Prilagodite medkanalne izkušnje strank z Amazon SageMaker, Amazon Personalize in Twilio Segment

Danes stranke komunicirajo z blagovnimi znamkami prek vedno večjega digitalnega in nespletnega odtisa, pri čemer se ustvari množica podatkov o interakciji, znanih kot vedenjski podatki. Posledično morajo tržniki in ekipe za uporabniško izkušnjo sodelovati z več prekrivajočimi se orodji, da pritegnejo in ciljajo te stranke prek stičnih točk. To povečuje kompleksnost, ustvarja več pogledov na vsako stranko in otežuje zagotavljanje individualne izkušnje z ustrezno vsebino, sporočili in predlogi za izdelke vsaki stranki. V odgovor marketinške ekipe uporabljajo platforme podatkov o strankah (CDP) in orodja za upravljanje medkanalnih kampanj (CCCM), da poenostavijo postopek konsolidacije več pogledov svojih strank. Te tehnologije zagotavljajo netehničnim uporabnikom pospešeno pot do omogočanja medkanalnega ciljanja, sodelovanja in personalizacije, hkrati pa zmanjšujejo odvisnost marketinških ekip od tehničnih ekip in strokovnih znanj za sodelovanje s strankami.

Kljub temu se tržniki znajdejo v slepih pegah pri dejavnosti strank, ko te tehnologije niso integrirane s sistemi iz drugih delov podjetja. To še posebej velja za nedigitalne kanale, na primer transakcije v trgovini ali povratne informacije strank iz podpore strankam. Tržne ekipe in njihovi sodelavci za izkušnje s strankami se prav tako trudijo vključiti napovedne zmogljivosti, ki so jih razvili podatkovni znanstveniki, v svoje medkanalne kampanje ali stične točke s strankami. Posledično stranke prejemajo sporočila in priporočila, ki niso ustrezna ali niso v skladu z njihovimi pričakovanji.

Ta objava opisuje, kako lahko medfunkcionalne ekipe sodelujejo pri reševanju teh izzivov z uporabo primera uporabe večkanalne personalizacije. Uporabljamo izmišljen scenarij maloprodaje, da ponazorimo, kako se te ekipe povezujejo, da zagotovijo prilagojeno izkušnjo na različnih točkah na poti stranke. Uporabljamo Segment Twilio v našem scenariju platforma za podatke o strankah, zgrajena na AWS. Na trgu je na voljo več kot 12 CDP, mnogi med njimi so tudi partnerji AWS, vendar v tej objavi uporabljamo Segment, ker ponujajo samopostrežno brezplačno raven, ki vam omogoča raziskovanje in eksperimentiranje. Pojasnjujemo, kako združiti izhod iz segmenta s podatki o prodaji v trgovini, metapodatki o izdelkih in informacijami o inventarju. Na podlagi tega pojasnjujemo, kako integrirati segment s Amazonska prilagoditev za zagotavljanje priporočil v realnem času. Opisujemo tudi, kako z uporabo ustvarjamo ocene za opuščanje in nagnjenost k ponovnim nakupom Amazon SageMaker. Nazadnje raziskujemo, kako ciljati na nove in obstoječe stranke na tri načine:

• S pasicami na spletnih mestih tretjih oseb, znanimi tudi kot prikazno oglaševanje, z uporabo ocene nagnjenosti k nakupu za privabljanje podobnih strank.
• Na spletnih in mobilnih kanalih, predstavljenih s prilagojenimi priporočili, ki jih poganja Amazon Personalize, ki uporablja algoritme strojnega učenja (ML) za ustvarjanje priporočil vsebine.
• Z uporabo prilagojenih sporočil Amazon natančen, odhodna in vhodna storitev tržnega komuniciranja. Ta sporočila so namenjena nezavzetim strankam in tistim, ki kažejo veliko nagnjenost k opuščanju.

