Det här inlägget är skrivet av Hesham Fahim från Thomson Reuters.
Thomson Reuters (TR) är en av världens mest pålitliga informationsorganisationer för företag och proffs. Det ger företag den intelligens, teknik och mänskliga expertis de behöver för att hitta pålitliga svar, vilket gör det möjligt för dem att fatta bättre beslut snabbare. TR:s kunder spänner över finans-, risk-, juridik-, skatte-, redovisnings- och mediamarknaderna.
Thomson Reuters tillhandahåller marknadsledande produkter i kampanjen Tax, Legal and News, som användare kan registrera sig för med en prenumerationslicensmodell. För att förbättra denna upplevelse för sina kunder ville TR skapa en centraliserad rekommendationsplattform som gjorde det möjligt för deras säljteam att föreslå de mest relevanta prenumerationspaketen till sina kunder, och generera förslag som hjälper till att öka medvetenheten om produkter som kan hjälpa deras kunder att betjäna marknaden bättre genom att skräddarsydda produktval.
Innan den här centraliserade plattformen byggdes hade TR en äldre regelbaserad motor för att generera rekommendationer för förnyelse. Reglerna i denna motor var fördefinierade och skrivna i SQL, vilket förutom att vara en utmaning att hantera, även kämpade med att hantera spridningen av data från TR:s olika integrerade datakällor. TR kunddata förändras i snabbare takt än vad affärsreglerna kan utvecklas för att spegla förändrade kundbehov. Nyckelkravet för TR:s nya maskininlärning (ML)-baserade personaliseringsmotor var centrerat kring ett korrekt rekommendationssystem som tar hänsyn till senaste kundtrender. Den önskade lösningen skulle vara en med låga driftskostnader, förmågan att påskynda leverans av affärsmål och en personaliseringsmotor som ständigt kan tränas med uppdaterad data för att hantera förändrade konsumentvanor och nya produkter.
Att personalisera förnyelserekommendationerna utifrån vad som skulle vara värdefulla produkter för TR:s kunder var en viktig affärsutmaning för sälj- och marknadsteamet. TR har en mängd data som kan användas för personalisering som har samlats in från kundinteraktioner och lagrats i ett centraliserat datalager. TR har varit en early adopter av ML med Amazon SageMaker, och deras mognad i AI/ML-domänen innebar att de hade samlat en betydande datauppsättning av relevant data i ett datalager, som teamet kunde träna en personaliseringsmodell med. TR har fortsatt sin AI/ML-innovation och har nyligen utvecklat en förnyad rekommendationsplattform med hjälp av Amazon Anpassa, som är en helt hanterad ML-tjänst som använder användarinteraktioner och objekt för att generera rekommendationer för användare. I det här inlägget förklarar vi hur TR använde Amazon Personalize för att bygga ett skalbart rekommendationssystem med flera hyresgäster som ger de bästa produktprenumerationsplanerna och tillhörande prissättning till sina kunder.
Lösningsarkitektur
Lösningen måste utformas med hänsyn till TR:s kärnverksamhet kring att förstå användare genom data; att förse dessa användare med personligt anpassat och relevant innehåll från en stor mängd data var ett affärskritiskt krav. Att ha ett väldesignat rekommendationssystem är nyckeln till att få kvalitetsrekommendationer som är anpassade till varje användares krav.
Lösningen krävde att samla in och förbereda användarbeteendedata, träna en ML-modell med Amazon Personalize, generera personliga rekommendationer genom den utbildade modellen och driva marknadsföringskampanjer med de personliga rekommendationerna.
TR ville dra nytta av AWS hanterade tjänster där det var möjligt för att förenkla driften och minska odifferentierade tunga lyft. TR används AWS Lim DataBrew och AWS-batch jobb för att utföra extrahera, transformera och ladda (ETL) jobb i ML pipelines, och SageMaker tillsammans med Amazon Personalize för att skräddarsy rekommendationerna. Ur ett träningsdatavolym och körtidsperspektiv behövde lösningen vara skalbar för att kunna bearbeta miljontals poster inom den tidsram som redan är fastställd för nedströmskonsumenter i TR:s affärsteam.
