Amazon Anpassa är glada över att tillkännage det nya Nästa bästa action (aws-next-best-action
) recept för att hjälpa dig att avgöra de bästa åtgärderna att föreslå för dina individuella användare som gör att du kan öka varumärkeslojalitet och konvertering.
Amazon Personalize är en fullständigt hanterad maskininlärningstjänst (ML) som gör det enkelt för utvecklare att leverera mycket personliga användarupplevelser i realtid. Det gör att du kan förbättra kundernas engagemang genom att driva personliga produkt- och innehållsrekommendationer på webbplatser, applikationer och riktade marknadsföringskampanjer. Du kan komma igång utan föregående ML-erfarenhet genom att använda API:er för att enkelt bygga sofistikerade personaliseringsmöjligheter med några få klick. All din data är krypterad för att vara privat och säker.
I det här inlägget visar vi dig hur du använder receptet Next Best Action för att anpassa handlingsrekommendationer baserat på varje användares tidigare interaktioner, behov och beteende.
Lösningsöversikt
Med den snabba tillväxten av digitala kanaler och tekniska framsteg som gör hyperpersonalisering mer tillgänglig, kämpar varumärken för att avgöra vilka åtgärder som kommer att maximera engagemanget för varje enskild användare. Varumärken visar antingen samma åtgärder för alla användare eller förlitar sig på traditionella användarsegmenteringsmetoder för att rekommendera åtgärder till varje användarkohort. Dessa tillvägagångssätt är dock inte längre tillräckliga, eftersom varje användare förväntar sig en unik upplevelse och tenderar att överge varumärken som inte förstår deras behov. Dessutom kan varumärken inte uppdatera åtgärdsrekommendationerna i realtid på grund av processens manuella karaktär.
Med Next Best Action kan du bestämma de åtgärder som har störst sannolikhet att engagera varje enskild användare baserat på deras preferenser, behov och historia. Next Best Action tar hänsyn till varje användares intressen under sessionen och ger rekommendationer om åtgärder i realtid. Du kan rekommendera åtgärder som att registrera dig för lojalitetsprogram, registrera dig för ett nyhetsbrev eller en tidning, utforska en ny kategori, ladda ner en app och andra åtgärder som uppmuntrar konvertering. Detta kommer att göra det möjligt för dig att förbättra varje användares upplevelse genom att ge dem rekommendationer om åtgärder under deras användarresa som kommer att bidra till att främja långsiktigt varumärkesengagemang och intäkter. Det kommer också att bidra till att förbättra din avkastning på marknadsföringsinvesteringar genom att rekommendera den åtgärd som varje användare har stor sannolikhet att vidta.
AWS Partners gillar Credera är glada över de anpassningsmöjligheter som Amazon Personalize Next Best Action kommer att låsa upp för sina kunder.
"Amazon Personalize är en maskininlärningslösning i världsklass som gör det möjligt för företag att skapa meningsfulla kundupplevelser över ett brett spektrum av användningsfall utan omfattande omarbetning eller förhandsimplementeringskostnader som vanligtvis krävs för dessa typer av lösningar. Vi är verkligen glada över tillägget av Next Best Action-kapaciteten som kommer att göra det möjligt för kunder att ge personliga rekommendationer om åtgärder, avsevärt förbättra deras digitala upplevelser och skapa ytterligare affärsvärde. Specifikt förväntar vi oss att alla som arbetar inom detaljhandeln eller innehållsområdet ska se en förbättrad upplevelse för sina kunder och högre konverteringar som ett direkt resultat av att använda Amazon Personalize. Vi är oerhört glada över att vara en lanseringspartner med AWS i denna release och ser fram emot att ge företag möjlighet att driva ML-baserade personliga lösningar med Next Best Action.”
– Jason Goth, Partner och Chief Technology Officer, Credera.
Exempel på användningsfall
För att utforska effekten av den här nya funktionen mer i detalj, låt oss granska ett exempel genom att ta tre användare: A (User_id
11999), B (User_id
17141), och C (User_id
8103), som befinner sig i olika stadier av sin användarresa när de gör köp på en webbplats. Vi ser sedan hur Next Best Action föreslår de optimala åtgärderna för varje användare baserat på deras tidigare interaktioner och preferenser.
Först tittar vi på datauppsättningen för handlingsinteraktioner för att förstå hur användare har interagerat med åtgärder tidigare. Följande exempel visar de tre användarna och deras olika shoppingmönster. Användare A är en frekvent köpare och har handlat mestadels i kategorierna "Skönhet & Grooming" och "Smycken" tidigare. Användare B är en tillfällig köpare som har gjort några köp i kategorin "Elektronik" tidigare, och Användare C är en ny användare på webbplatsen som har gjort sitt första köp i kategorin "Kläder".
