスルールを満たす関連アイテムを自動的に見つけ、各ユーザーの推奨事項内にそれらを配布します。
Amazon Personalize を使用すると、ウェブサイト、アプリケーション、およびターゲットを絞ったマーケティング キャンペーンでパーソナライズされた製品およびコンテンツの推奨を強化することで、顧客エンゲージメントを向上させることができます。 機械学習 (ML) の経験がなくても始められます。API を使用して、数回クリックするだけで高度なパーソナライズ機能を簡単に構築できます。 すべてのデータは暗号化されて非公開かつ安全に保たれ、ユーザー向けのレコメンデーションを作成するためにのみ使用されます。
この投稿では、e コマースのユースケースで新しいプロモーション機能を使用してレコメンデーションをカスタマイズする方法を示します。
ソリューションの概要
さまざまな企業が、エンゲージメントを高めたいコンテンツの種類に対する個々の目標に基づいてプロモーションを使用できます。 プロモーションを使用して、ドメインに関係なく、アプリケーションの特定のタイプの推奨事項の割合を設定できます。 たとえば、e コマース アプリケーションでは、この機能を使用して、推奨アイテムの 20% をセール中または特定のブランドやカテゴリのアイテムにすることができます。 ビデオ オン デマンドのユース ケースの場合、この機能を使用して、カルーセルの 40% を新しく公開された番組や映画で埋めて強調したり、ライブ コンテンツを宣伝したりできます。 でプロモーションを使用できます ドメイン データセット グループ & カスタム データセット グループ (ユーザーパーソナライゼーション & 類似商品 レシピ)。
Amazon Personalize を使用すると、プロモーションを簡単に設定できます。まず、プロモーションするアイテムを選択するフィルターを作成します。 Amazon Personalize コンソールまたは API を使用して、Amazon Personalize DSL (ドメイン固有言語) を使用したロジックでフィルターを作成できます。 数分しかかかりません。 次に、レコメンデーションをリクエストするときに、フィルタ、そのフィルタに一致するレコメンデーションのパーセンテージ、および必要に応じて動的フィルタ パラメータを指定して、プロモーションを指定します。 プロモートされたアイテムはレコメンデーションでランダムに配布されますが、既存のレコメンデーションは削除されません。
次の図は、Amazon Personalize のレコメンデーションでプロモーションを使用する方法を示しています。
カタログ システムで宣伝する商品を定義し、それらを Amazon Personalize の商品データセットにロードして、おすすめを取得します。 プロモーションを指定せずにレコメンデーションを取得すると、最も関連性の高いアイテムが返されます。この例では、プロモーションされたアイテムから 50 つのアイテムのみが返されます。 宣伝されたアイテムが返品されるという保証はありません。 プロモート アイテムが XNUMX% のレコメンデーションを取得すると、プロモート アイテムに属するアイテムの半分が返されます。
この投稿では、Amazon Personalize のレコメンデーションでプロモーションを定義して適用するプロセスを順を追って説明し、キャンペーンまたはレコメンダーの結果に、ユーザーに表示してもらいたい特定のアイテムが含まれるようにします。 この例では、小売レコメンデーションを作成し、アイテムを宣伝します。 CATEGORY_L2
as halloween
ハロウィンの飾り付けにも対応。 このユース ケースのコード サンプルは、 GitHubの.
前提条件
プロモーションを使用するには、まず Amazon Personalize コンソールでいくつかの Amazon Personalize リソースをセットアップします。 データセット グループを作成し、データを読み込み、レコメンデーションをトレーニングします。 詳細な手順については、次を参照してください。 始める.
- データセット グループを作成する.