Följande avsnitt förklarar komponenterna som ingår i lösningen.
ML utbildning pipeline
Interaktioner mellan användarna och innehållet samlas in i form av klickströmsdata, som genereras när kunden klickar på innehållet. TR analyserar om detta är en del av deras prenumerationsplan eller utöver deras prenumerationsplan så att de kan ge ytterligare information om priset och planregistreringsalternativen. Användarinteraktionsdata från olika källor finns kvar i deras datalager.
Följande diagram illustrerar ML-utbildningspipeline.
Pipelinen börjar med ett AWS Batch-jobb som extraherar data från datalagret och transformerar data för att skapa interaktioner, användare och objektdatauppsättningar.
Följande datauppsättningar används för att träna modellen:
- Strukturerad produktdata – Prenumerationer, beställningar, produktkatalog, transaktioner och kundinformation
- Semistrukturerad beteendedata – Användare, användning och interaktioner
Denna omvandlade data lagras i en Amazon enkel lagringstjänst (Amazon S3) hink, som importeras till Amazon Personalize för ML-träning. Eftersom TR vill generera personliga rekommendationer för sina användare använder de USER_PERSONALIZATION recept för att träna ML-modeller för deras anpassade data, vilket kallas att skapa en lösningsversion. Efter att lösningsversionen har skapats används den för att generera personliga rekommendationer för användarna.
Hela arbetsflödet orkestreras med hjälp av AWS stegfunktioner. Varningarna och aviseringarna fångas upp och publiceras till Microsoft Teams med hjälp av Amazon enkel meddelandetjänst (Amazon SNS) och Amazon EventBridge.
Generera personaliserade rekommendationer pipeline: Batch slutledning
Kundernas krav och preferenser förändras mycket ofta, och de senaste interaktionerna som fångas i klickströmsdata fungerar som en nyckeldatapunkt för att förstå kundens ändrade preferenser. För att anpassa sig till ständigt föränderliga kundpreferenser genererar TR dagligen personliga rekommendationer.
Följande diagram illustrerar pipelinen för att generera personliga rekommendationer.
Ett DataBrew-jobb extraherar data från TR:s datalager för de användare som är berättigade att ge rekommendationer under förnyelse baserat på den aktuella prenumerationen och den senaste aktiviteten. DataBrews visuella databeredningsverktyg gör det enkelt för TR-dataanalytiker och datavetare att rensa och normalisera data för att förbereda dem för analys och ML. Möjligheten att välja mellan över 250 förbyggda transformationer inom det visuella databeredningsverktyget för att automatisera databeredningsuppgifter, allt utan att behöva skriva någon kod, var en viktig funktion. DataBrew-jobbet genererar en inkrementell datauppsättning för interaktioner och indata för batchrekommendationsjobbet och lagrar utdata i en S3-bucket. Den nyligen genererade inkrementella datauppsättningen importeras till interaktionsdatauppsättningen. När det inkrementella dataimportjobbet lyckas, utlöses ett Amazon Personalize batchrekommendationsjobb med indata. Amazon Personalize genererar de senaste rekommendationerna för användarna som tillhandahålls i indata och lagrar dem i en rekommendations S3-hink.
Prisoptimering är det sista steget innan de nybildade rekommendationerna är redo att användas. TR kör ett kostnadsoptimeringsjobb på de genererade rekommendationerna och använder SageMaker för att köra anpassade modeller på rekommendationerna som en del av detta sista steg. Ett AWS Glue-jobb kurerar utdata som genereras från Amazon Personalize och omvandlar det till det inmatningsformat som krävs av SageMakers anpassade modell. TR kan dra fördel av bredden av de tjänster som AWS tillhandahåller genom att använda både Amazon Personalize och SageMaker i rekommendationsplattformen för att skräddarsy rekommendationer baserat på typen av kundföretag och slutanvändare.
Hela arbetsflödet är frikopplat och orkestrerat med hjälp av Step Functions, vilket ger flexibiliteten att skala pipeline beroende på databehandlingskraven. Varningarna och aviseringarna fångas upp med Amazon SNS och EventBridge.
