Amazon personaliseren is verheugd om de nieuwe aan te kondigen Volgende beste actie (aws-next-best-action
)-recept waarmee u de beste acties kunt bepalen die u aan uw individuele gebruikers kunt voorstellen en waarmee u de merkloyaliteit en conversie kunt vergroten.
Amazon Personalize is een volledig beheerde machine learning-service (ML) waarmee ontwikkelaars moeiteloos zeer gepersonaliseerde gebruikerservaringen in realtime kunnen leveren. Hiermee kunt u de klantbetrokkenheid verbeteren door gepersonaliseerde product- en inhoudsaanbevelingen in websites, applicaties en gerichte marketingcampagnes mogelijk te maken. U kunt aan de slag gaan zonder enige voorafgaande ML-ervaring en met behulp van API's eenvoudig met een paar klikken geavanceerde personalisatiemogelijkheden bouwen. Al uw gegevens zijn gecodeerd om privรฉ en veilig te zijn.
In dit bericht laten we u zien hoe u het Next Best Action-recept kunt gebruiken om actie-aanbevelingen te personaliseren op basis van de eerdere interacties, behoeften en gedrag van elke gebruiker.
Overzicht oplossingen
Met de snelle groei van digitale kanalen en technologische vooruitgang die hyperpersonalisatie toegankelijker maakt, hebben merken moeite om te bepalen welke acties de betrokkenheid van elke individuele gebruiker zullen maximaliseren. Merken laten dezelfde acties zien aan alle gebruikers of vertrouwen op traditionele gebruikerssegmentatiebenaderingen om acties aan te bevelen aan elk gebruikerscohort. Deze benaderingen zijn echter niet langer voldoende, omdat elke gebruiker een unieke ervaring verwacht en de neiging heeft om merken die hun behoeften niet begrijpen in de steek te laten. Bovendien kunnen merken de actie-aanbevelingen niet in realtime bijwerken vanwege het handmatige karakter van het proces.
Met Next Best Action kunt u op basis van hun voorkeuren, behoeften en geschiedenis bepalen welke acties de grootste kans hebben om elke individuele gebruiker aan te spreken. Next Best Action houdt rekening met de interesses van elke gebruiker tijdens de sessie en geeft in realtime actie-aanbevelingen. U kunt acties aanbevelen zoals het inschrijven voor loyaliteitsprogramma's, het aanmelden voor een nieuwsbrief of tijdschrift, het verkennen van een nieuwe categorie, het downloaden van een app en andere acties die conversie stimuleren. Hierdoor kunt u de ervaring van elke gebruiker verbeteren door aanbevelingen te doen over acties tijdens het gebruikerstraject die de merkbetrokkenheid en omzet op de lange termijn helpen bevorderen. Het helpt ook uw rendement op marketinginvesteringen te verbeteren door de actie aan te bevelen die elke gebruiker met grote waarschijnlijkheid zal ondernemen.
AWS-partners houden van Credera zijn enthousiast over de personalisatiemogelijkheden die de Amazon Personalize Next Best Action voor hun klanten zal ontsluiten.
โAmazon Personalize is een machine learning-oplossing van wereldklasse waarmee bedrijven betekenisvolle klantervaringen kunnen creรซren voor een breed scala aan gebruiksscenario's zonder uitgebreide herbewerking of implementatiekosten vooraf die doorgaans vereist zijn voor dit soort oplossingen. We zijn erg enthousiast over de toevoeging van de Next Best Action-mogelijkheid waarmee klanten gepersonaliseerde actie-aanbevelingen kunnen doen, waardoor hun digitale ervaringen aanzienlijk worden verbeterd en extra bedrijfswaarde wordt gegenereerd. Concreet verwachten we dat iedereen die in de detailhandel of de inhoudswereld werkt, een verbeterde ervaring voor zijn klanten en hogere conversies zal zien als een direct resultaat van het gebruik van Amazon Personalize. We zijn enorm blij om voor deze release een lanceringspartner van AWS te zijn en kijken ernaar uit om bedrijven in staat te stellen op ML gebaseerde gepersonaliseerde oplossingen te stimuleren met Next Best Action.โ
โ Jason Goth, partner en Chief Technology Officer, Credera.
