Personalize as experiências do cliente em vários canais com Amazon SageMaker, Amazon Personalize e Twilio Segment

Hoje, os clientes interagem com as marcas através de uma presença digital e offline cada vez maior, gerando uma riqueza de dados de interação conhecidos como dados comportamentais. Como resultado, os profissionais de marketing e as equipes de experiência do cliente devem trabalhar com diversas ferramentas sobrepostas para envolver e direcionar esses clientes em todos os pontos de contato. Isso aumenta a complexidade, cria múltiplas visualizações de cada cliente e torna mais desafiador fornecer uma experiência individual com conteúdo, mensagens e sugestões de produtos relevantes para cada cliente. Em resposta, as equipes de marketing usam plataformas de dados de clientes (CDPs) e ferramentas de gerenciamento de campanhas entre canais (CCCMs) para simplificar o processo de consolidação de múltiplas visualizações de seus clientes. Essas tecnologias fornecem aos usuários não técnicos um caminho acelerado para permitir a segmentação, o envolvimento e a personalização entre canais, ao mesmo tempo que reduzem a dependência das equipes de marketing de equipes técnicas e habilidades especializadas para interagir com os clientes.

Apesar disso, os profissionais de marketing encontram pontos cegos na atividade do cliente quando essas tecnologias não estão integradas com sistemas de outras partes do negócio. Isto é particularmente verdadeiro com canais não digitais, por exemplo, transações na loja ou feedback do cliente através do suporte ao cliente. As equipes de marketing e suas contrapartes de experiência do cliente também lutam para integrar recursos preditivos desenvolvidos por cientistas de dados em suas campanhas entre canais ou pontos de contato com o cliente. Como resultado, os clientes recebem mensagens e recomendações que não são relevantes ou inconsistentes com as suas expectativas.

Esta postagem descreve como equipes multifuncionais podem trabalhar juntas para enfrentar esses desafios usando um caso de uso de personalização omnicanal. Usamos um cenário fictício de varejo para ilustrar como essas equipes se interligam para fornecer uma experiência personalizada em vários pontos da jornada do cliente. Nós usamos Segmento Twilio em nosso cenário, uma plataforma de dados de clientes construída na AWS. Existem mais de 12 CDPs no mercado para você escolher, muitos dos quais também são parceiros da AWS, mas usamos Segment nesta postagem porque eles fornecem um nível gratuito de autoatendimento que permite explorar e experimentar. Explicamos como combinar o resultado do Segmento com dados de vendas na loja, metadados de produtos e informações de estoque. Com base nisso, explicamos como integrar o Segment com Amazon Customize para potencializar recomendações em tempo real. Também descrevemos como criamos pontuações para rotatividade e propensão à compra repetida usando Amazon Sage Maker. Por último, exploramos como atingir clientes novos e existentes de três maneiras:

• Com banners em sites de terceiros, também conhecidos como publicidade gráfica, usando uma pontuação de propensão a comprar para atrair clientes semelhantes.
• Nos canais web e móveis são apresentadas recomendações personalizadas fornecidas pelo Amazon Personalize, que usa algoritmos de aprendizado de máquina (ML) para criar recomendações de conteúdo.
• Com mensagens personalizadas usando Amazon identificar, um serviço de comunicações de marketing de entrada e saída. Essas mensagens têm como alvo clientes desinteressados ​​e aqueles que apresentam alta propensão à rotatividade.

Visão geral da solução

Imagine que você é um proprietário de produto liderando a experiência do cliente em vários canais para uma empresa de varejo. A empresa possui um conjunto diversificado de canais online e offline, mas vê os canais digitais como sua principal oportunidade de crescimento. Eles desejam aumentar o tamanho e o valor de sua base de clientes com os seguintes métodos:

• Atraia clientes novos e altamente qualificados com maior probabilidade de conversão
• Aumentar o valor médio do pedido de todos os seus clientes
• Atraia novamente clientes desinteressados ​​para que retornem e, com sorte, façam compras repetidas

Para garantir que esses clientes recebam uma experiência consistente em todos os canais, você, como proprietário do produto, precisa trabalhar com equipes como marketing digital, desenvolvimento front-end, desenvolvimento móvel, entrega de campanhas e agências de criação. Para garantir que os clientes recebam recomendações relevantes, você também precisa trabalhar com equipes de engenharia e ciência de dados. Cada uma dessas equipes é responsável por interagir ou desenvolver recursos na arquitetura ilustrada no diagrama a seguir.

