Tilpass anbefalingene dine ved å markedsføre spesifikke varer ved å bruke forretningsregler med Amazon Personalize

I dag er vi glade for å kunngjøre Kampanjer funksjon i Amazon Personalize som lar deg eksplisitt anbefale spesifikke varer til brukerne dine basert på regler som stemmer overens med forretningsmålene dine. Du kan for eksempel ha markedsføringspartnerskap som krever at du markedsfører bestemte merker, internt innhold eller kategorier som du ønsker å forbedre synligheten til. Kampanjer gir deg mer kontroll over anbefalte varer. Du kan definere forretningsregler for å identifisere reklameartikler og vise dem frem i hele brukerbasen din, uten ekstra kostnad. Du kontrollerer også prosentandelen av det promoterte innholdet i anbefalingene dine. Amazon Personalize finner automatisk de relevante varene i settet med reklameartikler som oppfyller forretningsregelen din og distribuerer dem innenfor hver brukers anbefalinger.

Amazon Personalize lar deg forbedre kundeengasjementet ved å gi personlig tilpassede produkt- og innholdsanbefalinger i nettsteder, applikasjoner og målrettede markedsføringskampanjer. Du kan komme i gang uten tidligere erfaring med maskinlæring (ML), ved å bruke APIer for enkelt å bygge sofistikerte personaliseringsmuligheter med noen få klikk. Alle dataene dine er kryptert for å være private og sikre, og brukes kun til å lage anbefalinger for brukerne dine.

I dette innlegget viser vi hvordan du kan tilpasse anbefalingene dine med den nye kampanjefunksjonen for en netthandelsbruk.

Løsningsoversikt

Ulike virksomheter kan bruke kampanjer basert på deres individuelle mål for typen innhold de ønsker å øke engasjementet for. Du kan bruke kampanjer for å få en prosentandel av anbefalingene dine til å være av en bestemt type for enhver applikasjon uavhengig av domene. For eksempel, i e-handelsapplikasjoner kan du bruke denne funksjonen til å ha 20 % av anbefalte varer merket som på salg, eller fra et bestemt merke eller kategori. For video-on-demand-bruk kan du bruke denne funksjonen til å fylle 40 % av en karusell med nylig lanserte programmer og filmer som du ønsker å fremheve, eller for å promotere live-innhold. Du kan bruke kampanjer i domenedatasettgrupper og tilpassede datasettgrupper (Brukertilpasning og Lignende varer oppskrifter).

Amazon Personalize gjør det enkelt å konfigurere kampanjer: Lag først et filter som velger elementene du ønsker å promotere. Du kan bruke Amazon Personalize-konsollen eller API for å lage et filter med logikken din ved å bruke Amazon Personalize DSL (domenespesifikt språk). Det tar bare noen få minutter. Deretter, når du ber om anbefalinger, spesifiser kampanjen ved å spesifisere filteret, prosentandelen av anbefalingene som skal samsvare med det filteret, og, om nødvendig, de dynamiske filterparametrene. De promoterte elementene er tilfeldig fordelt i anbefalingene, men eventuelle eksisterende anbefalinger fjernes ikke.

Følgende diagram viser hvordan du kan bruke kampanjer i anbefalinger i Amazon Personalize.

Du definerer elementene som skal markedsføres i katalogsystemet, laster dem inn i datasettet for Amazon Personalize elementer, og får deretter anbefalinger. Å få anbefalinger uten å spesifisere en kampanje returnerer de mest relevante varene, og i dette eksemplet bare én vare fra de promoterte varene. Det er ingen garanti for at promoterte varer blir returnert. Å få anbefalinger med 50 % promoterte varer returnerer halvparten av varene som tilhører de promoterte varene.

Dette innlegget leder deg gjennom prosessen med å definere og bruke kampanjer i anbefalingene dine i Amazon Personalize for å sikre at resultatene fra en kampanje eller anbefaling inneholder spesifikke elementer du vil at brukerne skal se. For dette eksempelet oppretter vi en forhandleranbefaler og markedsfører varer med CATEGORY_L2 as halloween, som tilsvarer Halloween-dekorasjoner. Et kodeeksempel for denne brukstilfellet er tilgjengelig på GitHub.

