Amazon Tilpasse er glade for å kunngjøre den nye Neste beste handling (aws-next-best-action
) oppskrift for å hjelpe deg med å finne de beste handlingene du kan foreslå for dine individuelle brukere som vil gjøre deg i stand til å øke merkevarelojalitet og konvertering.
Amazon Personalize er en fullstendig administrert maskinlæringstjeneste (ML) som gjør det enkelt for utviklere å levere svært personlige brukeropplevelser i sanntid. Det 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 ML-erfaring, 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.
I dette innlegget viser vi deg hvordan du bruker Next Best Action-oppskriften for å tilpasse handlingsanbefalinger basert på hver brukers tidligere interaksjoner, behov og atferd.
Løsningsoversikt
Med den raske veksten av digitale kanaler og teknologiske fremskritt som gjør hyperpersonalisering mer tilgjengelig, sliter merker med å bestemme hvilke handlinger som vil maksimere engasjementet for hver enkelt bruker. Merkevarer viser enten de samme handlingene til alle brukere eller er avhengige av tradisjonelle brukersegmenteringsmetoder for å anbefale handlinger til hver brukerkohort. Imidlertid er disse tilnærmingene ikke lenger tilstrekkelige, fordi hver bruker forventer en unik opplevelse og har en tendens til å forlate merkevarer som ikke forstår deres behov. Videre kan ikke merkevarer oppdatere handlingsanbefalingene i sanntid på grunn av prosessens manuelle natur.
Med Neste beste handling kan du bestemme handlingene som har størst sannsynlighet for å engasjere hver enkelt bruker basert på deres preferanser, behov og historie. Neste beste handling tar hensyn til interessene til hver bruker under økten og gir handlingsanbefalinger i sanntid. Du kan anbefale handlinger som å melde deg på lojalitetsprogrammer, registrere deg for et nyhetsbrev eller magasin, utforske en ny kategori, laste ned en app og andre handlinger som oppmuntrer til konvertering. Dette vil gjøre deg i stand til å forbedre hver brukers opplevelse ved å gi dem anbefalinger om handlinger på tvers av brukerreisen som vil bidra til å fremme langsiktig merkeengasjement og inntekter. Det vil også bidra til å forbedre avkastningen på markedsføringsinvesteringer ved å anbefale handlingen som hver bruker har stor sannsynlighet for å ta.
AWS-partnere liker Credera er begeistret over personaliseringsmulighetene som Amazon Personalize Next Best Action vil låse opp for kundene sine.
"Amazon Personalize er en maskinlæringsløsning i verdensklasse som gjør det mulig for bedrifter å skape meningsfulle kundeopplevelser på tvers av et bredt spekter av brukstilfeller uten omfattende omarbeiding eller forhåndsimplementeringskostnader som vanligvis kreves av denne typen løsninger. Vi er veldig glade for tillegget av Next Best Action-funksjonen som vil gjøre det mulig for kunder å gi personlige handlingsanbefalinger, betydelig forbedre deres digitale opplevelser og øke forretningsverdien. Spesifikt forventer vi at alle som jobber innenfor detaljhandelen eller innholdsområdet ser en forbedret opplevelse for kundene sine og høyere konverteringer som et direkte resultat av bruk av Amazon Personalize. Vi er ekstremt begeistret for å være en lanseringspartner med AWS på denne utgivelsen, og ser frem til å gi bedrifter mulighet til å drive ML-baserte personaliserte løsninger med Next Best Action.»
– Jason Goth, Partner og Chief Technology Officer, Credera.
Eksempler på brukstilfeller
For å utforske virkningen av denne nye funksjonen mer detaljert, la oss se på et eksempel ved å ta tre brukere: A (User_id
11999), B (User_id
17141), og C (User_id
8103), som er i forskjellige stadier av brukerreisen mens de foretar kjøp på et nettsted. Vi ser deretter hvordan Next Best Action foreslår de optimale handlingene for hver bruker basert på deres tidligere interaksjoner og preferanser.
Først ser vi på datasettet for handlingsinteraksjoner for å forstå hvordan brukere har samhandlet med handlinger tidligere. Følgende eksempel viser de tre brukerne og deres ulike handlemønstre. Bruker A er en hyppig kjøper og har handlet mest i kategoriene "Skjønnhet og pleie" og "Smykker" tidligere. Bruker B er en tilfeldig kjøper som har gjort noen få kjøp i kategorien "Elektronikk" tidligere, og bruker C er en ny bruker på nettstedet som har gjort sitt første kjøp i kategorien "Klær".
