Personalizuj doświadczenia klientów w wielu kanałach dzięki Amazon SageMaker, Amazon Personalize i Twilio Segment

Opublikowane ponownie przez Plato

Obserwuje: 0

Obecnie klienci wchodzą w interakcję z markami za pośrednictwem coraz szerszego zasięgu cyfrowego i offline, generując bogactwo danych dotyczących interakcji znanych jako dane behawioralne. W rezultacie marketerzy i zespoły ds. obsługi klienta muszą pracować z wieloma nakładającymi się narzędziami, aby angażować i docierać do tych klientów w różnych punktach kontaktu. Zwiększa to złożoność, tworzy wiele widoków na każdego klienta i sprawia, że zapewnienie każdemu klientowi indywidualnego doświadczenia z odpowiednią treścią, komunikatami i sugestiami dotyczącymi produktów staje się większym wyzwaniem. W odpowiedzi zespoły marketingowe korzystają z platform danych klientów (CDP) i narzędzi do zarządzania kampaniami w wielu kanałach (CCCM), aby uprościć proces konsolidacji wielu poglądów swoich klientów. Technologie te zapewniają użytkownikom nietechnicznym szybszą ścieżkę umożliwiającą kierowanie, zaangażowanie i personalizację w wielu kanałach, przy jednoczesnym zmniejszeniu zależności zespołów marketingowych od zespołów technicznych i specjalistycznych umiejętności w zakresie interakcji z klientami.

Mimo to marketerzy znajdują martwe punkty w działaniach klientów, gdy technologie te nie są zintegrowane z systemami z innych części biznesu. Jest to szczególnie prawdziwe w przypadku kanałów innych niż cyfrowe, na przykład transakcji w sklepie lub informacji zwrotnych od klientów otrzymanych od obsługi klienta. Zespoły marketingowe i ich odpowiedniki ds. obsługi klienta również mają trudności z integracją funkcji predykcyjnych opracowanych przez analityków danych w swoich kampaniach wielokanałowych lub punktach kontaktu z klientami. W rezultacie klienci otrzymują komunikaty i rekomendacje, które nie są dla nich istotne lub są niezgodne z ich oczekiwaniami.

W tym poście opisano, w jaki sposób zespoły wielofunkcyjne mogą współpracować, aby stawić czoła tym wyzwaniom, korzystając z przypadku użycia personalizacji wielokanałowej. Używamy fikcyjnego scenariusza dotyczącego handlu detalicznego, aby zilustrować, w jaki sposób te zespoły współdziałają, aby zapewnić spersonalizowaną obsługę na różnych etapach podróży klienta. Używamy Segment Twilio w naszym scenariuszu platforma danych klientów zbudowana na platformie AWS. Na rynku dostępnych jest ponad 12 CDP do wyboru, wielu z nich jest także partnerami AWS, ale w tym poście używamy Segmentu, ponieważ zapewnia on samoobsługową, bezpłatną warstwę, która pozwala odkrywać i eksperymentować. Wyjaśniamy, jak połączyć dane wyjściowe z Segmentu z danymi dotyczącymi sprzedaży w sklepie, metadanymi produktów i informacjami o zasobach. Na tej podstawie wyjaśnimy, jak zintegrować Segment z Amazon Personalizuj aby zapewnić rekomendacje w czasie rzeczywistym. Opisujemy również, w jaki sposób tworzymy oceny współczynnika rezygnacji i skłonności do ponownych zakupów Amazon Sage Maker. Na koniec badamy, jak docierać do nowych i istniejących klientów na trzy sposoby:

Banery w witrynach internetowych osób trzecich, zwane także reklamami displayowymi, wykorzystują wskaźnik skłonności do zakupu w celu przyciągnięcia podobnych klientów.
Na kanałach internetowych i mobilnych prezentowane są spersonalizowane rekomendacje obsługiwane przez Amazon Personalize, który wykorzystuje algorytmy uczenia maszynowego (ML) do tworzenia rekomendacji treści.
Dzięki spersonalizowanym wiadomościom Amazonka Wskaż, usługa komunikacji marketingowej wychodzącej i przychodzącej. Komunikaty te kierowane są do klientów niezaangażowanych i tych wykazujących dużą skłonność do rezygnacji.