O fluxo de trabalho da solução contém as seguintes etapas de alto nível:

1. Colete dados de múltiplas fontes para armazená-los Serviço de armazenamento simples da Amazon (Amazônia S3).
2. Use Funções de etapa da AWS para orquestrar a integração de dados e a engenharia de recursos.
3. Crie segmentos e previsões usando SageMaker.
4. Use pontuações de propensão para segmentação de exibição.
5. Envie mensagens personalizadas usando o Amazon Pinpoint.
6. Integre sugestões personalizadas em tempo real usando o Amazon Personalize.

Nas seções a seguir, percorremos cada etapa, explicamos as atividades de cada equipe em alto nível, fornecemos referências aos recursos relacionados e compartilhamos laboratórios práticos que fornecem orientações mais detalhadas.

Colete dados de múltiplas fontes

As equipes de marketing digital, front-end e desenvolvimento móvel podem configurar o Segment para capturar e integrar análises web e móveis, desempenho de mídia digital e fontes de vendas on-line usando Conexões de segmento. Personalidades do segmento permite que as equipes de marketing digital resolvam a identidade dos usuários unindo as interações entre essas fontes em um único perfil de usuário com um identificador persistente. Esses perfis, juntamente com métricas calculadas chamadas Características computadas e eventos brutos, podem ser exportados para o Amazon S3. A captura de tela a seguir mostra como as regras de identidade são configuradas em Segment Personas.

Paralelamente, as equipes de engenharia podem usar Serviço de migração de dados da AWS (AWS DMS) para replicar vendas na loja, metadados de produtos e fontes de dados de inventário de bancos de dados como Microsoft SQL ou Oracle e armazenar a saída no Amazon S3.

Integração de dados e engenharia de recursos

Depois que os dados são coletados e armazenados na zona de destino do Amazon S3, os engenheiros de dados podem usar componentes do estrutura de data lake sem servidor (SDLF) para acelerar a integração de dados e construir a estrutura básica de um data lake. Com o SDLF, os engenheiros podem automatizar a preparação de dados de itens do usuário usados ​​para treinar o Amazon Personalize ou criar uma visão única do comportamento do cliente, unindo dados comportamentais e dados de vendas on-line e off-line, usando atributos como ID do cliente ou endereço de e-mail como um identificador comum. .

Step Functions é o principal orquestrador que conduz esses trabalhos de transformação no SDLF. Você pode usar o Step Functions para criar e orquestrar fluxos de trabalho de dados programados e orientados por eventos. A equipe de engenharia pode orquestrar as tarefas de outros serviços da AWS em um pipeline de dados. As saídas desse processo são armazenadas em uma zona confiável no Amazon S3 para uso no desenvolvimento de ML. Para obter mais informações sobre a implementação da estrutura de data lake sem servidor, consulte Arquitetura de referência de pipeline de análise de dados sem servidor da AWS.

Crie segmentos e previsões

O processo de construção de segmentos e previsões pode ser dividido em três etapas: acessar o ambiente, construir modelos de propensão e criar arquivos de saída.

Acesse o ambiente

Depois que a equipe de engenharia preparar e transformar os dados de desenvolvimento de ML, a equipe de ciência de dados poderá construir modelos de propensão usando o SageMaker. Primeiro, eles criam, treinam e testam um conjunto inicial de modelos de ML. Isso permite que eles vejam os primeiros resultados, decidam qual direção seguir e reproduzam experimentos.

A equipe de ciência de dados precisa de uma equipe ativa Estúdio Amazon SageMaker por exemplo, um ambiente de desenvolvimento integrado (IDE) para experimentação rápida de ML. Ele unifica todos os principais recursos do SageMaker e oferece um ambiente para gerenciar pipelines de ML ponta a ponta. Ele elimina a complexidade e reduz o tempo necessário para criar modelos de ML e implantá-los na produção. Os desenvolvedores podem usar Blocos de notas do SageMaker Studio, que são notebooks Jupyter de um clique que você pode ativar rapidamente para ativar todo o fluxo de trabalho de ML, desde a preparação de dados até a implantação do modelo. Para obter mais informações sobre o SageMaker para ML, consulte Amazon SageMaker para ciência de dados.

Construa os modelos de propensão

Para estimar a rotatividade e a propensão à compra repetida, as equipes de experiência do cliente e de ciência de dados devem concordar sobre os fatores determinantes conhecidos para qualquer resultado.

A equipe de ciência de dados valida esses fatores conhecidos ao mesmo tempo que descobre fatores desconhecidos por meio do processo de modelagem. Um exemplo de fator que impulsiona a rotatividade pode ser o número de devoluções nos últimos 3 meses. Um exemplo de fator que impulsiona as recompras pode ser o número de itens salvos no site ou aplicativo móvel.