Voorbeelden van gebruiksgevallen
Laten we, om de impact van deze nieuwe functie in meer detail te onderzoeken, een voorbeeld bekijken door drie gebruikers te nemen: A (User_id
11999), B (User_id
17141), en C (User_id
8103), die zich in verschillende fasen van hun gebruikerstraject bevinden terwijl ze aankopen doen op een website. Vervolgens zien we hoe Next Best Action de optimale acties voor elke gebruiker voorstelt op basis van hun eerdere interacties en voorkeuren.
Eerst kijken we naar de dataset voor actie-interacties om te begrijpen hoe gebruikers in het verleden met acties hebben gereageerd. Het volgende voorbeeld toont de drie gebruikers en hun verschillende winkelpatronen. Gebruiker A is een frequente koper en heeft in het verleden vooral gewinkeld in de categorieรซn โSchoonheid & Verzorgingโ en โSieradenโ. Gebruiker B is een informele koper die in het verleden enkele aankopen heeft gedaan in de categorie 'Elektronica', en gebruiker C is een nieuwe gebruiker op de website die zijn eerste aankoop heeft gedaan in de categorie 'Kleding'.
Gebruikerstype | Gebruikersnaam | Acties | Actie_gebeurtenistype | Tijdstempel |
Gebruiker A | 11999 | Aankoop in de categorie โSchoonheid en verzorgingโ. | ingenomen | 2023-09-17 20:03:05 |
Gebruiker A | 11999 | Aankoop in de categorie โSchoonheid en verzorgingโ. | ingenomen | 2023-09-18 19:28:38 |
Gebruiker A | 11999 | Aankoop in de categorie โSchoonheid en verzorgingโ. | ingenomen | 2023-09-20 17:49:52 |
Gebruiker A | 11999 | Aankoop in de categorie โSieradenโ. | ingenomen | 2023-09-26 18:36:16 |
Gebruiker A | 11999 | Aankoop in de categorie โSchoonheid en verzorgingโ. | ingenomen | 2023-09-30 19:21:05 |
Gebruiker A | 11999 | Download de mobiele app | ingenomen | 2023-09-30 19:29:35 |
Gebruiker A | 11999 | Aankoop in de categorie โSieradenโ. | ingenomen | 2023-10-01 19:35:47 |
Gebruiker A | 11999 | Aankoop in de categorie โSchoonheid en verzorgingโ. | ingenomen | 2023-10-04 19:19:34 |
Gebruiker A | 11999 | Aankoop in de categorie โSieradenโ. | ingenomen | 2023-10-06 20:38:55 |
Gebruiker A | 11999 | Aankoop in de categorie โSchoonheid en verzorgingโ. | ingenomen | 2023-10-10 20:17:07 |
Gebruiker B | 17141 | Aankoop in de categorie โElektronicaโ. | ingenomen | 2023-09-29 20:17:49 |
Gebruiker B | 17141 | Aankoop in de categorie โElektronicaโ. | ingenomen | 2023-10-02 00:38:08 |
Gebruiker B | 17141 | Aankoop in de categorie โElektronicaโ. | ingenomen | 2023-10-07 11:04:56 |
Gebruiker C | 8103 | Aankoop in de categorie โKledingโ. | ingenomen | 2023-09-26 18:30:56 |
Traditioneel tonen merken dezelfde acties aan alle gebruikers of gebruiken ze gebruikerssegmentatiestrategieรซn om acties aan te bevelen aan hun gebruikersbestand. De volgende tabel is een voorbeeld van een merk dat dezelfde reeks acties aan alle gebruikers laat zien. Deze acties kunnen al dan niet relevant zijn voor de gebruikers, waardoor hun betrokkenheid bij het merk afneemt.