Pregled rešitev

Predstavljajte si, da ste lastnik izdelka, ki skrbi za medkanalno uporabniško izkušnjo za maloprodajno podjetje. Podjetje ima raznolik nabor spletnih in nespletnih kanalov, vendar vidi digitalne kanale kot svojo primarno priložnost za rast. Želijo povečati velikost in vrednost svoje baze strank z naslednjimi metodami:

• Pritegnite nove, visokokvalificirane stranke, za katere obstaja večja verjetnost, da bodo izvedle konverzijo
• Povečati povprečno vrednost naročila vseh svojih strank
• Ponovno privabite nezainteresirane stranke, da se vrnejo in upajmo, da bodo ponovile nakupe

Da bi zagotovili, da te stranke prejmejo dosledno izkušnjo v vseh kanalih, morate kot lastnik izdelka sodelovati z ekipami, kot so digitalni marketing, front-end razvoj, mobilni razvoj, izvedba kampanj in kreativne agencije. Če želite strankam zagotoviti ustrezna priporočila, morate sodelovati tudi z ekipami za podatkovno inženirstvo in podatkovno znanost. Vsaka od teh skupin je odgovorna za interakcijo ali razvoj funkcij znotraj arhitekture, ki je prikazana v naslednjem diagramu.

Potek dela rešitve vsebuje naslednje korake na visoki ravni:

1. Zberite podatke iz več virov za shranjevanje Preprosta storitev shranjevanja Amazon (Amazon S3).
2. Uporaba Korak funkcije AWS za orkestriranje vkrcanja podatkov in inženiringa funkcij.
3. Sestavite segmente in napovedi z uporabo SageMakerja.
4. Za ciljanje na prikazno omrežje uporabite ocene nagnjenosti.
5. Pošljite prilagojena sporočila z Amazon Pinpoint.
6. Integrirajte prilagojene predloge v realnem času z uporabo Amazon Personalize.

V naslednjih razdelkih se sprehodimo skozi vsak korak, razložimo dejavnosti vsake ekipe na visoki ravni, podamo reference na sorodne vire in delimo praktične laboratorije, ki nudijo podrobnejše smernice.

Zbirajte podatke iz več virov

Ekipe za digitalni marketing, front-end in mobilne razvojne skupine lahko konfigurirajo Segment za zajemanje in integracijo spletne in mobilne analitike, uspešnosti digitalnih medijev in virov spletne prodaje z uporabo Segmentne povezave. Segment Personas omogoča skupinam za digitalno trženje, da razrešijo identiteto uporabnikov tako, da združijo interakcije med temi viri v en sam uporabniški profil z enim trajnim identifikatorjem. Ti profili, skupaj z izračunanimi meritvami, so imenovani Izračunane lastnosti in neobdelane dogodke, je mogoče izvoziti v Amazon S3. Naslednji posnetek zaslona prikazuje, kako so pravila identitete nastavljena v Segment Personas.

Vzporedno lahko uporabljajo inženirske ekipe Storitev za selitev podatkov AWS (AWS DMS) za ponovitev prodaje v trgovini, metapodatkov o izdelkih in podatkovnih virov o inventarju iz podatkovnih baz, kot sta Microsoft SQL ali Oracle, in shranjevanje izhodnih podatkov v Amazon S3.

Vključevanje podatkov in inženiring funkcij

Ko so podatki zbrani in shranjeni v pristajalni coni na Amazon S3, lahko podatkovni inženirji uporabijo komponente iz ogrodje podatkovnega jezera brez strežnika (SDLF) za pospešitev vkrcanja podatkov in izgradnjo temeljne strukture podatkovnega jezera. S SDLF lahko inženirji avtomatizirajo pripravo podatkov o uporabniških artiklih, ki se uporabljajo za usposabljanje storitve Amazon Personalize, ali ustvarijo enoten pogled na vedenje strank, tako da združijo spletne in nespletne vedenjske podatke in podatke o prodaji, z uporabo atributov, kot je ID stranke ali e-poštni naslov kot skupni identifikator .

Step Functions je ključni orkestrator, ki vodi ta transformacijska opravila znotraj SDLF. Funkcije korakov lahko uporabite za izgradnjo in usmerjanje delovnih tokov podatkov tako po urniku kot po dogodkih. Inženirska ekipa lahko orkestrira naloge drugih storitev AWS znotraj podatkovnega cevovoda. Izhodi tega procesa so shranjeni v zaupanja vrednem območju na Amazon S3 za uporabo pri razvoju ML. Za več informacij o implementaciji ogrodja podatkovnega jezera brez strežnika glejte Referenčna arhitektura cevovoda za analizo podatkov brez strežnika AWS.