Forutsetninger

For å bruke kampanjer må du først sette opp noen Amazon Personalize-ressurser på Amazon Personalize-konsollen. Opprett datasettgruppen din, last inn dataene dine og tren en anbefaling. For fullstendige instruksjoner, se Komme i gang.

1. Opprett en datasettgruppe.
2. Lag en Interactions datasett ved hjelp av følgende skjema:

   {
       "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. Importer interaksjonsdataene til Amazon Personalize fra Amazon enkel lagringstjeneste (Amazon S3). For dette eksemplet bruker vi følgende datafil. Vi genererte de syntetiske dataene basert på koden i Retail Demo Store-prosjekt. Se GitHub-repoen for å lære mer om dataene og potensielle bruksområder.
4. Lag en Items datasett ved hjelp av følgende skjema:

   {
       "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. Importer varedataene til Amazon Personalize fra Amazon S3. For dette eksemplet bruker vi følgende datafil, basert på koden i Retail Demo Store-prosjekt.For mer informasjon om formatering og import av interaksjoner og varedata fra Amazon S3, se Importerer masseoppføringer.
6. Opprett en anbefaler. I dette eksemplet lager vi en "Anbefalt for deg"-anbefaleren.

Lag et filter for kampanjene dine

Nå som du har satt opp Amazon Personalize-ressursene dine, kan du opprette en filtrere som velger varene for kampanjen din.

Du kan lage et statisk filter der alle variabler er hardkodet ved filteroppretting. For eksempel for å legge til alle elementer som har CATEGORY_L2 as halloween, bruk følgende filteruttrykk:

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

Du kan også lage dynamiske filtre. Dynamiske filtre kan tilpasses i sanntid når du ber om anbefalingene. For å opprette et dynamisk filter, definerer du filteruttrykkskriteriene ved å bruke en plassholderparameter i stedet for en fast verdi. Dette lar deg velge verdiene som skal filtreres ved å bruke et filter på en anbefalingsforespørsel, i stedet for når du oppretter uttrykket ditt. Du oppgir et filter når du ringer Få anbefalinger or GetPersonalizedRanking API-operasjoner, eller som en del av inndataene dine når du genererer anbefalinger i batch-modus gjennom en batch inferensjobb.

For å velge alle elementer i en kategori valgt når du foretar slutningsanropet med et filter brukt, bruker du for eksempel følgende filteruttrykk:

INCLUDE ItemID WHERE Items.CATEGORY_L2 IN ($CATEGORY)

Du kan bruke forrige DSL til å lage et filter som kan tilpasses på Amazon Personalize-konsollen. Gjør følgende trinn:

1. På Amazon Personalize-konsollen, på Filter side, velg Opprett filter.
2. Til Filternavn, skriv inn navnet på filteret ditt (for dette innlegget skriver vi inn category_filter).
3. Plukke ut Bygg uttrykk eller legg til uttrykket manuelt for å opprette et tilpasset filter.
4. Bygg uttrykket «Inkluder ItemID HVOR Items.CATEGORY_L2 IN $CATEGORY"Til Verdi, angir du en verdi på $ pluss et parameternavn som ligner på eiendomsnavnet ditt og som er lett å huske (for dette eksempelet, $CATEGORY).
5. Hvis du vil kjede flere uttrykk med filteret ditt, velger du plusstegnet.
6. Velg for å legge til flere filteruttrykk Legg til uttrykk.
7. Velg Opprett filter.
   

Du kan også opprette filtre via createFilter API i Amazon Personalize. For mer informasjon, se Opprett filter.

Bruk kampanjer på anbefalingene dine

Bruke a filtrere når det å få anbefalinger er en god måte å skreddersy anbefalingene dine til spesifikke kriterier. Bruk av filtre bruker imidlertid filteret direkte på alle anbefalingene som returneres. Når du bruker kampanjer, kan du velge hvilken prosentandel av anbefalingene som tilsvarer de promoterte varene, slik at du kan mikse og matche personlige anbefalinger og de beste varene som samsvarer med kampanjekriteriene for hver bruker i de proporsjonene som gir mening for din forretningsbruk.

Følgende eksempelkode er en forespørselstekst for GetRecommendations API som får anbefalinger for en bruker som bruker "Anbefalt for deg" anbefaler:

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

Denne forespørselen returnerer personlig tilpassede anbefalinger for den angitte brukeren. Av varene i katalogen er dette de 20 mest relevante varene for brukeren.