- 作る
Interactions
以下を使用したデータセット スキーマ: - インタラクション データをインポートする から Amazon Personalize へ Amazon シンプル ストレージ サービス (アマゾン S3)。 この例では、次を使用します。 データファイル. のコードに基づいて合成データを生成しました。 小売デモストア プロジェクト. データと潜在的な用途の詳細については、GitHub リポジトリを参照してください。
- 作る
Items
次のスキーマを使用したデータセット: - 商品データを Amazon S3 から Amazon Personalize にインポートします。 この例では、次を使用します。 データファイルのコードに基づく 小売デモストア プロジェクト.Amazon S3 からのインタラクションとアイテム データのフォーマットとインポートの詳細については、次を参照してください。 レコードの一括インポート.
- レコメンダーを作成する. この例では、 「あなたへのおすすめ」レコメンダー.
プロモーション用のフィルターを作成する
Amazon Personalize リソースのセットアップが完了したので、 filter プロモーションのアイテムを選択します。
フィルターの作成時にすべての変数がハードコーディングされている静的フィルターを作成できます。 たとえば、次のすべてのアイテムを追加するには CATEGORY_L2
as halloween
、次のフィルター式を使用します。
動的フィルターを作成することもできます。 動的フィルターは、推奨事項をリクエストするときにリアルタイムでカスタマイズできます。 動的フィルターを作成するには、固定値の代わりにプレースホルダー パラメーターを使用してフィルター式の条件を定義します。 これにより、式を作成するときではなく、レコメンデーション リクエストにフィルターを適用することで、フィルター処理する値を選択できます。 を呼び出すときにフィルターを指定します。 おすすめを取得 or GetPersonalizedRanking API操作、またはバッチモードで推奨事項を生成する際の入力データの一部として バッチ推論ジョブ.
たとえば、フィルターを適用して推論呼び出しを行うときに選択したカテゴリ内のすべての項目を選択するには、次のフィルター式を使用します。
上記のDSLを使用して、AmazonPersonalizeコンソールでカスタマイズ可能なフィルターを作成できます。 次の手順を実行します。
- Amazon Personalizeコンソールの フィルタ ページ、選択 フィルターを作成.
- フィルタ名、フィルターの名前を入力します (この投稿では、次のように入力します
category_filter
). - 選択 式を作成する または、式を手動で追加して、カスタムフィルターを作成します。
- 「含む」という式を作成します。
ItemID
WHEREItems.CATEGORY_L2
IN$CATEGORY
"ために 値の値を入力します。$
さらに、プロパティ名に似た覚えやすいパラメーター名 (この例では、$CATEGORY
). - 必要に応じて、フィルターで追加の式をチェーンするには、プラス記号を選択します。
- 追加のフィルター式を追加するには、 式を追加.
- 選択する フィルターを作成.
フィルタを作成することもできます createFilter
Amazon PersonalizeのAPI。 詳細については、 フィルターの作成.
推奨事項にプロモーションを適用する
適用する filter 推奨事項を取得することは、特定の基準に合わせて推奨事項を調整するための良い方法です。 ただし、フィルターを使用すると、返されるすべての推奨事項にフィルターが直接適用されます。 プロモーションを使用する場合、プロモートされたアイテムに対応するレコメンデーションの割合を選択できます。これにより、パーソナライズされたレコメンデーションと、ビジネス ユース ケースに適した比率で各ユーザーのプロモーション基準に一致する最適なアイテムを組み合わせて一致させることができます。
次のコード例は、 GetRecommendations
を使用してユーザーへのおすすめを取得する API 「あなたにおすすめ」 推薦者:
このリクエストは、指定されたユーザー向けにパーソナライズされたレコメンデーションを返します。 カタログ内のアイテムのうち、これらはユーザーにとって最も関連性の高い 20 のアイテムです。
同じ呼び出しを行い、フィルターを適用して、フィルターに一致するアイテムのみを返すことができます。 次のコード例は、 GetRecommendations