Gebruikerstype | Gebruikersnaam | Actie-aanbevelingen | Rang van actie |
Gebruiker A | 11999 | Abonneer u op het loyaliteitsprogramma | 1 |
Gebruiker A | 11999 | Download de mobiele app | 2 |
Gebruiker A | 11999 | Aankoop in de categorie โElektronicaโ. | 3 |
Gebruiker B | 17141 | Abonneer u op het loyaliteitsprogramma | 1 |
Gebruiker B | 17141 | Download de mobiele app | 2 |
Gebruiker B | 17141 | Aankoop in de categorie โElektronicaโ. | 3 |
Gebruiker C | 8103 | Abonneer u op het loyaliteitsprogramma | 1 |
Gebruiker C | 8103 | Download de mobiele app | 2 |
Gebruiker C | 8103 | Aankoop in de categorie โElektronicaโ. | 3 |
Laten we nu Next Best Action gebruiken om acties voor elke gebruiker aan te bevelen. Nadat u de acties hebt gedefinieerd die in aanmerking komen voor aanbevelingen, wordt de aws-next-best-action
recept retourneert een gerangschikte lijst met acties, gepersonaliseerd voor elke gebruiker, op basis van de neiging van de gebruiker (de waarschijnlijkheid dat een gebruiker een bepaalde actie onderneemt, variรซrend tussen 0.0-1.0) en de waarde van die actie, indien opgegeven. Voor de doeleinden van dit bericht houden we alleen rekening met de neiging van gebruikers.
In het volgende voorbeeld zien we dat voor gebruiker A (frequente koper) Abonneren op het loyaliteitsprogramma de meest aanbevolen actie is met een propensity score van 1.00, wat betekent dat de kans het grootst is dat deze gebruiker zich inschrijft voor het loyaliteitsprogramma omdat hij of zij zich heeft aangemeld voor het loyaliteitsprogramma. talrijke aankopen. Daarom is de kans groot dat het aanbevelen van de actie Abonneren op het loyaliteitsprogramma aan Gebruiker A de betrokkenheid van Gebruiker A vergroot.
Gebruikerstype | Gebruikersnaam | Actie-aanbevelingen | Rang van actie | Geneigdheidscore |
Gebruiker A | 11999 | Abonneer u op het loyaliteitsprogramma | 1 | 1.00 |
Gebruiker A | 11999 | Aankoop in de categorie โSieradenโ. | 2 | 0.86 |
Gebruiker A | 11999 | Aankoop in de categorie โSchoonheid en verzorgingโ. | 3 | 0.85 |
Gebruiker B | 17141 | Aankoop in de categorie โElektronicaโ. | 1 | 0.78 |
Gebruiker B | 17141 | Abonneer u op het loyaliteitsprogramma | 2 | 0.71 |
Gebruiker B | 17141 | Aankoop in de categorie โSmart Homesโ | 3 | 0.66 |
Gebruiker C | 8103 | Koop in de categorie 'Handtassen en schoenen' | 1 | 0.60 |
Gebruiker C | 8103 | Download de mobiele app | 2 | 0.48 |
Gebruiker C | 8103 | Aankoop in de categorie โKledingโ. | 3 | 0.46 |
Op dezelfde manier heeft Gebruiker B (casual koperspersona) een grotere kans om door te gaan met kopen in de categorie โElektronicaโ en ook nieuwe producten te kopen in een vergelijkbare categorie, โSmart Homesโ. Daarom raadt Next Best Action u aan om prioriteit te geven aan acties, Aankoop in de categorie โElektronicaโ en Aankoop in de categorie โSmart Homesโ. Dit betekent dat als u gebruiker B vraagt โโproducten in deze twee categorieรซn te kopen, dit tot een grotere betrokkenheid kan leiden. We merken ook dat de actie om u te abonneren op het loyaliteitsprogramma wordt aanbevolen aan Gebruiker B, maar met een lagere neigingsscore van 0.71 in vergelijking met Gebruiker A, wiens neigingsscore 1.0 is. Dit komt omdat gebruikers met een diepere geschiedenis en al verder in hun winkeltraject meer profiteren van loyaliteitsprogramma's vanwege de extra voordelen en zeer waarschijnlijk meer interactie zullen hebben.
Ten slotte zien we dat de volgende beste actie voor gebruiker C een aankoop is in de categorie 'Handtassen en schoenen', wat vergelijkbaar is met hun vorige aankoopactie in de categorie 'Kleding'. We zien ook dat de neigingsscore om de mobiele app te downloaden relatief lager is (0.48) dan een andere actie, Aankoop in de categorie 'Handtassen en schoenen', die een hogere neigingsscore van 0.60 heeft. Dit betekent dat als u Gebruiker C aanbeveelt om producten in een aanvullende categorie (โHandtassen & Schoenenโ) te kopen in plaats van de mobiele app te downloaden, de kans groter is dat hij/zij bij uw merk blijft en in de toekomst blijft winkelen.