Omówienie rozwiązania

Wyobraź sobie, że jesteś właścicielem produktu i odpowiadasz za wielokanałową obsługę klienta w firmie zajmującej się sprzedażą detaliczną. Firma posiada zróżnicowany zestaw kanałów online i offline, ale postrzega kanały cyfrowe jako główną szansę na rozwój. Chcą zwiększać wielkość i wartość swojej bazy klientów za pomocą następujących metod:

Przyciągnij nowych, wysoko wykwalifikowanych klientów, którzy są bardziej skłonni do konwersji
Zwiększ średnią wartość zamówienia wszystkich swoich klientów
Ponownie przyciągnij niezaangażowanych klientów, aby powrócili i, miejmy nadzieję, dokonali ponownych zakupów

Aby zapewnić tym klientom spójne doświadczenie we wszystkich kanałach, jako właściciel produktu musisz współpracować z zespołami, takimi jak marketing cyfrowy, rozwój front-end, rozwój urządzeń mobilnych, realizacja kampanii i agencje kreatywne. Aby mieć pewność, że klienci otrzymają odpowiednie rekomendacje, musisz także współpracować z zespołami zajmującymi się inżynierią danych i nauką o danych. Każdy z tych zespołów jest odpowiedzialny za interakcję z funkcjami architektury przedstawionymi na poniższym diagramie lub opracowywanie ich w ramach architektury.

Przepływ pracy rozwiązania obejmuje następujące kroki wysokiego poziomu:

Zbieraj dane z wielu źródeł, aby je przechowywać Usługa Amazon Simple Storage (Amazonka S3).
Zastosowanie Funkcje kroków AWS do koordynowania wdrażania danych i inżynierii funkcji.
Twórz segmenty i prognozy za pomocą SageMaker.
Użyj wyników skłonności do kierowania w sieci reklamowej.
Wysyłaj spersonalizowane wiadomości za pomocą Amazon Pinpoint.
Zintegruj spersonalizowane sugestie w czasie rzeczywistym za pomocą Amazon Personalize.

W poniższych sekcjach omówimy każdy krok, szczegółowo wyjaśnimy działania każdego zespołu, podajemy odniesienia do powiązanych zasobów i udostępniamy praktyczne laboratoria, które zapewniają bardziej szczegółowe wskazówki.

Zbieraj dane z wielu źródeł

Zespoły zajmujące się marketingiem cyfrowym, front-endem i programistami mobilnymi mogą skonfigurować Segment tak, aby przechwytywał i integrował analitykę internetową i mobilną, wydajność mediów cyfrowych oraz źródła sprzedaży online za pomocą Połączenia segmentowe. Segmentuj osoby umożliwia zespołom marketingu cyfrowego ustalenie tożsamości użytkowników poprzez połączenie interakcji między tymi źródłami w jeden profil użytkownika z jednym trwałym identyfikatorem. Profile te, wraz z obliczonymi metrykami, tzw Obliczone cechy i surowe wydarzenia można wyeksportować do Amazon S3. Poniższy zrzut ekranu pokazuje, jak skonfigurowane są reguły tożsamości w Segment Personas.

Równolegle mogą korzystać zespoły inżynieryjne Usługa migracji danych AWS (AWS DMS) do replikowania źródeł danych dotyczących sprzedaży w sklepie, metadanych produktów i zapasów z baz danych takich jak Microsoft SQL lub Oracle i przechowywania wyników w Amazon S3.

Wprowadzanie danych i inżynieria funkcji

Po zebraniu i zapisaniu danych w strefie docelowej na Amazon S3 inżynierowie danych mogą korzystać z komponentów z bezserwerowa struktura jeziora danych (SDLF), aby przyspieszyć wdrażanie danych i zbudować podstawową strukturę jeziora danych. Dzięki SDLF inżynierowie mogą zautomatyzować przygotowywanie danych o elementach użytkownika używanych do szkolenia Amazon Personalize lub stworzyć pojedynczy widok zachowań klientów, łącząc dane behawioralne online i offline oraz dane sprzedażowe, używając atrybutów takich jak identyfikator klienta lub adres e-mail jako wspólnego identyfikatora .