Gradite segmente in napovedi

Postopek gradnje segmentov in napovedi je mogoče razdeliti na tri korake: dostop do okolja, izdelava modelov nagnjenosti in ustvarjanje izhodnih datotek.

Dostop do okolja

Potem ko je inženirska ekipa pripravila in preoblikovala razvojne podatke ML, lahko skupina za podatkovno znanost zgradi modele nagnjenosti z uporabo SageMakerja. Najprej zgradijo, usposobijo in testirajo začetni niz modelov ML. To jim omogoča, da vidijo zgodnje rezultate, se odločijo, v katero smer bodo šli naprej, in ponovijo poskuse.

Ekipa podatkovne znanosti potrebuje aktivno osebje Amazon SageMaker Studio na primer integrirano razvojno okolje (IDE) za hitro eksperimentiranje z ML. Združuje vse ključne funkcije SageMakerja in ponuja okolje za upravljanje cevovodov ML od konca do konca. Odpravlja kompleksnost in skrajša čas, potreben za izdelavo modelov ML in njihovo uvajanje v proizvodnjo. Razvijalci lahko uporabljajo Prenosniki SageMaker Studio, ki so prenosni računalniki Jupyter z enim klikom, ki jih lahko hitro zavrtite in omogočite celoten potek dela ML od priprave podatkov do uvajanja modela. Za več informacij o SageMaker za ML glejte Amazon SageMaker za podatkovno znanost.

Zgradite modele nagnjenosti

Za oceno odliva in nagnjenosti k ponovnim nakupom bi se morale ekipe za izkušnje s strankami in podatkovne znanosti dogovoriti o znanih dejavnikih, ki spodbujajo kateri koli rezultat.

Ekipa podatkovne znanosti potrdi te znane dejavnike, hkrati pa odkrije neznane dejavnike s postopkom modeliranja. Primer dejavnika, ki spodbuja odliv, je lahko število vračil v zadnjih 3 mesecih. Primer dejavnika, ki spodbuja ponovne nakupe, je lahko število elementov, shranjenih na spletnem mestu ali v mobilni aplikaciji.

Za naš primer uporabe predpostavljamo, da želi skupina za digitalno trženje ustvariti ciljno publiko z modeliranjem videza, da poišče stranke, ki bodo v naslednjem mesecu najverjetneje ponovno kupile. Predvidevamo tudi, da želi ekipa kampanje poslati e-poštno ponudbo strankam, ki bodo verjetno končale svojo naročnino v naslednjih 3 mesecih, da bi jih spodbudila k obnovitvi naročnine.

Skupina za podatkovno znanost lahko začne z analizo podatkov (funkcij) in povzemanjem glavnih značilnosti nabora podatkov, da bi razumela ključno vedenje podatkov. Nato lahko premešajo in razdelijo podatke na usposabljanje in preizkusijo ter naložijo te nabore podatkov v zaupanja vredno območje. Uporabite lahko algoritem, kot je XGBoost klasifikator za usposabljanje modela in samodejno zagotovi izbiro značilnosti, ki je najboljši nabor kandidatov za določitev rezultatov nagnjenosti (ali predvidenih vrednosti).

Nato lahko prilagodite model z optimizacijo metrike algoritma (kot npr hiperparametrov) na podlagi obsegov, ki so na voljo v okviru XGBoost. Preizkusni podatki se uporabljajo za ovrednotenje delovanja modela in oceno, kako dobro se posplošuje na nove podatke. Za več informacij o meritvah vrednotenja glejte Nastavite model XGBoost.

Nazadnje se ocene nagnjenosti izračunajo za vsako stranko in shranijo v zaupanja vredno cono S3, da do njih dostopajo, jih pregledajo in potrdijo skupine za trženje in oglaševalske akcije. Ta postopek zagotavlja tudi prednostno oceno pomembnosti značilnosti, ki pomaga razložiti, kako so bile ocene ustvarjene.