Voor meer details over hoe u de Next Best Action kunt implementeren (aws-next-best-action
) recept, zie documentatie.
Conclusie
Met het nieuwe Next Best Action-recept in Amazon Personalize kun je in realtime de juiste acties aanbevelen aan de juiste gebruiker op basis van hun individuele gedrag en behoeften. Hierdoor kunt u de gebruikersbetrokkenheid maximaliseren en tot hogere conversiepercentages leiden.
Voor meer informatie over Amazon Personalize, zie de Amazon Personaliseer ontwikkelaarsgids.
Over de auteurs
Shreeya Sharma is een senior technisch productmanager die werkt met AWS AI/ML op Amazon Personalize. Ze heeft een achtergrond in computerwetenschappen, technologieadvies en data-analyse. In haar vrije tijd houdt ze van reizen, theater maken en nieuwe avonturen uitproberen.
Pranesh Anubhav is een Senior Software Engineer voor Amazon Personalize. Hij heeft een passie voor het ontwerpen van machine learning-systemen om klanten op grote schaal te bedienen. Buiten zijn werk houdt hij van voetbal en is hij een fervent aanhanger van Real Madrid.
Aniket Deshmukh is een toegepaste wetenschapper in AWS AI-labs die Amazon Personalize ondersteunt. Aniket werkt op het algemene gebied van aanbevelingssystemen, contextuele bandieten en multimodale deep learning.
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
- PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
- PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
- Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
- Bron: https://aws.amazon.com/blogs/machine-learning/build-brand-loyalty-by-recommending-actions-to-your-users-with-amazon-personalize-next-best-action/
- : heeft
- :is
- :niet
- $UP
- 1
- 100
- 11
- 114
- 120
- 125
- 13
- 14
- 17
- 19
- 20
- 28
- 29
- 30
- 35%
- 36
- 49
- 60
- 7
- 72
- 8
- a
- Over
- beschikbaar
- Account
- over
- Actie
- acties
- toegevoegd
- toevoeging
- Extra
- voorschotten
- avonturen
- Na
- AI
- AI / ML
- Alles
- langs
- ook
- Amazone
- Amazon personaliseren
- Amazon Web Services
- an
- analytics
- en
- aankondigen
- Nog een
- elke
- iedereen
- APIs
- gebruiken
- toepassingen
- toegepast
- benaderingen
- ZIJN
- GEBIED
- reeks
- AS
- At
- AWS
- achtergrond
- baseren
- gebaseerde
- BE
- omdat
- gedrag
- voordeel
- betekent
- BEST
- tussen
- merk
- merken
- bouw
- bedrijfsdeskundigen
- ondernemingen
- maar
- kopen
- KOPER..