Step Functions jest głównym koordynatorem odpowiedzialnym za te zadania transformacji w SDLF. Funkcji kroków można używać do tworzenia i organizowania zarówno zaplanowanych, jak i sterowanych zdarzeniami przepływów pracy z danymi. Zespół inżynierów może koordynować zadania innych usług AWS w ramach potoku danych. Wyniki tego procesu są przechowywane w zaufanej strefie na platformie Amazon S3 w celu wykorzystania ich do rozwoju uczenia maszynowego. Aby uzyskać więcej informacji na temat wdrażania platformy bezserwerowego jeziora danych, zobacz Architektura referencyjna potoku bezserwerowej analizy danych AWS.

Twórz segmenty i prognozy

Proces budowania segmentów i prognoz można podzielić na trzy etapy: dostęp do środowiska, budowanie modeli skłonności i tworzenie plików wyjściowych.

Uzyskaj dostęp do środowiska

Po przygotowaniu i przekształceniu danych programistycznych uczenia maszynowego przez zespół inżynierów zespół zajmujący się analizą danych może budować modele skłonności przy użyciu oprogramowania SageMaker. Najpierw budują, szkolą i testują początkowy zestaw modeli uczenia maszynowego. Dzięki temu mogą zobaczyć wczesne wyniki, zdecydować, w którym kierunku pójść dalej, i odtworzyć eksperymenty.

Zespół analityki danych potrzebuje aktywnego pracownika Studio Amazon SageMaker na przykład zintegrowane środowisko programistyczne (IDE) do szybkiego eksperymentowania z uczeniem maszynowym. Jednoczy wszystkie kluczowe funkcje SageMaker i oferuje środowisko do kompleksowego zarządzania potokami ML. Usuwa złożoność i skraca czas potrzebny na budowanie modeli ML i wdrażanie ich w środowisku produkcyjnym. Deweloperzy mogą korzystać Notatniki SageMaker Studio, które są notatnikami Jupyter obsługiwanymi jednym kliknięciem, które można szybko uruchomić, aby umożliwić cały przepływ pracy ML, od przygotowania danych po wdrożenie modelu. Aby uzyskać więcej informacji na temat SageMaker for ML, zobacz Amazon SageMaker do nauki o danych.

Zbuduj modele skłonności

Aby oszacować skłonność do rezygnacji i ponownych zakupów, zespoły ds. obsługi klienta i analityki danych powinny uzgodnić znane czynniki wpływające na każdy wynik.

Zespół analityki danych weryfikuje te znane czynniki, jednocześnie odkrywając nieznane w procesie modelowania. Przykładem czynnika powodującego odejście klienta może być liczba zwrotów w ciągu ostatnich 3 miesięcy. Przykładowym czynnikiem wpływającym na ponowne zakupy może być liczba artykułów zapisanych na stronie internetowej lub w aplikacji mobilnej.

W naszym przypadku zakładamy, że zespół ds. marketingu cyfrowego chce stworzyć grupę docelową, korzystając z modelowania podobieństwa, aby znaleźć klientów, którzy z największym prawdopodobieństwem dokonają ponownego zakupu w następnym miesiącu. Zakładamy również, że zespół kampanii chce wysłać e-mailową ofertę do klientów, którzy prawdopodobnie zakończą subskrypcję w ciągu najbliższych 3 miesięcy, aby zachęcić ich do odnowienia subskrypcji.

Zespół analityki danych może rozpocząć od analizy danych (funkcji) i podsumowania głównych cech zbioru danych, aby zrozumieć kluczowe zachowania danych. Następnie mogą przetasować i podzielić dane na szkolenia oraz przetestować i przesłać te zestawy danych do strefy zaufanej. Możesz użyć algorytmu, takiego jak XGBoost klasyfikator do uczenia modelu i automatycznego zapewniania wyboru funkcji, czyli najlepszego zestawu kandydatów do określenia wyników skłonności (lub wartości przewidywanych).

Następnie można dostroić model, optymalizując metryki algorytmu (takie jak hiperparametry) w oparciu o zakresy dostarczane w ramach XGBoost. Dane testowe służą do oceny wydajności modelu i oszacowania, jak dobrze generalizuje on nowe dane. Aby uzyskać więcej informacji na temat metryk oceny, zobacz Dostosuj model XGBoost.

Na koniec dla każdego klienta obliczane są oceny skłonności i przechowywane w zaufanej strefie S3, gdzie zespoły ds. marketingu i kampanii mogą uzyskać do nich dostęp, przeglądać je i zatwierdzać. Proces ten zapewnia również priorytetową ocenę ważności cech, co pomaga wyjaśnić, w jaki sposób uzyskano wyniki.

