ปรับแต่งประสบการณ์ลูกค้าข้ามช่องทางด้วย Amazon SageMaker, Amazon Personalize และ Twilio Segment

วันนี้ ลูกค้าโต้ตอบกับแบรนด์ผ่านรอยเท้าดิจิทัลและออฟไลน์ที่ใหญ่ขึ้นเรื่อยๆ ทำให้เกิดข้อมูลการโต้ตอบมากมายที่เรียกว่าข้อมูลพฤติกรรม ด้วยเหตุนี้ นักการตลาดและทีมประสบการณ์ลูกค้าจึงต้องทำงานกับเครื่องมือที่ทับซ้อนกันหลายตัวเพื่อดึงดูดและกำหนดเป้าหมายลูกค้าเหล่านั้นผ่านจุดติดต่อ สิ่งนี้จะเพิ่มความซับซ้อน สร้างมุมมองที่หลากหลายของลูกค้าแต่ละราย และทำให้ยากขึ้นในการมอบประสบการณ์ส่วนบุคคลด้วยเนื้อหาที่เกี่ยวข้อง การส่งข้อความ และคำแนะนำผลิตภัณฑ์แก่ลูกค้าแต่ละราย ทีมการตลาดใช้แพลตฟอร์มข้อมูลลูกค้า (CDP) และเครื่องมือการจัดการแคมเปญข้ามช่องทาง (CCCM) เพื่อลดความซับซ้อนของกระบวนการรวบรวมมุมมองที่หลากหลายของลูกค้า เทคโนโลยีเหล่านี้ช่วยให้ผู้ใช้ที่ไม่ใช่ด้านเทคนิคมีเส้นทางที่รวดเร็วในการเปิดใช้การกำหนดเป้าหมายข้ามช่องทาง การมีส่วนร่วม และการปรับเปลี่ยนในแบบของคุณ ในขณะที่ลดการพึ่งพาทีมการตลาดในทีมเทคนิคและทักษะเฉพาะทางในการมีส่วนร่วมกับลูกค้า

อย่างไรก็ตาม นักการตลาดพบว่าตนเองมีจุดบอดในกิจกรรมของลูกค้า เมื่อเทคโนโลยีเหล่านี้ไม่ได้รวมเข้ากับระบบจากส่วนอื่นๆ ของธุรกิจ โดยเฉพาะอย่างยิ่งกับช่องทางที่ไม่ใช่ดิจิทัล เช่น ธุรกรรมในร้านค้าหรือคำติชมของลูกค้าจากฝ่ายสนับสนุนลูกค้า ทีมการตลาดและคู่หูประสบการณ์ลูกค้ายังพยายามผสานความสามารถในการคาดการณ์ที่พัฒนาโดยนักวิทยาศาสตร์ข้อมูลเข้ากับแคมเปญข้ามช่องทางหรือจุดติดต่อของลูกค้า ด้วยเหตุนี้ ลูกค้าจึงได้รับข้อความและคำแนะนำที่ไม่เกี่ยวข้องหรือไม่สอดคล้องกับความคาดหวังของพวกเขา

โพสต์นี้สรุปวิธีที่ทีมข้ามสายงานสามารถทำงานร่วมกันเพื่อจัดการกับความท้าทายเหล่านี้โดยใช้กรณีการใช้งานการปรับให้เป็นส่วนตัวสำหรับช่องทาง Omni เราใช้สถานการณ์จำลองการขายปลีกเพื่อแสดงให้เห็นว่าทีมเหล่านั้นเชื่อมต่อกันอย่างไรเพื่อมอบประสบการณ์ที่เป็นส่วนตัวในจุดต่างๆ ตลอดเส้นทางของลูกค้า เราใช้ ส่วนทวิลิโอ ในสถานการณ์ของเรา แพลตฟอร์มข้อมูลลูกค้าที่สร้างขึ้นบน AWS มี CDP ในตลาดให้เลือกมากกว่า 12 รายการ ซึ่งหลายแห่งก็เป็นคู่ค้าของ AWS ด้วยแต่เราใช้ Segment ในโพสต์นี้เนื่องจากมีระดับบริการตนเองฟรีที่ให้คุณสำรวจและทดลองได้ เราอธิบายวิธีรวมเอาท์พุตจากเซ็กเมนต์เข้ากับข้อมูลการขายในร้านค้า ข้อมูลเมตาของผลิตภัณฑ์ และข้อมูลสินค้าคงคลัง จากสิ่งนี้ เราจะอธิบายวิธีผสานรวมกลุ่มกับ ปรับแต่ง Amazon เพื่อขับเคลื่อนคำแนะนำแบบเรียลไทม์ นอกจากนี้เรายังอธิบายวิธีที่เราสร้างคะแนนสำหรับการเลิกราและแนวโน้มการซื้อซ้ำโดยใช้ อเมซอน SageMaker. สุดท้ายนี้ เราสำรวจวิธีการกำหนดเป้าหมายลูกค้าใหม่และลูกค้าเดิมในสามวิธี:

• ด้วยแบนเนอร์บนเว็บไซต์ของบุคคลที่สามหรือที่เรียกว่าโฆษณาแบบดิสเพลย์โดยใช้คะแนนแนวโน้มที่จะซื้อเพื่อดึงดูดลูกค้าที่คล้ายคลึงกัน
• บนเว็บและช่องทางมือถือที่นำเสนอด้วยคำแนะนำส่วนบุคคลที่ขับเคลื่อนโดย Amazon Personalize ซึ่งใช้อัลกอริธึมการเรียนรู้ของเครื่อง (ML) เพื่อสร้างคำแนะนำเนื้อหา
• ด้วยการส่งข้อความส่วนตัวโดยใช้ ระบุอเมซอน, บริการสื่อสารการตลาดขาออกและขาเข้า ข้อความเหล่านี้มุ่งเป้าไปที่ลูกค้าที่ไม่ได้มีส่วนร่วมและผู้ที่มีแนวโน้มจะเลิกรา

ภาพรวมโซลูชัน

ลองนึกภาพคุณเป็นเจ้าของผลิตภัณฑ์ซึ่งเป็นผู้นำด้านประสบการณ์ลูกค้าข้ามช่องทางสำหรับบริษัทค้าปลีก บริษัทมีช่องทางออนไลน์และออฟไลน์ที่หลากหลาย แต่มองว่าช่องทางดิจิทัลเป็นโอกาสหลักสำหรับการเติบโต พวกเขาต้องการขยายขนาดและมูลค่าของฐานลูกค้าด้วยวิธีต่อไปนี้:

• ดึงดูดลูกค้าใหม่ที่มีคุณสมบัติสูงซึ่งมีแนวโน้มที่จะทำ Conversion
• เพิ่มมูลค่าการสั่งซื้อเฉลี่ยของลูกค้าทั้งหมดของพวกเขา
• ดึงดูดลูกค้าที่ไม่ได้มีส่วนร่วมกลับมาให้กลับมาและหวังว่าจะทำการซื้อซ้ำ

เพื่อให้แน่ใจว่าลูกค้าเหล่านั้นจะได้รับประสบการณ์ที่สอดคล้องกันในทุกช่องทาง คุณในฐานะเจ้าของผลิตภัณฑ์จำเป็นต้องทำงานร่วมกับทีมต่างๆ เช่น การตลาดดิจิทัล การพัฒนาส่วนหน้า การพัฒนาอุปกรณ์เคลื่อนที่ การส่งมอบแคมเปญ และเอเจนซีที่สร้างสรรค์ เพื่อให้แน่ใจว่าลูกค้าจะได้รับคำแนะนำที่เกี่ยวข้อง คุณจะต้องทำงานร่วมกับทีมวิศวกรรมข้อมูลและวิทยาศาสตร์ข้อมูล แต่ละทีมเหล่านี้มีหน้าที่รับผิดชอบในการโต้ตอบหรือพัฒนาคุณลักษณะภายในสถาปัตยกรรมที่แสดงไว้ในไดอะแกรมต่อไปนี้

เวิร์กโฟลว์โซลูชันประกอบด้วยขั้นตอนระดับสูงต่อไปนี้:

1. รวบรวมข้อมูลจากหลายแหล่งเพื่อจัดเก็บใน บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (อเมซอน เอส3).
2. ใช้ ฟังก์ชันขั้นตอนของ AWS เพื่อจัดการข้อมูลออนบอร์ดและวิศวกรรมคุณลักษณะ
3. สร้างกลุ่มและการคาดการณ์โดยใช้ SageMaker
4. ใช้คะแนนแนวโน้มสำหรับการกำหนดเป้าหมายในเครือข่ายดิสเพลย์
5. ส่งข้อความส่วนตัวโดยใช้ Amazon Pinpoint
6. ผสานรวมคำแนะนำส่วนบุคคลแบบเรียลไทม์โดยใช้ Amazon Personalize

ในส่วนต่อไปนี้ เราจะอธิบายแต่ละขั้นตอน อธิบายกิจกรรมของแต่ละทีมในระดับสูง ให้ข้อมูลอ้างอิงถึงแหล่งข้อมูลที่เกี่ยวข้อง และแบ่งปันห้องปฏิบัติการเชิงปฏิบัติที่ให้คำแนะนำโดยละเอียดเพิ่มเติม

รวบรวมข้อมูลจากหลายแหล่ง

ทีมการตลาดดิจิทัล ฟรอนต์เอนด์ และมือถือสามารถกำหนดค่าเซ็กเมนต์เพื่อรวบรวมและรวมการวิเคราะห์เว็บและอุปกรณ์เคลื่อนที่ ประสิทธิภาพของสื่อดิจิทัล และแหล่งการขายออนไลน์โดยใช้ การเชื่อมต่อส่วนต่างๆ. บุคคลตามกลุ่ม ช่วยให้ทีมการตลาดดิจิทัลสามารถแก้ไขข้อมูลประจำตัวของผู้ใช้โดยเชื่อมโยงการโต้ตอบจากแหล่งที่มาเหล่านี้เข้าด้วยกันเป็นโปรไฟล์ผู้ใช้รายเดียวด้วยตัวระบุถาวรเพียงตัวเดียว โปรไฟล์เหล่านี้พร้อมกับตัวชี้วัดที่คำนวณได้ที่เรียกว่า ลักษณะการคำนวณ และเหตุการณ์ดิบสามารถส่งออกไปยัง Amazon S3 ภาพหน้าจอต่อไปนี้แสดงวิธีตั้งค่ากฎข้อมูลประจำตัวใน Segment Personas

ควบคู่กันไป ทีมวิศวกรก็ใช้ บริการย้ายข้อมูล AWS (AWS DMS) เพื่อจำลองการขายในร้านค้า ข้อมูลเมตาของผลิตภัณฑ์ และแหล่งข้อมูลสินค้าคงคลังจากฐานข้อมูล เช่น Microsoft SQL หรือ Oracle และจัดเก็บผลลัพธ์ใน Amazon S3

การออนบอร์ดข้อมูลและวิศวกรรมคุณลักษณะ

หลังจากเก็บรวบรวมและจัดเก็บข้อมูลในเขตเชื่อมโยงไปถึงบน Amazon S3 แล้ว วิศวกรข้อมูลจะสามารถใช้ส่วนประกอบจาก เฟรมเวิร์ก data lake แบบไร้เซิร์ฟเวอร์ (SDLF) เพื่อเร่งการออนบอร์ดข้อมูลและสร้างโครงสร้างพื้นฐานของ Data Lake ด้วย SDLF วิศวกรสามารถทำให้การจัดเตรียมข้อมูลรายการผู้ใช้ที่ใช้ในการฝึกอบรม Amazon Personalize หรือสร้างมุมมองเดียวของพฤติกรรมของลูกค้าโดยการเข้าร่วมข้อมูลพฤติกรรมออนไลน์และออฟไลน์และข้อมูลการขาย โดยใช้แอตทริบิวต์เช่น ID ลูกค้าหรือที่อยู่อีเมลเป็นตัวระบุทั่วไป .