Att driva e-postkampanjer
De rekommendationer som genereras tillsammans med prissättningsresultaten används för att driva e-postkampanjer till TR:s kunder. Ett AWS Batch-jobb används för att sammanställa rekommendationerna för varje kund och berika den med den optimerade prisinformationen. Dessa rekommendationer införs i TR:s kampanjsystem, som driver följande e-postkampanjer:
- Automatisk prenumerationsförnyelse eller uppgraderingskampanjer med nya produkter som kan intressera kunden
- Mellankontraktsförnyelsekampanjer med bättre erbjudanden och mer relevanta produkter och lagligt innehåll
Informationen från denna process replikeras också till kundportalen så att kunder som granskar sin nuvarande prenumeration kan se de nya förnyelserekommendationerna. TR har sett en högre konverteringsfrekvens från e-postkampanjer, vilket lett till ökade försäljningsorder, sedan implementeringen av den nya rekommendationsplattformen.
Vad händer härnäst: Pipeline för rekommendationer i realtid
Kundkrav och shoppingbeteenden förändras i realtid, och att anpassa rekommendationer till realtidsförändringarna är nyckeln till att leverera rätt innehåll. Efter att ha sett en stor framgång med att distribuera ett batchrekommendationssystem planerar TR nu att ta denna lösning till nästa nivå genom att implementera en rekommendationspipeline i realtid för att generera rekommendationer med Amazon Personalize.
Följande diagram illustrerar arkitekturen för att ge rekommendationer i realtid.
Realtidsintegrationen börjar med att samla in liveanvändarengagemangdata och streama den till Amazon Personalize. När användarna interagerar med TR:s applikationer genererar de klickströmhändelser som publiceras i Amazon Kinesis dataströmmar. Sedan matas händelserna in i TR:s centraliserade streamingplattform, som är byggd ovanpå Amazon hanterade streaming för Kafka (Amazon MSK). Amazon MSK gör det enkelt att mata in och bearbeta strömmande data i realtid med fullt hanterad Apache Kafka. I den här arkitekturen fungerar Amazon MSK som en streamingplattform och utför alla datatransformationer som krävs på de råa inkommande klickströmhändelserna. Sedan en AWS Lambda funktionen utlöses för att filtrera händelserna till schemat som är kompatibelt med Amazon Personalize-datauppsättningen och skicka dessa händelser till en Amazon Personalize-händelsespårare med hjälp av en putEvent
API. Detta gör att Amazon Personalize kan lära sig av din användares senaste beteende och inkludera relevanta objekt i rekommendationer.
TR:s webbapplikationer anropar ett API utplacerat i Amazon API Gateway för att få rekommendationer, vilket utlöser en lambdafunktion för att anropa en GetRecommendations
API-anrop med Amazon Personalize. Amazon Personalize tillhandahåller den senaste uppsättningen av personliga rekommendationer anpassade till användarbeteendet, som tillhandahålls tillbaka till webbapplikationerna via Lambda och API Gateway.
Med denna realtidsarkitektur kan TR betjäna sina kunder med personliga rekommendationer som är anpassade till deras senaste beteende och tillgodose deras behov bättre.
Slutsats
I det här inlägget visade vi dig hur TR använde Amazon Personalize och andra AWS-tjänster för att implementera en rekommendationsmotor. Amazon Personalize gjorde det möjligt för TR att påskynda utvecklingen och distributionen av högpresterande modeller för att ge rekommendationer till sina kunder. TR kan nu ta med en ny serie produkter inom några veckor, jämfört med månader tidigare. Med Amazon Personalize och SageMaker kan TR höja kundupplevelsen med bättre innehållsprenumerationsplaner och priser för sina kunder.
Om du gillade att läsa den här bloggen och vill lära dig mer om Amazon Personalize och hur det kan hjälpa din organisation att bygga rekommendationssystem, se utvecklarguide.
Om författarna
Hisham Fahim är en ledande maskininlärningsingenjör och personaliseringsmotorarkitekt på Thomson Reuters. Han har arbetat med organisationer inom akademin och industrin, från stora företag till medelstora startups. Med fokus på skalbara djupinlärningsarkitekturer har han erfarenhet av mobil robotik, biomedicinsk bildanalys samt rekommendatorsystem. Bort från datorer gillar han astrofotografering, läsning och långdistanscykling.