Utwórz pliki wyjściowe

Po ukończeniu szkolenia i dostrajania modelu zespół analityki danych współpracuje z zespołem inżynierów w celu wdrożenia najlepszego modelu w środowisku produkcyjnym. Możemy użyć Transformacja wsadowa SageMaker do uruchamiania prognoz w miarę gromadzenia nowych danych i generowania wyników dla każdego klienta. Zespół inżynierów może koordynować i automatyzować przepływ pracy ML za pomocą Rurociągi Amazon SageMaker, specjalnie stworzoną usługę ciągłej integracji i ciągłego dostarczania (CI/CD) dla ML, która oferuje środowisko do kompleksowego zarządzania przepływem pracy ML. Oszczędza czas i redukuje błędy zwykle powodowane przez ręczną orkiestrację.

Wyniki przepływu pracy ML są importowane przez Amazon Pinpoint w celu wysyłania spersonalizowanych wiadomości i eksportowane do Segment w celu wykorzystania podczas targetowania w kanałach displayowych. Na poniższej ilustracji przedstawiono wizualny przegląd przepływu pracy ML.

Poniższy zrzut ekranu przedstawia przykładowy plik wyjściowy.

Użyj wyników skłonności do kierowania w sieci reklamowej

Zespoły inżynierów i marketingu cyfrowego mogą stworzyć odwrotny przepływ danych z powrotem do Segmentu, aby zwiększyć zasięg. Używa to kombinacji AWS Lambda i Amazona S3. Za każdym razem, gdy przepływ pracy ML generuje nowy plik wyjściowy i zapisuje go w zaufanym zasobniku S3, wywoływana jest funkcja Lambda, która uruchamia eksport do Segmentu. Marketing cyfrowy może następnie wykorzystywać regularnie aktualizowane oceny skłonności jako atrybuty klientów do tworzenia i eksportowania odbiorców do miejsc docelowych segmentu (patrz poniższy zrzut ekranu). Więcej informacji na temat struktury pliku eksportu Segmentu znajdziesz w artykule Amazon S3 od Lambdy.

Gdy dane są dostępne w Segmencie, marketing cyfrowy może zobaczyć oceny skłonności opracowane w SageMaker jako atrybuty podczas tworzenia segmentów klientów. Mogą generować podobnych odbiorców, do których będą kierowane reklamy cyfrowe. Aby utworzyć pętlę informacji zwrotnej, marketing cyfrowy musi zapewnić, że wyświetlenia, kliknięcia i kampanie zostaną ponownie przetworzone w Segment w celu optymalizacji wydajności.

Wysyłaj spersonalizowane wiadomości wychodzące

Zespół realizujący kampanie może wdrażać kampanie typu „win-back” oparte na sztucznej inteligencji, aby ponownie zaangażować klientów zagrożonych rezygnacją. Kampanie te wykorzystują listę kontaktów klientów wygenerowaną w SageMaker jako segmenty podczas integracji z Amazon Personalize w celu przedstawienia spersonalizowanych rekomendacji produktów. Zobacz poniższy diagram.

Zespół marketingu cyfrowego może eksperymentować z wykorzystaniem podróży Amazon Pinpoint, aby podzielić segmenty wygranej na podgrupy i zarezerwować odsetek użytkowników jako grupę kontrolną, która nie jest narażona na kampanię. Pozwala im to zmierzyć wpływ kampanii i tworzy pętlę informacji zwrotnej.

Zintegruj rekomendacje w czasie rzeczywistym

Aby spersonalizować kanały przychodzące, zespoły marketingu cyfrowego i inżynierów współpracują nad integracją i konfiguracją usługi Amazon Personalize w celu zapewniania rekomendacji produktów na różnych etapach podróży klienta. Na przykład mogą wdrożyć plik podobny przedmiot rekomendator na stronach ze szczegółami produktu, aby zasugerować elementy uzupełniające (patrz poniższy diagram). Dodatkowo mogą wdrożyć rekomendację filtrowania opartą na treści na ścieżce realizacji zakupu, aby przypominać klientom o produktach, które zazwyczaj kupują przed sfinalizowaniem zamówienia.