- Buying
- by
- Campagnes
- CAN
- Kan krijgen
- mogelijkheden
- bekwaamheid
- gevallen
- business casual outfit
- categorieรซn
- Categorie
- kanalen
- chef
- Chief Technology Officer
- cohorte
- Bedrijven
- vergeleken
- complementair
- computer
- Computer Science
- Overwegen
- consulting
- content
- contextual
- voortzetten
- Camper ombouw
- conversies
- Kosten
- en je merk te creรซren
- klant
- Klantbinding
- Klanten
- gegevens
- gegevens Analytics
- deep
- diepgaand leren
- diepere
- bepalen
- leveren
- ontwerpen
- detail
- gegevens
- Bepalen
- Ontwikkelaar
- ontwikkelaars
- anders
- digitaal
- directe
- Dont
- Download
- downloaden
- rit
- aandrijving
- twee
- elk
- gemakkelijk
- zonder inspanning
- beide
- geschikt
- empowering
- in staat stellen
- maakt
- aanmoedigen
- versleutelde
- engagement
- boeiende
- ingenieur
- Engineering
- Alle
- voorbeeld
- opgewonden
- verwachten
- verwacht
- ervaring
- Ervaringen
- Verken
- Verkennen
- uitgebreid
- uiterst
- Kenmerk
- weinig
- Voornaam*
- volgend
- Voor
- Naar voren
- veelvuldig
- oppompen van
- geheel
- verder
- Bovendien
- toekomst
- Algemeen
- krijgen
- meer
- Hebben
- he
- hulp
- helpt
- haar
- Hoge
- hoger
- hoogst
- zeer
- zijn
- geschiedenis
- Hoe
- How To
- Echter
- HTML
- HTTPS
- if
- Impact
- uitvoeren
- uitvoering
- verbeteren
- verbeterd
- het verbeteren van
- in
- Laat uw omzet
- meer
- individueel
- informatie
- interactie
- interacties
- belangen
- in
- investering
- IT
- jpg
- Labs
- lancering
- leiden
- leren
- als
- waarschijnlijkheid
- Waarschijnlijk
- Lijst
- langdurig
- langer
- Kijk
- op zoek
- houdt
- te verlagen
- Loyaliteit
- loyaliteitsprogramma
- Loyaliteitsprogramma's
- machine
- machine learning
- gemaakt
- magazine
- maken
- MERKEN
- maken
- beheerd
- manager
- handboek
- Marketing
- Maximaliseren
- Mei..
- zinvolle
- middel
- ML
- Mobile
- Applicatie voor de mobiele telefoon
- meer
- meest
- meestal
- NATUUR
- behoeften
- New
- nieuwe producten
- Nieuwsbrief
- volgende
- geen
- Merk op..
- vele
- of
- Officier
- on
- Slechts
- optimale
- or
- Overige
- uit
- buiten
- over
- bijzonder
- partner
- partners
- hartstochtelijk
- verleden
- patronen
- uitvoerend
- Personalisatie
- Verpersoonlijken
- Gepersonaliseerde
- Plato
- Plato gegevensintelligentie
- PlatoData
- spelen
- mogelijkheden
- Post
- Powering
- voorkeuren
- vorig
- Voorafgaand
- prioriteren
- privaat
- Product
- product manager
- Producten
- Programma
- Programma's
- promoten
- zorgen voor
- mits
- biedt
- het verstrekken van
- inkomsten
- aankopen
- de aankoop van
- doel
- variรซrend
- gerangschikt
- snel
- Tarieven
- vast
- Real Madrid
- real-time
- werkelijk
- recept
- adviseren
- Aanbeveling
- aanbevelingen
- aanbevolen
- bevelen
- beveelt
- vermindering
- verwijzen
- relatief
- los
- relevante
- vertrouwen
- nodig
- resultaat
- <HR>Retail
- terugkeer
- Retourneren
- inkomsten
- beoordelen
- rechts
- dezelfde
- Scale
- Wetenschap
- Wetenschapper
- partituur
- beveiligen
- zien
- segmentatie
- senior
- dienen
- service
- Diensten
- reeks
- ze
- Winkelen
- tonen
- Shows
- aanzienlijk
- het ondertekenen van
- gelijk
- Voetbal
- Software
- Software Engineer
- oplossing
- Oplossingen
- geraffineerd
- Tussenruimte
- specifiek
- stadia
- gestart
- strategieรซn
- abonneren
- dergelijk
- voldoende
- stel
- Stelt voor
- Ondersteuning
- Systems
- tafel
- neemt
- het nemen
- doelgerichte
- Technisch
- Technologie
- neigt
- neem contact
- dat
- De
- De toekomst
- theater
- hun
- Ze
- harte
- daarom
- Deze
- ze
- dit
- drie
- blij
- niet de tijd of
- naar
- top
- traditioneel
- Reizend
- proberen
- twee
- types
- typisch
- niet in staat
- begrijpen
- unieke
- openen
- bijwerken
- .
- Gebruiker
- gebruikersreis
- gebruikers
- gebruik
- waarde
- we
- web
- webservices
- Website
- websites
- Wat
- welke
- en
- WIE
- waarvan
- breed
- wil
- Met
- binnen
- zonder
- Mijn werk
- werkzaam
- Bedrijven
- van het allerbeste niveau
- You
- Your
- zephyrnet