Para nosso caso de uso, presumimos que a equipe de marketing digital deseja criar um público-alvo usando modelagem semelhante para encontrar clientes com maior probabilidade de recomprar no próximo mês. Também presumimos que a equipe da campanha deseja enviar uma oferta por e-mail aos clientes que provavelmente encerrarão a assinatura nos próximos três meses para incentivá-los a renová-la.

A equipe de ciência de dados pode começar analisando os dados (recursos) e resumindo as principais características do conjunto de dados para compreender os principais comportamentos dos dados. Eles podem então embaralhar e dividir os dados em treinamento e teste e fazer upload desses conjuntos de dados para a zona confiável. Você pode usar um algoritmo como o XGBoostName classificador para treinar o modelo e fornecer automaticamente a seleção de recursos, que é o melhor conjunto de candidatos para determinar os escores de propensão (ou valores previstos).

Você pode então ajustar o modelo otimizando as métricas do algoritmo (como hiperparâmetros) com base nos intervalos fornecidos na estrutura XGBoost. Os dados de teste são usados ​​para avaliar o desempenho do modelo e estimar quão bem ele é generalizado para novos dados. Para obter mais informações sobre métricas de avaliação, consulte Ajustar um modelo XGBoost.

Por fim, os índices de propensão são calculados para cada cliente e armazenados na zona confiável do S3 para serem acessados, revisados ​​e validados pelas equipes de marketing e campanha. Este processo também fornece uma avaliação priorizada da importância do recurso, o que ajuda a explicar como as pontuações foram produzidas.

Crie os arquivos de saída

Depois que a equipe de ciência de dados concluir o treinamento e o ajuste do modelo, ela trabalhará com a equipe de engenharia para implantar o melhor modelo na produção. Podemos usar Transformação em lote SageMaker para executar previsões à medida que novos dados são coletados e gerar pontuações para cada cliente. A equipe de engenharia pode orquestrar e automatizar o fluxo de trabalho de ML usando Pipelines Amazon SageMaker, um serviço de integração contínua e entrega contínua (CI/CD) desenvolvido especificamente para ML, que oferece um ambiente para gerenciar o fluxo de trabalho de ML de ponta a ponta. Isso economiza tempo e reduz erros normalmente causados ​​pela orquestração manual.

A saída do fluxo de trabalho de ML é importada pelo Amazon Pinpoint para envio de mensagens personalizadas e exportada para Segment para uso ao direcionar canais de exibição. A ilustração a seguir fornece uma visão geral do fluxo de trabalho de ML.

A captura de tela a seguir mostra um exemplo de arquivo de saída.

Use pontuações de propensão para segmentação na Rede de Display

As equipes de engenharia e marketing digital podem criar o fluxo reverso de dados de volta ao Segmento para aumentar o alcance. Isso usa uma combinação de AWS Lambda e Amazon S3. Cada vez que um novo arquivo de saída é gerado pelo fluxo de trabalho de ML e salvo no bucket S3 confiável, uma função Lambda é invocada e aciona uma exportação para Segment. O marketing digital pode então usar pontuações de propensão atualizadas regularmente como atributos do cliente para construir e exportar públicos para destinos de segmento (veja a captura de tela a seguir). Para obter mais informações sobre a estrutura do arquivo da exportação do Segmento, consulte Amazon S3 do Lambda.

Quando os dados estão disponíveis no Segmento, o marketing digital pode ver as pontuações de propensão desenvolvidas no SageMaker como atributos ao criar segmentos de clientes. Eles podem gerar públicos semelhantes para direcioná-los com publicidade digital. Para criar um ciclo de feedback, o marketing digital deve garantir que as impressões, os cliques e as campanhas sejam ingeridos de volta no segmento para otimizar o desempenho.

Envie mensagens de saída personalizadas

A equipe de entrega de campanha pode implementar e implantar campanhas de reconquista orientadas por IA para reconquistar clientes em risco de rotatividade. Essas campanhas usam a lista de contatos de clientes gerada no SageMaker como segmentos enquanto se integram ao Amazon Personalize para apresentar recomendações personalizadas de produtos. Veja o diagrama a seguir.

A equipe de marketing digital pode experimentar o uso de jornadas do Amazon Pinpoint para dividir segmentos de recuperação em subgrupos e reservar uma porcentagem de usuários como um grupo de controle que não está exposto à campanha. Isso lhes permite medir o impacto da campanha e cria um ciclo de feedback.

Integre recomendações em tempo real

Para personalizar os canais de entrada, as equipes de marketing digital e engenharia trabalham juntas para integrar e configurar o Amazon Personalize para fornecer recomendações de produtos em diferentes pontos da jornada do cliente. Por exemplo, eles podem implantar um item semelhante recomendador nas páginas de detalhes do produto para sugerir itens complementares (veja o diagrama a seguir). Além disso, eles podem implantar um recomendador de filtragem baseado em conteúdo na jornada de finalização da compra para lembrar os clientes dos produtos que normalmente comprariam antes de concluir o pedido.