Srinivasa Shaik är en lösningsarkitekt på AWS baserad i Boston. Han hjälper företagskunder att påskynda sin resa till molnet. Han brinner för containrar och maskininlärningsteknik. På fritiden gillar han att umgås med familjen, laga mat och resa.
Vamshi Krishna Enabothala är en Sr. Applied AI Specialist Architect på AWS. Han arbetar med kunder från olika sektorer för att påskynda högeffektiva data-, analys- och maskininlärningsinitiativ. Han brinner för rekommendationssystem, NLP och datorseende områden inom AI och ML. Utanför jobbet är Vamshi en RC-entusiast som bygger RC-utrustning (flygplan, bilar och drönare) och tycker också om trädgårdsarbete.
Simone Zucchet är Senior Solutions Architect på AWS. Med över 6 års erfarenhet som molnarkitekt tycker Simone om att arbeta med innovativa projekt som hjälper till att förändra hur organisationer närmar sig affärsproblem. Han hjälper till att stödja stora företagskunder på AWS och är en del av Machine Learning TFC. Utanför sitt yrkesliv tycker han om att arbeta med bilar och fotografering.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- Platoblockchain. Web3 Metaverse Intelligence. Kunskap förstärkt. Tillgång här.
- Källa: https://aws.amazon.com/blogs/machine-learning/how-thomson-reuters-delivers-personalized-content-subscription-plans-at-scale-using-amazon-personalize/
- 100
- 7
- a
- förmåga
- Able
- Om oss
- Akademin
- accelerera
- Konto
- Redovisning
- exakt
- tvärs
- aktivitet
- anpassa
- Annat
- Fördel
- Efter
- AI
- AI / ML
- Alla
- tillåter
- redan
- amason
- Amazon Anpassa
- analys
- analytiker
- analytics
- analyser
- och
- svar
- Apache
- api
- tillämpningar
- tillämpas
- Tillämpad AI
- tillvägagångssätt
- arkitektur
- områden
- runt
- associerad
- automatisera
- medvetenhet
- AWS
- AWS-lim
- tillbaka
- baserat
- grund
- därför att
- innan
- BÄST
- Bättre
- mellan
- Bortom
- biomedicinsk
- Blogg
- boston
- bredd
- SLUTRESULTAT
- Byggnad
- byggt
- företag
- företag
- Ring
- Kampanj
- kampanjer
- Kampanjer
- bilar
- katalog
- centrerad
- centraliserad
- utmanar
- byta
- Förändringar
- byte
- Välja
- cloud
- koda
- Samla
- engagerad
- Företag
- jämfört
- kompatibel
- komponenter
- dator
- Datorsyn
- datorer
- med tanke på
- ständigt
- Konsumenten
- konsumenter
- Behållare
- innehåll
- fortsatte
- Konvertering
- Kärna
- Pris
- kunde
- skapa
- skapas
- Skapa
- kurerad
- kurater
- Aktuella
- beställnings
- kund
- konsument data
- kundupplevelse
- Kunder
- dagligen
- datum
- Förberedelse av data
- databehandling
- datauppsättningar
- behandla
- beslut
- djup
- djupt lärande
- leverera
- levererar
- beroende
- utplacerade
- utplacera
- utplacering
- utformade
- detaljer
- utvecklade
- Utveckling
- olika
- avstånd
- domän
- driv
- drivande
- Drönare
- under
- varje
- Tidigare
- Tidig
- UPPHÖJA
- berättigad
- aktiverad
- möjliggör
- ingrepp
- Motor
- ingenjör
- berika
- Företag
- företag
- entusiast
- Hela
- Utrustning
- händelse
- händelser
- ständigt föränderliga
- utvecklas
- erfarenhet
- expertis
- Förklara
- extrahera
- extrakt
- familj
- snabbare
- Leverans
- filtrera
- slutlig
- finansiella
- hitta
- Firm
- Flexibilitet
- Fokus
- efter