Step Functions เป็นผู้ควบคุมหลักที่ขับเคลื่อนงานการเปลี่ยนแปลงเหล่านี้ภายใน SDLF คุณสามารถใช้ Step Functions เพื่อสร้างและจัดการเวิร์กโฟลว์ข้อมูลทั้งตามกำหนดการและตามเหตุการณ์ได้ ทีมวิศวกรสามารถจัดการงานของบริการอื่นๆ ของ AWS ภายในไปป์ไลน์ข้อมูลได้ ผลลัพธ์จากกระบวนการนี้จัดเก็บไว้ในโซนที่เชื่อถือได้บน Amazon S3 เพื่อใช้สำหรับการพัฒนา ML สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการนำเฟรมเวิร์ก data Lake แบบไร้เซิร์ฟเวอร์ไปใช้ โปรดดูที่ สถาปัตยกรรมอ้างอิงไปป์ไลน์การวิเคราะห์ข้อมูลแบบไร้เซิร์ฟเวอร์ของ AWS.

สร้างกลุ่มและการคาดการณ์

กระบวนการสร้างกลุ่มและการคาดการณ์สามารถแบ่งออกเป็นสามขั้นตอน: เข้าถึงสภาพแวดล้อม สร้างแบบจำลองแนวโน้ม และสร้างไฟล์ผลลัพธ์

เข้าถึงสิ่งแวดล้อม

หลังจากที่ทีมวิศวกรได้เตรียมและแปลงข้อมูลการพัฒนา ML แล้ว ทีมวิทยาศาสตร์ข้อมูลก็สามารถสร้างแบบจำลองแนวโน้มได้โดยใช้ SageMaker ขั้นแรก พวกเขาสร้าง ฝึกฝน และทดสอบชุดเริ่มต้นของโมเดล ML ซึ่งช่วยให้พวกเขาเห็นผลลัพธ์ในระยะแรก ตัดสินใจว่าจะไปในทิศทางใดต่อไป และทำการทดลองซ้ำ

ทีมวิทยาศาสตร์ข้อมูลต้องการความกระตือรือร้น สตูดิโอ Amazon SageMaker สภาพแวดล้อมการพัฒนาแบบบูรณาการ (IDE) สำหรับการทดลอง ML อย่างรวดเร็ว รวมคุณสมบัติหลักทั้งหมดของ SageMaker และเสนอสภาพแวดล้อมเพื่อจัดการไปป์ไลน์ ML ตั้งแต่ต้นทางถึงปลายทาง ขจัดความซับซ้อนและลดเวลาที่ใช้ในการสร้างแบบจำลอง ML และปรับใช้ในการผลิต นักพัฒนาสามารถใช้ โน้ตบุ๊ค SageMaker Studioซึ่งเป็นโน้ตบุ๊ก Jupyter แบบคลิกเดียวที่คุณสามารถหมุนได้อย่างรวดเร็วเพื่อเปิดใช้งานเวิร์กโฟลว์ ML ทั้งหมดตั้งแต่การเตรียมข้อมูลไปจนถึงการปรับใช้โมเดล สำหรับข้อมูลเพิ่มเติมเกี่ยวกับ SageMaker สำหรับ ML โปรดดูที่ Amazon SageMaker สำหรับวิทยาศาสตร์ข้อมูล.

สร้างแบบจำลองแนวโน้ม

ในการประเมินแนวโน้มการเลิกใช้งานและการซื้อซ้ำ ทีมประสบการณ์ของลูกค้าและวิทยาศาสตร์ข้อมูลควรเห็นด้วยกับปัจจัยขับเคลื่อนที่ทราบกันดีอยู่แล้วสำหรับผลลัพธ์อย่างใดอย่างหนึ่ง

ทีมวิทยาศาสตร์ข้อมูลตรวจสอบปัจจัยที่ทราบเหล่านี้ในขณะที่ค้นหาปัจจัยที่ไม่รู้จักผ่านกระบวนการสร้างแบบจำลอง ตัวอย่างของปัจจัยที่ผลักดันให้เกิดความปั่นป่วนคือจำนวนผลตอบแทนในช่วง 3 เดือนที่ผ่านมา ตัวอย่างของปัจจัยที่กระตุ้นให้เกิดการซื้อซ้ำ ได้แก่ จำนวนรายการที่บันทึกไว้บนเว็บไซต์หรือแอปบนอุปกรณ์เคลื่อนที่