Primeiro, a equipe de engenharia precisa criar microsserviços RESTful que respondam às solicitações de aplicativos da Web, móveis e de outros canais com recomendações de produtos. Esses microsserviços chamam o Amazon Personalize para obter recomendações, transformar IDs de produtos em informações mais significativas, como nome e preço, verificar os níveis de estoque e determinar qual endpoint de campanha do Amazon Personalize consultar com base na página ou tela atual do usuário.

As equipes de desenvolvimento front-end e móvel precisam adicionar eventos de rastreamento para ações específicas do cliente em seus aplicativos. Eles podem então usar o Segment para enviar esses eventos diretamente para o Amazon Personalize em tempo real. Esses eventos de rastreamento são iguais aos dados do item do usuário que extraímos anteriormente. Eles permitem que as soluções Amazon Personalize refinem recomendações com base nas interações ao vivo com os clientes. É essencial capturar impressões, visualizações de produtos, adições de carrinho e compras porque esses eventos criam um ciclo de feedback para os recomendadores. Lambda é um intermediário, coletando eventos de usuário do Segment e enviando-os para o Amazon Personalize. O Lambda também facilita a troca reversa de dados, retransmitindo recomendações atualizadas para o usuário de volta ao Segment. Para obter mais informações sobre como configurar recomendações em tempo real com Segment e Amazon Personalize, consulte o Segmente dados em tempo real e Amazon Personalize Workshop.

Conclusão

Esta postagem descreveu como oferecer uma experiência omnicanal ao cliente usando uma combinação da plataforma de dados do cliente Segment e serviços AWS, como Amazon SageMaker, Amazon Personalize e Amazon Pinpoint. Exploramos o papel que as equipes multifuncionais desempenham em cada estágio da jornada do cliente e na cadeia de valor dos dados. A arquitetura e a abordagem discutidas concentram-se no ambiente de varejo, mas você pode aplicá-las a outros setores, como serviços financeiros ou mídia e entretenimento. Se você estiver interessado em experimentar um pouco do que discutimos, confira o Loja de demonstração de varejo, onde você pode encontrar workshops práticos que incluem a Segment e outros parceiros da AWS.

Referências adicionais

Para obter informações adicionais, consulte os seguintes recursos:

• Personalização omnicanal com Segment
• Personalização omnicanal com Amazon Personalize
• Construir, ajustar e implantar um modelo de previsão de rotatividade de ponta a ponta usando Amazon SageMaker Pipelines
• Automatize pipelines de engenharia de recursos com Amazon SageMaker
• Monitore a qualidade do modelo

Sobre o segmento

Segment é um parceiro de tecnologia avançada da AWS e detentor das seguintes competências de fornecedor independente de software (ISV) da AWS: dados e análises, experiência digital do cliente, varejo e aprendizado de máquina. Marcas como Atlassian e Digital Ocean usam soluções analíticas em tempo real desenvolvidas pela Segment.

---

Sobre os autores

Dwayne Browne é especialista principal em plataforma de análise da AWS, com sede em Londres. Ele faz parte do programa de clientes Data-Driven Everything (D2E), onde ajuda os clientes a se tornarem mais orientados por dados e focados na experiência do cliente. Ele tem experiência em análise digital, personalização e automação de marketing. Nas horas vagas, Dwayne gosta de escalar indoor e explorar a natureza.

Hara Gavriliadi é estrategista sênior de análise de dados na AWS Professional Services com sede em Londres. Ela ajuda os clientes a transformar seus negócios usando dados, análises e aprendizado de máquina. Ela é especialista em análise de clientes e estratégia de dados. Hara adora passeios pelo campo e gosta de descobrir livrarias locais e estúdios de ioga em seu tempo livre.

Kenny Rajan é um arquiteto de soluções parceiro sênior. Kenny ajuda os clientes a aproveitar ao máximo a AWS e seus parceiros, demonstrando como os parceiros da AWS e os serviços da AWS funcionam melhor juntos. Ele está interessado em aprendizado de máquina, dados, implementação de ERP e soluções baseadas em voz na nuvem. Fora do trabalho, Kenny gosta de ler livros e ajudar em atividades de caridade.

• Coinsmart. A melhor troca de Bitcoin e criptografia da Europa.
• Platoblockchain. Inteligência Metaverso Web3. Conhecimento Ampliado. ACESSO LIVRE.
• CryptoHawk. Radar Altcoin. Teste grátis.
• Fonte: https://aws.amazon.com/blogs/machine-learning/personalize-cross-channel-customer- Experiences-with-amazon-sagemaker-amazon-personalize-and-segment/