Ustvarite izhodne datoteke

Ko skupina za podatkovno znanost zaključi usposabljanje in nastavitev modela, sodeluje z inženirsko ekipo, da uvede najboljši model v proizvodnjo. Lahko uporabimo Serijska preobrazba SageMaker za izvajanje napovedi, ko se zbirajo novi podatki, in ustvarjanje točk za vsako stranko. Inženirska ekipa lahko orkestrira in avtomatizira potek dela ML z uporabo Amazonski cevovodi SageMaker, namensko zgrajena storitev neprekinjene integracije in neprekinjene dostave (CI/CD) za ML, ki ponuja okolje za upravljanje poteka dela ML od konca do konca. Prihrani čas in zmanjša napake, ki jih običajno povzroči ročna orkestracija.

Izhod delovnega toka ML uvozi Amazon Pinpoint za pošiljanje prilagojenih sporočil in izvozi v Segment za uporabo pri ciljanju na prikazne kanale. Naslednja slika ponuja vizualni pregled poteka dela ML.

Naslednji posnetek zaslona prikazuje primer izhodne datoteke.

Za ciljanje na prikazno omrežje uporabite ocene nagnjenosti

Ekipe za inženiring in digitalno trženje lahko ustvarijo obratni tok podatkov nazaj v segment, da povečajo doseg. Pri tem se uporablja kombinacija AWS Lambda in Amazon S3. Vsakič, ko potek dela ML ustvari novo izhodno datoteko in jo shrani v zaupanja vredno vedro S3, se prikliče funkcija Lambda, ki sproži izvoz v segment. Digitalno trženje lahko nato uporablja redno posodobljene ocene nagnjenosti kot atribute strank za ustvarjanje in izvoz ciljnih skupin v cilje segmenta (glejte naslednji posnetek zaslona). Za več informacij o datotečni strukturi izvoza segmenta glejte Amazon S3 podjetja Lambda.

Ko so podatki na voljo v Segmentu, lahko digitalni marketing vidi ocene nagnjenosti, razvite v SageMakerju, kot atribute, ko ustvarja segmente strank. Lahko ustvarijo podobno občinstvo, da ga ciljajo z digitalnim oglaševanjem. Za ustvarjanje povratne zanke mora digitalno trženje zagotoviti, da se prikazi, kliki in oglaševalske akcije vrnejo v segment za optimizacijo uspešnosti.

Pošiljanje prilagojenih izhodnih sporočil

Ekipa za izvedbo oglaševalske akcije lahko implementira in uvede kampanje za pridobitev nazaj, ki jih poganja AI, da ponovno pritegne stranke, ki jim grozi odliv. Te kampanje uporabljajo seznam stikov strank, ustvarjen v SageMakerju, kot segmente, medtem ko se integrirajo z Amazon Personalize za predstavitev prilagojenih priporočil za izdelke. Oglejte si naslednji diagram.

Skupina za digitalno trženje lahko eksperimentira z uporabo poti Amazon Pinpoint, da razdeli segmente, ki pridobijo nazaj, v podskupine in rezervira odstotek uporabnikov kot kontrolno skupino, ki ni izpostavljena oglaševalski akciji. To jim omogoča merjenje učinka kampanje in ustvarja povratno zanko.

Vključite priporočila v realnem času

Za personalizacijo vhodnih kanalov ekipe za digitalno trženje in inženiring sodelujejo pri integraciji in konfiguraciji storitve Amazon Personalize za zagotavljanje priporočil za izdelke na različnih točkah strankine poti. Na primer, lahko namestijo a podoben predmet priporočljivo na straneh s podrobnostmi o izdelku, da predlagate dopolnilne elemente (glejte naslednji diagram). Poleg tega lahko uvedejo priporočljivo filtriranje na podlagi vsebine na poti zaključka nakupa, da stranke opomnijo na izdelke, ki bi jih običajno kupili, preden dokončajo naročilo.

Najprej mora inženirska ekipa ustvariti mikrostoritve RESTful, ki se odzivajo na zahteve spletnih, mobilnih in drugih kanalskih aplikacij s priporočili za izdelke. Te mikrostoritve pokličejo Amazon Personalize, da dobijo priporočila, ID-je izdelkov razrešijo v bolj smiselne informacije, kot sta ime in cena, preverijo ravni zalog in določijo, katero končno točko kampanje Amazon Personalize je treba poizvedovati glede na uporabnikovo trenutno stran ali zaslon.