Najpierw zespół inżynierów musi utworzyć mikrousługi RESTful, które będą odpowiadać na żądania aplikacji internetowych, mobilnych i innych kanałów, przedstawiając rekomendacje produktów. Te mikrousługi wywołują Amazon Personalize, aby uzyskać rekomendacje, przekształcić identyfikatory produktów w bardziej znaczące informacje, takie jak nazwa i cena, sprawdzić poziom zapasów i określić, który punkt końcowy kampanii Amazon Personalize ma zostać zapytany na podstawie bieżącej strony lub ekranu użytkownika.

Zespoły programistów front-endowych i mobilnych muszą dodać do swoich aplikacji zdarzenia śledzące określone działania klientów. Następnie mogą użyć Segmentu do wysłania tych zdarzeń bezpośrednio do Amazon Personalize w czasie rzeczywistym. Te zdarzenia śledzenia są takie same, jak dane elementów użytkownika, które wyodrębniliśmy wcześniej. Pozwalają rozwiązaniom Amazon Personalize udoskonalać rekomendacje na podstawie żywych interakcji z klientami. Rejestrowanie wyświetleń, wyświetleń produktów, dodań do koszyka i zakupów jest niezbędne, ponieważ zdarzenia te tworzą pętlę informacji zwrotnej dla rekomendujących. Lambda jest pośrednikiem, zbierającym zdarzenia użytkownika z Segmentu i wysyłającym je do Amazon Personalize. Lambda ułatwia także odwrotną wymianę danych, przekazując zaktualizowane rekomendacje dla użytkownika z powrotem do Segmentu. Aby uzyskać więcej informacji na temat konfigurowania rekomendacji w czasie rzeczywistym za pomocą Segment i Amazon Personalize, zobacz Segmentuj dane w czasie rzeczywistym i warsztaty Amazon Personalize.

Wnioski

W tym poście opisano, jak zapewnić wielokanałową obsługę klienta, korzystając z połączenia platformy danych klientów Segment i usług AWS, takich jak Amazon SageMaker, Amazon Personalize i Amazon Pinpoint. Zbadaliśmy rolę, jaką odgrywają zespoły wielofunkcyjne na każdym etapie podróży klienta i łańcucha wartości danych. Omawiana architektura i podejście skupiają się na środowisku detalicznym, ale można je zastosować w innych branżach, takich jak usługi finansowe lub media i rozrywka. Jeśli chcesz wypróbować niektóre z omówionych przez nas kwestii, zapoznaj się z sekcją Detaliczny sklep demonstracyjny, gdzie można znaleźć praktyczne warsztaty z udziałem Segmentu i innych partnerów AWS.

Dodatkowe referencje

Aby uzyskać dodatkowe informacje, zobacz następujące zasoby:

O segmencie

Segment jest partnerem w zakresie zaawansowanych technologii AWS i posiadaczem następujących kompetencji niezależnego dostawcy oprogramowania AWS (ISV): dane i analityka, cyfrowe doświadczenie klienta, handel detaliczny i uczenie maszynowe. Takie marki jak Atlassian i Digital Ocean korzystają z rozwiązań analitycznych w czasie rzeczywistym obsługiwanych przez Segment.

O autorach

Dwayne'a Browne'a jest głównym specjalistą ds. platform analitycznych w AWS z siedzibą w Londynie. Należy do programu dla klientów Data-Driven Everything (D2E), w ramach którego pomaga klientom w większym stopniu opierać się na danych i koncentrować na doświadczeniach klientów. Ma doświadczenie w analityce cyfrowej, personalizacji i automatyzacji marketingu. W wolnym czasie Dwayne lubi wspinaczkę w pomieszczeniach i odkrywanie przyrody.

Hara Gavriliadi jest starszym strategiem ds. analizy danych w AWS Professional Services z siedzibą w Londynie. Pomaga klientom przekształcać ich firmy, korzystając z danych, analiz i uczenia maszynowego. Specjalizuje się w analityce klienta i strategii danych. Hara uwielbia spacery po okolicy, a w wolnym czasie odkrywa lokalne księgarnie i studia jogi.

Kenny’ego Rajana jest starszym partnerem, architektem rozwiązań. Kenny pomaga klientom w pełni wykorzystać możliwości AWS i jego partnerów, demonstrując, jak partnerzy AWS i usługi AWS lepiej ze sobą współpracują. Interesuje się uczeniem maszynowym, danymi, wdrożeniami ERP i rozwiązaniami głosowymi w chmurze. Poza pracą Kenny lubi czytać książki i pomagać w działaniach charytatywnych.