สำหรับกรณีการใช้งานของเรา เราคิดว่าทีมการตลาดดิจิทัลต้องการสร้างกลุ่มเป้าหมายโดยใช้แบบจำลองที่เหมือนกันเพื่อค้นหาลูกค้าที่มีแนวโน้มจะซื้อคืนมากที่สุดในเดือนหน้า เรายังสันนิษฐานว่าทีมรณรงค์ต้องการส่งข้อเสนอทางอีเมลให้กับลูกค้าที่มีแนวโน้มว่าจะสิ้นสุดการสมัครรับข้อมูลในอีก 3 เดือนข้างหน้า เพื่อสนับสนุนให้พวกเขาต่ออายุการสมัครรับข้อมูล

ทีมวิทยาศาสตร์ข้อมูลสามารถเริ่มต้นด้วยการวิเคราะห์ข้อมูล (คุณสมบัติ) และสรุปลักษณะสำคัญของชุดข้อมูลเพื่อทำความเข้าใจพฤติกรรมของข้อมูลที่สำคัญ จากนั้นพวกเขาสามารถสับเปลี่ยนและแบ่งข้อมูลออกเป็นการฝึกหัด และทดสอบและอัปโหลดชุดข้อมูลเหล่านี้ไปยังโซนที่เชื่อถือได้ คุณสามารถใช้อัลกอริทึมเช่น XGBoost ตัวแยกประเภทเพื่อฝึกโมเดลและจัดเตรียมการเลือกคุณลักษณะโดยอัตโนมัติ ซึ่งเป็นชุดของผู้สมัครที่ดีที่สุดในการกำหนดคะแนนความชอบ (หรือค่าที่คาดการณ์ไว้)

จากนั้น คุณจะปรับแต่งโมเดลได้ด้วยการเพิ่มประสิทธิภาพเมตริกอัลกอริทึม (เช่น ไฮเปอร์พารามิเตอร์) ตามช่วงที่มีให้ภายในกรอบงาน XGBoost ข้อมูลการทดสอบใช้เพื่อประเมินประสิทธิภาพของแบบจำลองและประเมินว่าแบบจำลองนั้นสรุปข้อมูลใหม่ได้ดีเพียงใด สำหรับข้อมูลเพิ่มเติมเกี่ยวกับตัวชี้วัดการประเมิน โปรดดูที่ ปรับแต่งโมเดล XGBoost.

สุดท้าย คะแนนความชอบจะถูกคำนวณสำหรับลูกค้าแต่ละรายและจัดเก็บไว้ในโซน S3 ที่เชื่อถือได้เพื่อให้เข้าถึง ตรวจสอบ และตรวจสอบโดยทีมการตลาดและแคมเปญ กระบวนการนี้ยังให้การประเมินลำดับความสำคัญของคุณลักษณะตามลำดับความสำคัญ ซึ่งช่วยอธิบายว่าคะแนนนั้นถูกสร้างขึ้นมาอย่างไร

สร้างไฟล์เอาต์พุต

หลังจากที่ทีม Data Science เสร็จสิ้นการฝึกอบรมและปรับแต่งโมเดลแล้ว พวกเขาทำงานร่วมกับทีมวิศวกรรมเพื่อปรับใช้แบบจำลองที่ดีที่สุดกับการผลิต เราสามารถใช้ การแปลงแบทช์ SageMaker เพื่อเรียกใช้การคาดการณ์เมื่อมีการรวบรวมข้อมูลใหม่และสร้างคะแนนสำหรับลูกค้าแต่ละราย ทีมวิศวกรสามารถจัดการและทำให้เวิร์กโฟลว์ ML เป็นอัตโนมัติได้โดยใช้ ท่อส่ง Amazon SageMakerซึ่งเป็นบริการบูรณาการอย่างต่อเนื่องและการส่งมอบอย่างต่อเนื่อง (CI/CD) ที่สร้างขึ้นตามวัตถุประสงค์เฉพาะสำหรับ ML ซึ่งมีสภาพแวดล้อมในการจัดการเวิร์กโฟลว์ ML ตั้งแต่ต้นทางถึงปลายทาง ช่วยประหยัดเวลาและลดข้อผิดพลาดที่มักเกิดจากการประสานด้วยตนเอง