Brukertype | Bruker-ID | handlinger | Action_Event_Type | Tidsstempel |
Bruker A | 11999 | Kjøp i kategorien "Skjønnhet og pleie". | tatt | 2023-09-17 20:03:05 |
Bruker A | 11999 | Kjøp i kategorien "Skjønnhet og pleie". | tatt | 2023-09-18 19:28:38 |
Bruker A | 11999 | Kjøp i kategorien "Skjønnhet og pleie". | tatt | 2023-09-20 17:49:52 |
Bruker A | 11999 | Kjøp i kategorien "Smykker". | tatt | 2023-09-26 18:36:16 |
Bruker A | 11999 | Kjøp i kategorien "Skjønnhet og pleie". | tatt | 2023-09-30 19:21:05 |
Bruker A | 11999 | Last ned mobilappen | tatt | 2023-09-30 19:29:35 |
Bruker A | 11999 | Kjøp i kategorien "Smykker". | tatt | 2023-10-01 19:35:47 |
Bruker A | 11999 | Kjøp i kategorien "Skjønnhet og pleie". | tatt | 2023-10-04 19:19:34 |
Bruker A | 11999 | Kjøp i kategorien "Smykker". | tatt | 2023-10-06 20:38:55 |
Bruker A | 11999 | Kjøp i kategorien "Skjønnhet og pleie". | tatt | 2023-10-10 20:17:07 |
Bruker B | 17141 | Kjøp i kategorien "Elektronikk". | tatt | 2023-09-29 20:17:49 |
Bruker B | 17141 | Kjøp i kategorien "Elektronikk". | tatt | 2023-10-02 00:38:08 |
Bruker B | 17141 | Kjøp i kategorien "Elektronikk". | tatt | 2023-10-07 11:04:56 |
Bruker C | 8103 | Kjøp i kategorien "Klær". | tatt | 2023-09-26 18:30:56 |
Tradisjonelt viser merkevarer enten de samme handlingene til alle brukere eller bruker brukersegmenteringsstrategier for å anbefale handlinger til brukerbasen. Tabellen nedenfor er et eksempel på en merkevare som viser det samme settet med handlinger til alle brukere. Disse handlingene kan være relevante for brukerne eller ikke, og redusere deres engasjement med merkevaren.
Brukertype | Bruker-ID | Handlingsanbefalinger | Rangering av handling |
Bruker A | 11999 | Abonner på lojalitetsprogram | 1 |
Bruker A | 11999 | Last ned mobilappen | 2 |
Bruker A | 11999 | Kjøp i kategorien "Elektronikk". | 3 |
Bruker B | 17141 | Abonner på lojalitetsprogram | 1 |
Bruker B | 17141 | Last ned mobilappen | 2 |
Bruker B | 17141 | Kjøp i kategorien "Elektronikk". | 3 |
Bruker C | 8103 | Abonner på lojalitetsprogram | 1 |
Bruker C | 8103 | Last ned mobilappen | 2 |
Bruker C | 8103 | Kjøp i kategorien "Elektronikk". | 3 |
La oss nå bruke Neste beste handling for å anbefale handlinger for hver bruker. Etter at du har definert handlingene som er kvalifisert for anbefalinger, aws-next-best-action
resepten returnerer en rangert liste over handlinger, tilpasset for hver bruker, basert på brukertilbøyelighet (sannsynligheten for at en bruker utfører en bestemt handling, som varierer mellom 0.0–1.0) og verdien av den handlingen, hvis den er gitt. For formålet med dette innlegget vurderer vi kun brukertilbøyelighet.
I det følgende eksemplet ser vi at for bruker A (hyppig kjøper), Abonner på lojalitetsprogram er den beste anbefalte handlingen med en tilbøyelighetsscore på 1.00, noe som betyr at denne brukeren mest sannsynlig vil melde seg på lojalitetsprogrammet fordi de har gjort mange kjøp. Derfor har det stor sannsynlighet for å øke bruker A sitt engasjement ved å anbefale handlingen Abonner på lojalitetsprogram til bruker A.