- formen
- format
- bildad
- RAM
- från
- fullständigt
- fungera
- funktioner
- nätbryggan
- generera
- genereras
- genererar
- generera
- skaffa sig
- få
- ger
- Mål
- stor
- har
- hjälpa
- hjälper
- högpresterande
- högre
- Hur ser din drömresa ut
- html
- HTTPS
- humant
- bild
- genomföra
- genomföra
- importera
- med Esport
- in
- innefattar
- Inkommande
- ökat
- industrin
- informationen
- initiativ
- Innovation
- innovativa
- ingång
- integrerade
- integrering
- Intelligens
- interagera
- interaktioner
- intresse
- involverade
- IT
- artikel
- Jobb
- Lediga jobb
- resa
- Nyckel
- Large
- Efternamn
- senaste
- leda
- ledande
- LÄRA SIG
- inlärning
- Legacy
- Adress
- Nivå
- Licens
- livet
- lyft
- lever
- läsa in
- Lång
- Låg
- Maskinen
- maskininlärning
- göra
- GÖR
- hantera
- förvaltade
- marknad
- Marknadsledande
- Marknadsföring
- Marknader
- förfall
- Media
- Microsoft
- Microsoft-team
- kanske
- miljoner
- ML
- Mobil
- modell
- modeller
- månader
- mer
- mest
- Behöver
- behov
- Nya
- nya produkter
- nyheter
- Nästa
- nlp
- anmälan
- anmälningar
- Erbjudanden
- Ombord
- ONE
- operativa
- Verksamhet
- optimering
- optimerad
- Tillbehör
- ordrar
- organisation
- organisationer
- Övriga
- utanför
- paket
- del
- brinner
- Utföra
- utför
- personalisering
- personifiera
- personlig
- perspektiv
- fotografi
- rörledning
- Planen
- planering
- planer
- plattform
- plato
- Platon Data Intelligence
- PlatonData
- snälla du
- Punkt
- Portal
- möjlig
- Inlägg
- preferenser
- Förbered
- förbereda
- pris
- Priser
- prissättning
- problem
- process
- bearbetning
- Produkt
- Produkter
- professionell
- yrkesmän/kvinnor
- projekt
- ge
- förutsatt
- ger
- tillhandahålla
- publicerade
- Tryck
- kvalitet
- snabbt
- höja
- som sträcker sig
- Betygsätta
- Raw
- Läsning
- redo
- verklig
- realtid
- senaste
- nyligen
- Receptet
- Rekommendation
- rekommendationer
- register
- minska
- avses
- reflektera
- relevanta
- replikeras
- Obligatorisk
- krav
- Krav
- Resultat
- Reuters
- reviewing
- Risk
- robotik
- regler
- Körning
- sagemaker
- försäljning
- skalbar
- Skala
- skalning
- vetenskapsmän
- sektioner
- Sektorer
- se
- senior
- tjänar
- serverar
- service
- Tjänster
- portion
- in
- Gå och Handla
- signera
- signifikant
- Enkelt
- förenkla
- eftersom
- So
- lösning
- Lösningar
- Källa
- Källor
- specialist
- Spendera
- startar
- Startups
- Steg
- förvaring
- lagras
- lagrar
- streaming
- prenumeration
- abonnemang
- framgång
- framgångsrik
- svit
- stödja
- system
- System
- skräddarsydd
- Ta
- tar
- uppgifter
- skatt
- grupp
- lag
- Tekniken
- Teknologi
- Smakämnen
- deras
- Thomson Reuters
- Genom
- tid
- till
- verktyg
- topp
- Tåg
- tränad
- Utbildning
- Transaktioner
- Förvandla
- transformationer
- transformerad
- Traveling
- Trender
- triggas
- betrodd
- förstå
- förståelse
- TIDSENLIG
- uppgradera
- Användning
- användning
- Användare
- användare
- Värdefulla
- olika
- version
- via
- syn
- volym
- ville
- Rikedom
- webb
- webbapplikationer
- veckor
- Vad
- som
- VEM
- inom
- utan
- Arbete
- arbetade
- arbetssätt
- fungerar
- Världens
- skulle
- skriva
- skriven
- år
- Om er
- Din
- zephyrnet