เอาต์พุตของเวิร์กโฟลว์ ML นั้นนำเข้าโดย Amazon Pinpoint เพื่อส่งข้อความส่วนตัวและส่งออกไปยังกลุ่มเพื่อใช้เมื่อกำหนดเป้าหมายบนช่องทางการแสดงผล ภาพประกอบต่อไปนี้แสดงภาพรวมของเวิร์กโฟลว์ ML

ภาพหน้าจอต่อไปนี้แสดงตัวอย่างไฟล์เอาต์พุต

ใช้คะแนนแนวโน้มสำหรับการกำหนดเป้าหมายในเครือข่ายดิสเพลย์

ทีมวิศวกรรมและการตลาดดิจิทัลสามารถสร้างกระแสข้อมูลย้อนกลับไปยังกลุ่มเพื่อเพิ่มการเข้าถึงได้ นี้ใช้การรวมกันของ AWS แลมบ์ดา และอเมซอน S3 ทุกครั้งที่สร้างไฟล์เอาต์พุตใหม่โดยเวิร์กโฟลว์ ML และบันทึกในบัคเก็ต S3 ที่เชื่อถือได้ ฟังก์ชัน Lambda จะถูกเรียกใช้ซึ่งจะทริกเกอร์การส่งออกไปยังกลุ่ม การตลาดดิจิทัลสามารถใช้คะแนนแนวโน้มที่อัปเดตเป็นประจำเป็นคุณลักษณะของลูกค้าเพื่อสร้างและส่งออกผู้ชมไปยังปลายทางของเซ็กเมนต์ (ดูภาพหน้าจอต่อไปนี้) สำหรับข้อมูลเพิ่มเติมเกี่ยวกับโครงสร้างไฟล์ของการส่งออกกลุ่ม โปรดดูที่ Amazon S3 จากแลมบ์ดา.

เมื่อข้อมูลมีอยู่ในกลุ่ม การตลาดดิจิทัลสามารถดูคะแนนแนวโน้มการพัฒนาใน SageMaker เป็นแอตทริบิวต์เมื่อสร้างกลุ่มลูกค้า พวกเขาสามารถสร้างผู้ชมที่คล้ายกันเพื่อกำหนดเป้าหมายพวกเขาด้วยการโฆษณาดิจิทัล ในการสร้างกระแสตอบรับ การตลาดดิจิทัลต้องตรวจสอบให้แน่ใจว่ามีการนำเข้าการแสดงผล การคลิก และแคมเปญกลับเข้าสู่กลุ่มเพื่อเพิ่มประสิทธิภาพ

ส่งข้อความขาออกส่วนบุคคล

ทีมจัดส่งแคมเปญสามารถใช้และปรับใช้แคมเปญ win-back ที่ขับเคลื่อนด้วย AI เพื่อดึงดูดลูกค้าที่เสี่ยงต่อการเลิกใช้งานอีกครั้ง แคมเปญเหล่านี้ใช้รายชื่อผู้ติดต่อของลูกค้าที่สร้างใน SageMaker เป็นกลุ่ม ขณะที่ผสานรวมกับ Amazon Personalize เพื่อนำเสนอคำแนะนำผลิตภัณฑ์ส่วนบุคคล ดูแผนภาพต่อไปนี้

ทีมการตลาดดิจิทัลสามารถทดลองโดยใช้เส้นทางของ Amazon Pinpoint เพื่อแยกเซ็กเมนต์ win-back ออกเป็นกลุ่มย่อย และสงวนเปอร์เซ็นต์ของผู้ใช้ไว้เป็นกลุ่มควบคุมที่ไม่เปิดเผยต่อแคมเปญ ซึ่งช่วยให้พวกเขาสามารถวัดผลกระทบของแคมเปญและสร้างการวนรอบความคิดเห็น