Brukertype | Bruker-ID | Handlingsanbefalinger | Rangering av handling | Tendenspoeng |
Bruker A | 11999 | Abonner på lojalitetsprogram | 1 | 1.00 |
Bruker A | 11999 | Kjøp i kategorien "Smykker". | 2 | 0.86 |
Bruker A | 11999 | Kjøp i kategorien "Skjønnhet og pleie". | 3 | 0.85 |
Bruker B | 17141 | Kjøp i kategorien "Elektronikk". | 1 | 0.78 |
Bruker B | 17141 | Abonner på lojalitetsprogram | 2 | 0.71 |
Bruker B | 17141 | Kjøp i kategorien "Smarthus". | 3 | 0.66 |
Bruker C | 8103 | Kjøp i kategorien "Håndvesker og sko". | 1 | 0.60 |
Bruker C | 8103 | Last ned mobilappen | 2 | 0.48 |
Bruker C | 8103 | Kjøp i kategorien "Klær". | 3 | 0.46 |
Tilsvarende har bruker B (tilfeldig kjøperpersona) en høyere sannsynlighet for å fortsette å kjøpe i kategorien "Elektronikk" og også kjøpe nye produkter i en lignende kategori, "Smarthjem". Derfor anbefaler Next Best Action deg å prioritere handlinger, kjøp i kategorien "Elektronikk" og kjøp i kategorien "smarte hjem". Dette betyr at hvis du ber bruker B om å kjøpe produkter i disse to kategoriene, kan det føre til større engasjement. Vi legger også merke til at handlingen for å abonnere på lojalitetsprogram anbefales til bruker B, men med en lavere tilbøyelighetsscore på 0.71 sammenlignet med bruker A, hvis tilbøyelighetspoeng er 1.0. Dette er fordi brukere som har en dypere historie og er lenger på shoppingreisen drar mer nytte av lojalitetsprogrammer på grunn av de ekstra fordelene, og det er høyst sannsynlig at de vil samhandle mer.
Til slutt ser vi at Neste beste handling for bruker C kjøper i kategorien "Håndvesker og sko", som ligner på deres forrige handling med kjøp i kategorien "Klær". Vi ser også at tilbøyelighetsskåren til å laste ned mobilappen er relativt lavere (0.48) enn en annen handling, Kjøp i kategorien «Håndvesker og sko», som har en høyere tilbøyelighetsscore på 0.60. Dette betyr at hvis du anbefaler bruker C å kjøpe produkter i en komplementær kategori ("Håndvesker og sko") fremfor å laste ned mobilappen, er det mer sannsynlig at de holder seg til merkevaren din og fortsetter å handle i fremtiden.
For mer informasjon om hvordan du implementerer den neste beste handlingen (aws-next-best-action
) oppskrift, se dokumentasjon.
konklusjonen
Den nye Next Best Action-oppskriften i Amazon Personalize hjelper deg med å anbefale de riktige handlingene til riktig bruker i sanntid basert på deres individuelle oppførsel og behov. Dette vil gjøre deg i stand til å maksimere brukerengasjementet og føre til høyere konverteringsfrekvenser.
For mer informasjon om Amazon Personalize, se Amazon Personalize utviklerveiledning.
Om forfatterne
Shreeya Sharma er en senior teknisk produktsjef som jobber med AWS AI/ML på Amazon Personalize. Hun har bakgrunn innen informatikk, teknologirådgivning og dataanalyse. På fritiden liker hun å reise, spille teater og prøve nye eventyr.
Pranesh Anubhav er senior programvareingeniør for Amazon Personalize. Han brenner for å designe maskinlæringssystemer for å betjene kunder i stor skala. Utenom jobben elsker han å spille fotball og er en ivrig tilhenger av Real Madrid.
Aniket Deshmukh er en Applied Scientist i AWS AI-laboratorier som støtter Amazon Personalize. Aniket jobber i det generelle området anbefalingssystemer, kontekstuelle banditter og multimodal dyplæring.
- SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
- PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
- PlatoESG. Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
- PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang her.
- kilde: https://aws.amazon.com/blogs/machine-learning/build-brand-loyalty-by-recommending-actions-to-your-users-with-amazon-personalize-next-best-action/
- : har
- :er
- :ikke
- $OPP
- 1
- 100
- 11
- 114
- 120
- 125
- 13
- 14
- 17
- 19
- 20
- 28
- 29
- 30
- 35%
- 36
- 49
- 60
- 7
- 72
- 8
- a
- Om oss
- tilgjengelig
- Logg inn
- tvers
- Handling
- handlinger
- la til
- tillegg
- Ytterligere
- fremskritt
- eventyr
- Etter
- AI
- AI / ML
- Alle
- langs
- også
- Amazon
- Amazon Tilpasse
- Amazon Web Services
- an
- analytics
- og
- Kunngjøre
- En annen
- noen
- noen
- APIer
- app
- søknader
- anvendt
- tilnærminger
- ER
- AREA
- Array
- AS
- At
- AWS
- bakgrunn
- basen
- basert
- BE
- fordi
- atferd
- nytte
- Fordeler
- BEST
- mellom
- merke
- merker
- bygge
- virksomhet
- bedrifter
- men
- kjøpe
- KJØPER..