Användartyp | Användar ID | Handlingar | Action_Event_Type | Tidsstämpel |
Användare A | 11999 | Köp i kategorin "Skönhet & Grooming". | tagen | 2023-09-17 20:03:05 |
Användare A | 11999 | Köp i kategorin "Skönhet & Grooming". | tagen | 2023-09-18 19:28:38 |
Användare A | 11999 | Köp i kategorin "Skönhet & Grooming". | tagen | 2023-09-20 17:49:52 |
Användare A | 11999 | Köp i kategorin "Smycken". | tagen | 2023-09-26 18:36:16 |
Användare A | 11999 | Köp i kategorin "Skönhet & Grooming". | tagen | 2023-09-30 19:21:05 |
Användare A | 11999 | Ladda ner mobilappen | tagen | 2023-09-30 19:29:35 |
Användare A | 11999 | Köp i kategorin "Smycken". | tagen | 2023-10-01 19:35:47 |
Användare A | 11999 | Köp i kategorin "Skönhet & Grooming". | tagen | 2023-10-04 19:19:34 |
Användare A | 11999 | Köp i kategorin "Smycken". | tagen | 2023-10-06 20:38:55 |
Användare A | 11999 | Köp i kategorin "Skönhet & Grooming". | tagen | 2023-10-10 20:17:07 |
Användare B | 17141 | Köp i kategorin "Elektronik". | tagen | 2023-09-29 20:17:49 |
Användare B | 17141 | Köp i kategorin "Elektronik". | tagen | 2023-10-02 00:38:08 |
Användare B | 17141 | Köp i kategorin "Elektronik". | tagen | 2023-10-07 11:04:56 |
Användare C | 8103 | Köp i kategorin "Kläder". | tagen | 2023-09-26 18:30:56 |
Traditionellt visar varumärken antingen samma åtgärder för alla användare eller använder strategier för användarsegmentering för att rekommendera åtgärder till deras användarbas. Följande tabell är ett exempel på ett varumärke som visar samma uppsättning åtgärder för alla användare. Dessa åtgärder kan eller kanske inte är relevanta för användarna, vilket minskar deras engagemang med varumärket.
Användartyp | Användar ID | Åtgärdsrekommendationer | Rang av åtgärd |
Användare A | 11999 | Prenumerera på lojalitetsprogram | 1 |
Användare A | 11999 | Ladda ner mobilappen | 2 |
Användare A | 11999 | Köp i kategorin "Elektronik". | 3 |
Användare B | 17141 | Prenumerera på lojalitetsprogram | 1 |
Användare B | 17141 | Ladda ner mobilappen | 2 |
Användare B | 17141 | Köp i kategorin "Elektronik". | 3 |
Användare C | 8103 | Prenumerera på lojalitetsprogram | 1 |
Användare C | 8103 | Ladda ner mobilappen | 2 |
Användare C | 8103 | Köp i kategorin "Elektronik". | 3 |
Låt oss nu använda Nästa bästa åtgärd för att rekommendera åtgärder för varje användare. När du har definierat de åtgärder som är kvalificerade för rekommendationer, aws-next-best-action
receptet returnerar en rankad lista med åtgärder, anpassad för varje användare, baserat på användarbenägenhet (sannolikheten för att en användare ska utföra en viss åtgärd, mellan 0.0–1.0) och värdet på den åtgärden, om den tillhandahålls. I detta inlägg tar vi bara hänsyn till användarbenägenhet.
I följande exempel ser vi att för användare A (frekvent köpare) är Prenumerera på lojalitetsprogram den bästa rekommenderade åtgärden med ett benägenhetspoäng på 1.00, vilket betyder att denna användare med största sannolikhet registrerar sig i lojalitetsprogrammet eftersom de har gjort många inköp. Att rekommendera åtgärden Prenumerera på lojalitetsprogram till Användare A har därför stor sannolikhet att öka Användare A:s engagemang.