รวมคำแนะนำแบบเรียลไทม์

เพื่อปรับแต่งช่องทางขาเข้าในแบบของคุณ ทีมการตลาดดิจิทัลและทีมวิศวกรรมจะทำงานร่วมกันเพื่อผสานรวมและกำหนดค่า Amazon Personalize เพื่อให้คำแนะนำผลิตภัณฑ์ตามจุดต่างๆ ในเส้นทางของลูกค้า ตัวอย่างเช่น พวกเขาสามารถปรับใช้ a รายการที่คล้ายกัน ผู้แนะนำในหน้ารายละเอียดสินค้าเพื่อแนะนำรายการเสริม (ดูแผนภาพต่อไปนี้) นอกจากนี้ พวกเขายังสามารถปรับใช้ผู้แนะนำการกรองตามเนื้อหาในเส้นทางการชำระเงินเพื่อเตือนลูกค้าเกี่ยวกับผลิตภัณฑ์ที่พวกเขามักจะซื้อก่อนที่จะดำเนินการสั่งซื้อให้เสร็จสิ้น

อันดับแรก ทีมวิศวกรรมจำเป็นต้องสร้าง RESTful microservices ที่ตอบสนองต่อคำขอของแอปพลิเคชันทางเว็บ อุปกรณ์เคลื่อนที่ และช่องทางอื่นๆ พร้อมคำแนะนำผลิตภัณฑ์ ไมโครเซอร์วิสเหล่านี้เรียก Amazon Personalize เพื่อรับคำแนะนำ แก้ไขรหัสผลิตภัณฑ์ให้เป็นข้อมูลที่มีความหมายมากขึ้น เช่น ชื่อและราคา ตรวจสอบระดับสินค้าคงคลัง และกำหนดปลายทางของแคมเปญ Amazon Personalize ที่จะสืบค้นตามหน้าหรือหน้าจอปัจจุบันของผู้ใช้

ทีมพัฒนาส่วนหน้าและมือถือจำเป็นต้องเพิ่มเหตุการณ์การติดตามสำหรับการดำเนินการเฉพาะของลูกค้าในแอปพลิเคชันของตน จากนั้นจึงใช้ Segment เพื่อส่งกิจกรรมเหล่านั้นได้ ตรงไปยัง Amazon Personalize แบบเรียลไทม์. เหตุการณ์การติดตามเหล่านี้เหมือนกับข้อมูลรายการผู้ใช้ที่เราดึงมาก่อนหน้านี้ พวกเขาอนุญาตให้โซลูชัน Amazon Personalize ปรับแต่งคำแนะนำตามการโต้ตอบกับลูกค้าแบบสด การจับภาพการแสดงผล การดูผลิตภัณฑ์ การเพิ่มตะกร้าสินค้า และการซื้อเป็นสิ่งสำคัญ เนื่องจากเหตุการณ์เหล่านี้สร้างวงจรความคิดเห็นสำหรับผู้แนะนำ Lambda เป็นตัวกลางในการรวบรวมกิจกรรมของผู้ใช้จาก Segment และส่งไปยัง Amazon Personalize แลมบ์ดายังอำนวยความสะดวกในการแลกเปลี่ยนข้อมูลย้อนกลับ โดยถ่ายทอดคำแนะนำที่อัปเดตสำหรับผู้ใช้กลับไปยังกลุ่ม สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการกำหนดค่าคำแนะนำแบบเรียลไทม์ด้วย Segment และ Amazon Personalize โปรดดูที่ แบ่งกลุ่มข้อมูลตามเวลาจริงและ Amazon Personalize Workshop.

สรุป

โพสต์นี้อธิบายวิธีส่งมอบประสบการณ์ลูกค้าแบบ Omnichannel โดยใช้แพลตฟอร์มข้อมูลลูกค้า Segment และบริการของ AWS เช่น Amazon SageMaker, Amazon Personalize และ Amazon Pinpoint เราสำรวจบทบาทของทีมข้ามสายงานในแต่ละขั้นตอนในการเดินทางของลูกค้าและในห่วงโซ่คุณค่าของข้อมูล สถาปัตยกรรมและแนวทางที่กล่าวถึงนั้นมุ่งเน้นไปที่สภาพแวดล้อมการค้าปลีก แต่คุณสามารถนำไปใช้กับประเภทธุรกิจอื่นๆ เช่น บริการทางการเงินหรือสื่อและความบันเทิง หากคุณสนใจที่จะลองใช้สิ่งที่เราพูดคุยกัน โปรดดูที่ ร้านค้าปลีกสาธิต ที่ซึ่งคุณจะพบเวิร์กช็อปเชิงปฏิบัติที่มี Segment และคู่ค้า AWS รายอื่นๆ