- Kjøpe
- by
- Kampanjer
- CAN
- Kan få
- evner
- evne
- saker
- tilfeldig
- kategorier
- Kategori
- kanaler
- sjef
- Chief Technology Officer
- Cohort
- Selskaper
- sammenlignet
- utfyllende
- datamaskin
- informatikk
- Vurder
- konsulent
- innhold
- kontekstuelle
- fortsette
- Konvertering
- konverteringer
- Kostnad
- skape
- kunde
- Kundedeltakelse
- Kunder
- dato
- Data Analytics
- dyp
- dyp læring
- dypere
- definere
- leverer
- utforme
- detalj
- detaljer
- Bestem
- Utvikler
- utviklere
- forskjellig
- digitalt
- direkte
- ikke
- nedlasting
- Nedlasting
- stasjonen
- kjøring
- to
- hver enkelt
- lett
- uanstrengt
- enten
- kvalifisert
- myndiggjøring
- muliggjøre
- muliggjør
- oppmuntre
- kryptert
- engasjement
- engasjerende
- ingeniør
- Ingeniørarbeid
- Hver
- eksempel
- opphisset
- forvente
- forventer
- erfaring
- Erfaringer
- utforske
- Utforske
- omfattende
- ekstremt
- Trekk
- Noen få
- Først
- etter
- Til
- Forward
- hyppig
- fra
- fullt
- videre
- Dess
- framtid
- general
- få
- større
- Vekst
- Ha
- he
- hjelpe
- hjelper
- her
- Høy
- høyere
- høyest
- svært
- hans
- historie
- Hvordan
- Hvordan
- Men
- HTML
- HTTPS
- if
- Påvirkning
- iverksette
- gjennomføring
- forbedre
- forbedret
- bedre
- in
- Øke
- økende
- individuelt
- informasjon
- samhandle
- interaksjoner
- interesser
- inn
- investering
- IT
- reise
- jpg
- Labs
- lansere
- føre
- læring
- i likhet med
- sannsynligheten
- Sannsynlig
- Liste
- langsiktig
- lenger
- Se
- ser
- elsker
- lavere
- Lojalitet
- lojalitetsprogram
- Lojalitetsprogrammer
- maskin
- maskinlæring
- laget
- magazine
- gjøre
- GJØR AT
- Making
- fikk til
- leder
- håndbok
- Marketing
- Maksimer
- Kan..
- meningsfylt
- midler
- ML
- Mobil
- Mobilapp
- mer
- mest
- for det meste
- Natur
- behov
- Ny
- nye produkter
- Nyhetsbrev
- neste
- Nei.
- Legge merke til..
- mange
- of
- Offiser
- on
- bare
- optimal
- or
- Annen
- ut
- utenfor
- enn
- Spesielt
- partner
- partnere
- lidenskapelig
- Past
- mønstre
- utfører
- Tilpassing
- tilpasse
- Personlig
- plato
- Platon Data Intelligence
- PlatonData
- spiller
- muligheter
- Post
- Slå
- preferanser
- forrige
- Før
- Prioriter
- privat
- prosess
- Produkt
- Produktsjef
- Produkter
- program
- programmer
- fremme
- gi
- forutsatt
- gir
- gi
- Kjøp
- kjøp
- innkjøp
- formål
- spenner
- rangert
- rask
- priser
- ekte
- Real Madrid
- sanntids
- virkelig
- .
- anbefaler
- Anbefaling
- anbefalinger
- anbefales
- anbefale
- anbefaler
- redusere
- referere
- relativt
- slipp
- relevant
- avhengige
- påkrevd
- resultere
- detaljhandel
- retur
- avkastning
- inntekter
- anmeldelse
- ikke sant
- samme
- Skala
- Vitenskap
- Forsker
- Resultat
- sikre
- se
- segmentering
- senior
- betjene
- tjeneste
- Tjenester
- sett
- hun
- Shopping
- Vis
- Viser
- betydelig
- signering
- lignende
- Fotball
- Software
- Software Engineer
- løsning
- Solutions
- sofistikert
- Rom
- spesielt
- stadier
- startet
- strategier
- Struggle
- abonnere
- slik
- tilstrekkelig
- foreslår
- foreslår
- Støtte
- Systemer
- bord
- tar
- ta
- målrettet
- Teknisk
- Teknologi
- pleier
- enn
- Det
- De
- Fremtiden
- teater
- deres
- Dem
- deretter
- derfor
- Disse
- de
- denne
- tre
- begeistret
- tid
- til
- topp
- tradisjonelle
- Traveling
- prøver
- to
- typer
- typisk
- ute av stand
- forstå
- unik
- låse opp
- Oppdater
- bruke
- Bruker
- brukerreise
- Brukere
- ved hjelp av
- verdi
- we
- web
- webtjenester
- Nettsted
- nettsteder
- Hva
- hvilken
- mens
- HVEM
- hvem sin
- bred
- vil
- med
- innenfor
- uten
- Arbeid
- arbeid
- virker
- verdensklasse
- Du
- Din
- zephyrnet