「あなたへのおすすめ」レコメンダーを使用してユーザーへのレコメンデーションを取得し、 動的フィルター 持っている関連アイテムのみを返す CATEGORY_L2
as halloween
:
このリクエストは、指定されたユーザー向けにパーソナライズされたおすすめを返します。 CATEGORY_L2
as halloween
. カタログ内のアイテムのうち、これらは最も関連性の高い 20 のアイテムです。 CATEGORY_L2
as halloween
ユーザーのために。
アイテムの特定の割合を昇格させたい属性にし、残りのアイテムをカタログ内のすべてのアイテムの中でこのユーザーに最も関連性の高いアイテムにする場合は、プロモーションを使用できます。 同じ呼び出しを行い、プロモーションを適用できます。 次のコード例は、 GetRecommendations
「あなたへのおすすめ」レコメンダーを使用してユーザー向けのレコメンデーションを取得し、プロモーションを適用して、特定の割合の関連アイテムを含める API CATEGORY_L2
as halloween
:
このリクエストは、プロモーションで指定されたフィルターに一致するレコメンデーションの 20% を返します: CATEGORY_L2
as halloween
; カタログ内のアイテムのうち、ユーザーにとって最も関連性の高いアイテムである、指定されたユーザー向けの 80% のパーソナライズされたレコメンデーション。
プロモーションと組み合わせてフィルターを使用できます。 最上位のパラメーター ブロックのフィルターは、昇格されていないアイテムにのみ適用されます。
プロモートされたアイテムを選択するためのフィルターは、 promotions
パラメータブロック。 次のコード例は、 GetRecommendations
「あなたへのおすすめ」レコメンダーを使用してユーザーへのレコメンデーションを取得し、XNUMX 回使用してきた動的フィルターを使用する API。 最初のフィルターは、プロモーションされていないアイテムに適用され、 CATEGORY_L2
as decorative
、および XNUMX 番目のフィルターがプロモーションに適用され、アイテムをプロモーションします。 CATEGORY_L2
as halloween
:
このリクエストは、プロモーションで指定されたフィルターに一致するレコメンデーションの 20% を返します: CATEGORY_L2
as halloween
. おすすめアイテムの残りの 80% は、特定のユーザー向けのパーソナライズされたおすすめです。 CATEGORY_L2
as decorative
. これらは、カタログ内のアイテムのうち、ユーザーにとって最も関連性の高いアイテムです。 CATEGORY_L2
as decorative
.
クリーンアップ
この投稿で説明されている手順に従って、アカウントで作成した未使用のリソースを必ずクリーンアップしてください。 フィルター、レコメンダー、データセット、およびデータセット グループを削除するには、 AWSマネジメントコンソール または Python SDK を使用します。
まとめ
追加 プロモーション Amazon Personalize では、可視性とエンゲージメントを明示的に高めたいアイテムを含めることで、各ユーザー向けのレコメンデーションをカスタマイズできます。 プロモーションを使用すると、推奨アイテムの何パーセントをプロモーション アイテムにするかを指定することもできます。これにより、追加コストなしでビジネス目標に合わせて推奨が調整されます。 User-Personalization および Similar-Items レシピを使用したレコメンデーションのプロモーション、およびユースケース最適化レコメンダーを使用できます。
Amazon Personalize の詳細については、以下を参照してください。 Amazon Personalizeとは何ですか?
著者について
アンナ・グルーブラー AWS のソリューション アーキテクトです。
アレックス・バークロー AWS のソリューション アーキテクトです。 彼女は、顧客が機械学習とデータ分析を適用して、メディアおよびエンターテイメント業界の問題を解決できるよう支援することに重点を置いています。 余暇には、家族と過ごしたり、地元のスキー場でスキー パトロールのボランティア活動を楽しんでいます。
リアム・モリソン AWS のソリューション アーキテクト マネージャーです。 彼は、マーケティング インテリジェンス サービスに重点を置いたチームを率いています。 彼は過去 5 年間、メディアとエンターテイメントにおける機械学習の実用的なアプリケーションに焦点を当て、顧客がパーソナライゼーション、自然言語処理、コンピューター ビジョンなどを実装するのを支援してきました。