Vi kan gjøre det samme anropet og bruke et filter for å returnere bare elementer som samsvarer med filteret. Følgende eksempelkode er en forespørselstekst for GetRecommendations API som får anbefalinger for en bruker som bruker "Anbefalt for deg"-anbefaleren og bruker en dynamisk filter å kun returnere relevante varer som har 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""}
}

Denne forespørselen returnerer personlig tilpassede anbefalinger for den angitte brukeren som har CATEGORY_L2 as halloween. Ut av varene i katalogen er dette de 20 mest relevante varene med CATEGORY_L2 as halloween for brukeren.

Du kan bruke kampanjer hvis du vil at en viss prosentandel av varer skal ha et attributt du ønsker å markedsføre, og resten skal være varer som er mest relevante for denne brukeren av alle varer i katalogen. Vi kan gjøre den samme samtalen og bruke en kampanje. Følgende eksempelkode er en forespørselstekst for GetRecommendations API som mottar anbefalinger for en bruker som bruker «Anbefalt for deg»-anbefaleren og bruker en kampanje for å inkludere en viss prosentandel av relevante varer som har 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""
        }
    }]
}

Denne forespørselen returnerer 20 % av anbefalingene som samsvarer med filteret angitt i kampanjen: varer med CATEGORY_L2 as halloween; og 80 % personlige anbefalinger for den angitte brukeren som er de mest relevante varene for brukeren av varene i katalogen.

Du kan bruke et filter kombinert med kampanjer. Filteret i parameterblokken på toppnivå gjelder bare for ikke-markedsførte varer.

Filteret for å velge de promoterte elementene er spesifisert i promotions parameterblokk. Følgende eksempelkode er en forespørselstekst for GetRecommendations API som får anbefalinger for en bruker som bruker "Anbefalt for deg"-anbefaleren og bruker det dynamiske filteret vi har brukt to ganger. Det første filteret gjelder for ikke-markedsførte varer, ved å velge varer med CATEGORY_L2 as decorative, og det andre filteret gjelder for kampanjen, promotering av varer med 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""
        }
    }]
}

Denne forespørselen returnerer 20 % av anbefalingene som samsvarer med filteret angitt i kampanjen: varer med CATEGORY_L2 as halloween. De resterende 80 % av anbefalte varer er personlige anbefalinger for den angitte brukeren med CATEGORY_L2 as decorative. Dette er de mest relevante varene for brukeren av varene i katalogen med CATEGORY_L2 as decorative.

Rydd opp

Sørg for at du rydder opp i alle ubrukte ressurser du opprettet i kontoen din mens du følger trinnene som er skissert i dette innlegget. Du kan slette filtre, anbefalere, datasett og datasettgrupper via AWS-administrasjonskonsoll eller ved å bruke Python SDK.

Oppsummering

Legge kampanjer  i Amazon Personalize lar deg tilpasse anbefalingene dine for hver bruker ved å inkludere elementer som du eksplisitt ønsker å øke synlighet og engasjement for. Kampanjer lar deg også spesifisere hvor stor prosentandel av de anbefalte varene som skal markedsføres, noe som skreddersyr anbefalingene for å oppfylle forretningsmålene dine uten ekstra kostnad. Du kan bruke kampanjer for anbefalinger ved å bruke oppskriftene User-Personalization og Similar-Items, samt bruke case-optimaliserte anbefalere.

For mer informasjon om Amazon Personalize, se Hva er Amazon Personalize?

Om forfatterne

Anna Gruebler er løsningsarkitekt hos AWS.

Alex Burkleaux er løsningsarkitekt hos AWS. Hun fokuserer på å hjelpe kunder med å bruke maskinlæring og dataanalyse for å løse problemer i medie- og underholdningsindustrien. På fritiden liker hun å tilbringe tid med familien og være frivillig som skipatruljer i sin lokale skibakke.

Liam Morrison er Solutions Architect Manager hos AWS. Han leder et team som er fokusert på Marketing Intelligence-tjenester. Han har brukt de siste 5 årene fokusert på praktiske anvendelser av maskinlæring i media og underholdning, og har hjulpet kunder med å implementere personalisering, naturlig språkbehandling, datasyn og mer.