Front-end in mobilne razvojne ekipe morajo svojim aplikacijam dodati dogodke sledenja za določena dejanja strank. Nato lahko uporabijo segment za pošiljanje teh dogodkov neposredno v Amazon Personalize v realnem času. Ti dogodki sledenja so enaki kot podatki o uporabniških elementih, ki smo jih ekstrahirali prej. Rešitvam Amazon Personalize omogočajo izboljšanje priporočil na podlagi interakcij s strankami v živo. Bistveno je zajeti prikaze, oglede izdelkov, dodatke v košarico in nakupe, ker ti dogodki ustvarijo povratno zanko za priporočevalce. Lambda je posrednik, ki zbira uporabniške dogodke iz segmenta in jih pošilja v Amazon Personalize. Lambda omogoča tudi obratno izmenjavo podatkov, tako da posodobljena priporočila za uporabnika posreduje nazaj v segment. Za več informacij o konfiguriranju priporočil v realnem času s Segment in Amazon Personalize glejte Segment Podatki v realnem času in Amazon Personalize Workshop.

zaključek

V tej objavi je bilo opisano, kako zagotoviti večkanalno uporabniško izkušnjo s kombinacijo platforme podatkov o strankah Segment in storitev AWS, kot so Amazon SageMaker, Amazon Personalize in Amazon Pinpoint. Raziskali smo vlogo, ki jo imajo medfunkcionalne ekipe na vsaki stopnji na poti stranke in v vrednostni verigi podatkov. Razpravljana arhitektura in pristop sta osredotočena na maloprodajno okolje, lahko pa ju uporabite tudi v drugih vertikalah, kot so finančne storitve ali mediji in zabava. Če vas zanima nekaj od tega, o čemer smo razpravljali, si oglejte Maloprodajna predstavitvena trgovina, kjer lahko najdete praktične delavnice, ki vključujejo Segment in druge partnerje AWS.

Dodatne reference

Za dodatne informacije glejte naslednje vire:

• Vsekanalna personalizacija s segmentom
• Osebhannel personalizacija z Amazon Personalize
• Zgradite, prilagodite in razmestite model predvidevanja odliva od konca do konca z uporabo Amazon SageMaker Pipelines
• Avtomatizirajte cevovode za inženiring funkcij z Amazon SageMaker
• Spremljajte kakovost modela

O segmentu

Segment je AWS Advanced Technology Partner in nosilec naslednjih kompetenc AWS Independent Software Vendor (ISV): Data & Analytics, Digital Customer Experience, Retail in Machine Learning. Blagovne znamke, kot sta Atlassian in Digital Ocean, uporabljajo analitične rešitve v realnem času, ki jih poganja Segment.

---

O avtorjih

Dwayne Browne je glavni strokovnjak za analitične platforme pri AWS s sedežem v Londonu. Je del programa za stranke Data-Driven Everything (D2E), kjer strankam pomaga, da postanejo bolj usmerjene v podatke in osredotočene na uporabniško izkušnjo. Ima izkušnje s področja digitalne analitike, personalizacije in avtomatizacije trženja. V prostem času Dwayne uživa v plezanju v zaprtih prostorih in raziskovanju narave.

Hara Gavriliadi je višji strateg za podatkovno analitiko pri AWS Professional Services s sedežem v Londonu. Strankam pomaga pri preoblikovanju njihovega poslovanja s pomočjo podatkov, analitike in strojnega učenja. Specializirana je za analitiko strank in podatkovno strategijo. Hara obožuje sprehode po podeželju in v prostem času rada odkriva lokalne knjigarne in studie za jogo.

Kenny Rajan je višji partnerski arhitekt rešitev. Kenny pomaga strankam kar najbolje izkoristiti AWS in njegove partnerje tako, da pokaže, kako partnerji AWS in storitve AWS bolje delujejo skupaj. Zanimajo ga strojno učenje, podatki, implementacija ERP in glasovne rešitve v oblaku. Zunaj službe Kenny rad bere knjige in pomaga pri dobrodelnih dejavnostih.

• Coinsmart. Najboljša evropska borza bitcoinov in kriptovalut.
• Platoblockchain. Web3 Metaverse Intelligence. Razširjeno znanje. PROST DOSTOP.
• CryptoHawk. Altcoin radar. Brezplačen preizkus.
• Vir: https://aws.amazon.com/blogs/machine-learning/personalize-cross-channel-customer-experiences-with-amazon-sagemaker-amazon-personalize-and-segment/