Användartyp | Användar ID | Åtgärdsrekommendationer | Rang av åtgärd | Benägenhetspoäng |
Användare A | 11999 | Prenumerera på lojalitetsprogram | 1 | 1.00 |
Användare A | 11999 | Köp i kategorin "Smycken". | 2 | 0.86 |
Användare A | 11999 | Köp i kategorin "Skönhet & Grooming". | 3 | 0.85 |
Användare B | 17141 | Köp i kategorin "Elektronik". | 1 | 0.78 |
Användare B | 17141 | Prenumerera på lojalitetsprogram | 2 | 0.71 |
Användare B | 17141 | Köp i kategorin "Smarta hem". | 3 | 0.66 |
Användare C | 8103 | Köp i kategorin "Handväskor och skor". | 1 | 0.60 |
Användare C | 8103 | Ladda ner mobilappen | 2 | 0.48 |
Användare C | 8103 | Köp i kategorin "Kläder". | 3 | 0.46 |
På samma sätt har användare B (casual buyer persona) en högre sannolikhet att fortsätta handla i kategorin "Elektronik" och även köpa nya produkter i en liknande kategori, "Smarta hem". Därför rekommenderar Next Best Action dig att prioritera åtgärder, Köp i kategorin "Elektronik" och Köp i kategorin "Smarta hem". Det betyder att om du uppmanar användare B att köpa produkter i dessa två kategorier kan det leda till större engagemang. Vi märker också att åtgärden att prenumerera på lojalitetsprogram rekommenderas för användare B men med ett lägre benägenhetspoäng på 0.71 jämfört med användare A, vars benägenhetspoäng är 1.0. Detta beror på att användare som har en djupare historia och är längre på sin shoppingresa drar nytta av lojalitetsprogram på grund av de extra fördelarna och är mycket sannolikt att interagera mer.
Slutligen ser vi att Next Best Action för användare C köper i kategorin "Handväskor och skor", vilket liknar deras tidigare åtgärd av köp i kategorin "Kläder". Vi ser också att benägenheten att ladda ner mobilappen är relativt lägre (0.48) än en annan åtgärd, Köp i kategorin "Handväskor & skor", som har ett högre benägenhetspoäng på 0.60. Det betyder att om du rekommenderar Användare C att köpa produkter i en kompletterande kategori ("Handväskor och skor") över att ladda ner mobilappen, är det mer sannolikt att de håller fast vid ditt varumärke och fortsätter att handla i framtiden.
För mer information om hur man implementerar Next Best Action (aws-next-best-action
) recept, se dokumentation.
Slutsats
Det nya Next Best Action-receptet i Amazon Personalize hjälper dig att rekommendera rätt åtgärder till rätt användare i realtid baserat på deras individuella beteende och behov. Detta gör att du kan maximera användarnas engagemang och leda till högre konverteringsfrekvens.
För mer information om Amazon Personalize, se Amazon Personalize Developer Guide.
Om författarna
Shreeya Sharma är en senior teknisk produktchef som arbetar med AWS AI/ML på Amazon Personalize. Hon har en bakgrund inom datavetenskap, teknikrådgivning och dataanalys. På fritiden tycker hon om att resa, spela teater och prova nya äventyr.
Pranesh Anubhav är en senior mjukvaruingenjör för Amazon Personalize. Han brinner för att designa maskininlärningssystem för att betjäna kunder i stor skala. Utanför sitt arbete älskar han att spela fotboll och är en ivrig följare av Real Madrid.
Aniket Deshmukh är en tillämpad forskare i AWS AI-labb som stöder Amazon Personalize. Aniket arbetar inom det allmänna området rekommendationssystem, kontextuella banditer och multimodal djupinlärning.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
- PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
- Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
- PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
- Källa: https://aws.amazon.com/blogs/machine-learning/build-brand-loyalty-by-recommending-actions-to-your-users-with-amazon-personalize-next-best-action/
- : har
- :är
- :inte
- $UPP
- 1
- 100
- 11
- 114
- 120
- 125
- 13
- 14
- 17
- 19
- 20
- 28
- 29
- 30
- 35%
- 36
- 49
- 60
- 7
- 72
- 8
- a
- Om Oss
- tillgänglig
- Konto
- tvärs
- Handling
- åtgärder
- lagt till
- Dessutom
- Annat
- framsteg
- Äventyr
- Efter
- AI
- AI / ML
- Alla
- längs
- också
- amason
- Amazon Anpassa
- Amazon Web Services
- an
- analytics
- och
- Meddela
- Annan
- vilken som helst
- någon
- API: er
- app
- tillämpningar
- tillämpas
- tillvägagångssätt
- ÄR
- OMRÅDE
- array
- AS
- At
- AWS
- bakgrund
- bas
- baserat
- BE
- därför att
- beteende
- fördel
- Fördelarna
- BÄST
- mellan
- varumärke
- varumärken
- SLUTRESULTAT
- företag
- företag
- men
- Köp
- KÖPARE..