ข้อมูลอ้างอิงเพิ่มเติม

สำหรับข้อมูลเพิ่มเติม โปรดดูแหล่งข้อมูลต่อไปนี้:

• การปรับแต่งช่องทาง Omni ด้วย Segment
• การปรับแต่งช่องทาง Omni ด้วย Amazon Personalize
• สร้าง ปรับแต่ง และปรับใช้โมเดลการคาดการณ์การปั่นแบบ end-to-end โดยใช้ Amazon SageMaker Pipelines
• ทำให้ไปป์ไลน์ทางวิศวกรรมคุณสมบัติเป็นอัตโนมัติด้วย Amazon SageMaker
• ตรวจสอบคุณภาพของรุ่น

เกี่ยวกับกลุ่ม

เซ็กเมนต์เป็นคู่ค้าด้านเทคโนโลยีขั้นสูงของ AWS และผู้ถือครองสมรรถนะของผู้จำหน่ายซอฟต์แวร์อิสระของ AWS (ISV) ดังต่อไปนี้: ข้อมูลและการวิเคราะห์ ประสบการณ์ลูกค้าดิจิทัล การขายปลีก และการเรียนรู้ของเครื่อง แบรนด์ต่างๆ เช่น Atlassian และ Digital Ocean ใช้โซลูชันการวิเคราะห์แบบเรียลไทม์ที่ขับเคลื่อนโดย Segment

---

เกี่ยวกับผู้เขียน

ดเวย์น บราวน์ เป็นผู้เชี่ยวชาญด้านแพลตฟอร์มการวิเคราะห์หลักที่ AWS ในลอนดอน เขาเป็นส่วนหนึ่งของโปรแกรมลูกค้า Data-Driven Everything (D2E) ซึ่งเขาช่วยให้ลูกค้าใช้ข้อมูลเป็นตัวขับเคลื่อนและเน้นประสบการณ์ของลูกค้ามากขึ้น เขามีพื้นฐานด้านการวิเคราะห์ดิจิทัล การปรับเปลี่ยนในแบบของคุณ และระบบการตลาดอัตโนมัติ ในเวลาว่าง Dwayne สนุกกับการปีนเขาในร่มและสำรวจธรรมชาติ

ฮารา กาฟริอาดี เป็นผู้เชี่ยวชาญด้านกลยุทธ์การวิเคราะห์ข้อมูลที่ AWS Professional Services ซึ่งตั้งอยู่ในลอนดอน เธอช่วยลูกค้าเปลี่ยนโฉมธุรกิจโดยใช้ข้อมูล การวิเคราะห์ และแมชชีนเลิร์นนิง เธอเชี่ยวชาญด้านการวิเคราะห์ลูกค้าและกลยุทธ์ข้อมูล Hara ชอบเดินเล่นในชนบทและชอบไปที่ร้านหนังสือในท้องถิ่นและสตูดิโอโยคะในเวลาว่าง

เคนนี่ ราจาน เป็นสถาปนิกโซลูชันคู่ค้าอาวุโส Kenny ช่วยให้ลูกค้าได้รับประโยชน์สูงสุดจาก AWS และคู่ค้าโดยแสดงให้เห็นว่าคู่ค้าของ AWS และบริการของ AWS ทำงานร่วมกันได้ดียิ่งขึ้นอย่างไร เขาสนใจในการเรียนรู้ของเครื่อง ข้อมูล การใช้งาน ERP และโซลูชันเสียงบนคลาวด์ นอกเวลางาน เคนนีชอบอ่านหนังสือและทำกิจกรรมการกุศล

• คอยน์สมาร์ท การแลกเปลี่ยน Bitcoin และ Crypto ที่ดีที่สุดในยุโรป
• เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าฟรี
• คริปโตฮอว์ก เรดาร์ Altcoin ทดลองฟรี.
• ที่มา: https://aws.amazon.com/blogs/machine-learning/personalize-cross-channel-customer-experiences-with-amazon-sagemaker-amazon-personalize-and-segment/