- Uppköp
- by
- Kampanjer
- KAN
- Kan få
- kapacitet
- kapacitet
- fall
- avslappnad
- kategorier
- Kategori
- kanaler
- chef
- Chief Technology Officer
- Kohort
- Företag
- jämfört
- komplementär
- dator
- Datavetenskap
- Tänk
- rådgivning
- innehåll
- kontextuella
- fortsätta
- Konvertering
- omvandlingar
- Pris
- skapa
- kund
- Kundförlovning
- Kunder
- datum
- Data Analytics
- djup
- djupt lärande
- djupare
- definiera
- leverera
- design
- detalj
- detaljer
- Bestämma
- Utvecklare
- utvecklare
- olika
- digital
- rikta
- inte
- ladda ner
- nedladdning
- driv
- drivande
- grund
- varje
- lätt
- enkel
- antingen
- berättigad
- ge
- möjliggöra
- möjliggör
- uppmuntra
- krypterad
- ingrepp
- engagerande
- ingenjör
- Teknik
- Varje
- exempel
- exciterade
- förvänta
- förväntar
- erfarenhet
- Erfarenheter
- utforska
- Utforska
- omfattande
- extremt
- Leverans
- få
- Förnamn
- efter
- För
- Framåt
- frekvent
- från
- fullständigt
- ytterligare
- Vidare
- framtida
- Allmänt
- skaffa sig
- större
- Tillväxt
- Har
- he
- hjälpa
- hjälper
- här
- Hög
- högre
- högsta
- höggradigt
- hans
- historia
- Hur ser din drömresa ut
- How To
- Men
- html
- HTTPS
- if
- Inverkan
- genomföra
- genomförande
- förbättra
- förbättras
- förbättra
- in
- Öka
- ökande
- individuellt
- informationen
- interagera
- interaktioner
- intressen
- in
- investering
- IT
- resa
- jpg
- Labs
- lansera
- leda
- inlärning
- tycka om
- sannolikhet
- sannolikt
- Lista
- lång sikt
- längre
- se
- du letar
- älskar
- lägre
- Lojalitet
- lojalitetsprogram
- Lojalitetsprogram
- Maskinen
- maskininlärning
- gjord
- magasinet
- göra
- GÖR
- Framställning
- förvaltade
- chef
- manuell
- Marknadsföring
- Maximera
- Maj..
- meningsfull
- betyder
- ML
- Mobil
- Mobil app
- mer
- mest
- för det mesta
- Natur
- behov
- Nya
- nya produkter
- Nyhetsbrev
- Nästa
- Nej
- Lägga märke till..
- talrik
- of
- Officer
- on
- endast
- optimala
- or
- Övriga
- ut
- utanför
- över
- särskilt
- partnern
- partner
- brinner
- Tidigare
- mönster
- utför
- personalisering
- personifiera
- personlig
- plato
- Platon Data Intelligence
- PlatonData
- i
- Möjligheterna
- Inlägg
- Strömförsörjning
- preferenser
- föregående
- Innan
- Prioritera
- privat
- process
- Produkt
- produktchef
- Produkter
- Program
- Program
- främja
- ge
- förutsatt
- ger
- tillhandahålla
- inköp
- inköp
- inköp
- Syftet
- som sträcker sig
- rankad
- snabb
- rates
- verklig
- Real Madrid
- realtid
- verkligen
- Receptet
- rekommenderar
- Rekommendation
- rekommendationer
- rekommenderas
- rekommendera
- rekommenderar
- reducerande
- hänvisa
- relativt
- frigöra
- relevanta
- förlita
- Obligatorisk
- resultera
- detaljhandeln
- avkastning
- återgår
- intäkter
- översyn
- höger
- Samma
- Skala
- Vetenskap
- Forskare
- göra
- säkra
- se
- segmentering
- senior
- tjänar
- service
- Tjänster
- in
- hon
- Gå och Handla
- show
- Visar
- signifikant
- signering
- liknande
- Fotboll
- Mjukvara
- Programvara ingenjör
- lösning
- Lösningar
- sofistikerade
- Utrymme
- specifikt
- stadier
- igång
- strategier
- Kamp
- prenumerera
- sådana
- tillräcklig
- föreslå
- Föreslår
- Stödjande
- System
- bord
- tar
- tar
- riktade
- Teknisk
- Teknologi
- tenderar
- än
- den där
- Smakämnen
- Framtiden
- teater
- deras
- Dem
- sedan
- därför
- Dessa
- de
- detta
- tre
- glada
- tid
- till
- topp
- traditionell
- Traveling
- försöker
- två
- typer
- typiskt
- oförmögen
- förstå
- unika
- låsa
- Uppdatering
- användning
- Användare
- användarens resa
- användare
- med hjälp av
- värde
- we
- webb
- webbservice
- Webbplats
- webbsidor
- Vad
- som
- medan
- VEM
- vars
- bred
- kommer
- med
- inom
- utan
- Arbete
- arbetssätt
- fungerar
- världsklass
- Om er
- Din
- zephyrnet