ปรับแต่งคำแนะนำของคุณด้วยการโปรโมตรายการเฉพาะโดยใช้กฎเกณฑ์ทางธุรกิจด้วย Amazon Personalize

วันนี้เรามีความยินดีที่จะประกาศ โปรโมชั่น ฟีเจอร์ใน Amazon Personalize ที่ให้คุณแนะนำรายการเฉพาะให้กับผู้ใช้ได้อย่างชัดเจนตามกฎที่สอดคล้องกับเป้าหมายธุรกิจของคุณ ตัวอย่างเช่น คุณสามารถมีพันธมิตรทางการตลาดที่ต้องการให้คุณโปรโมตบางแบรนด์ เนื้อหาภายในองค์กร หรือหมวดหมู่ที่คุณต้องการปรับปรุงการมองเห็น โปรโมชันช่วยให้คุณควบคุมรายการแนะนำได้มากขึ้น คุณสามารถกำหนดกฎเกณฑ์ทางธุรกิจเพื่อระบุรายการส่งเสริมการขายและแสดงทั่วทั้งฐานผู้ใช้ของคุณโดยไม่มีค่าใช้จ่ายเพิ่มเติม คุณยังควบคุมเปอร์เซ็นต์ของเนื้อหาที่โปรโมตในวิดีโอแนะนำของคุณได้อีกด้วย Amazon Personalize จะค้นหารายการที่เกี่ยวข้องโดยอัตโนมัติภายในชุดของรายการส่งเสริมการขายที่ตรงตามกฎของธุรกิจของคุณ และแจกจ่ายภายในคำแนะนำของผู้ใช้แต่ละราย

Amazon Personalize ช่วยให้คุณสามารถปรับปรุงการมีส่วนร่วมของลูกค้าโดยเพิ่มประสิทธิภาพผลิตภัณฑ์และคำแนะนำเนื้อหาในเว็บไซต์ แอปพลิเคชัน และแคมเปญการตลาดเป้าหมาย คุณสามารถเริ่มต้นได้โดยไม่ต้องมีประสบการณ์การเรียนรู้ของเครื่อง (ML) มาก่อน โดยใช้ API เพื่อสร้างความสามารถในการปรับแต่งส่วนบุคคลที่ซับซ้อนได้อย่างง่ายดายด้วยการคลิกเพียงไม่กี่ครั้ง ข้อมูลทั้งหมดของคุณได้รับการเข้ารหัสเพื่อให้เป็นส่วนตัวและปลอดภัย และใช้เพื่อสร้างคำแนะนำสำหรับผู้ใช้ของคุณเท่านั้น

ในโพสต์นี้ เราสาธิตวิธีปรับแต่งคำแนะนำของคุณด้วยคุณสมบัติโปรโมชันใหม่สำหรับกรณีการใช้งานอีคอมเมิร์ซ

ภาพรวมโซลูชัน

ธุรกิจต่างๆ สามารถใช้โปรโมชันตามเป้าหมายของแต่ละคนสำหรับประเภทเนื้อหาที่ต้องการเพิ่มการมีส่วนร่วม คุณสามารถใช้โปรโมชันเพื่อให้เปอร์เซ็นต์ของคำแนะนำของคุณเป็นประเภทใดประเภทหนึ่งสำหรับแอปพลิเคชันใดๆ โดยไม่คำนึงถึงโดเมน ตัวอย่างเช่น ในแอปพลิเคชันอีคอมเมิร์ซ คุณสามารถใช้คุณลักษณะนี้เพื่อให้มีรายการแนะนำ 20% เป็นรายการที่ลดราคา หรือจากแบรนด์หรือหมวดหมู่เฉพาะ สำหรับกรณีการใช้งานวิดีโอออนดีมานด์ คุณสามารถใช้คุณสมบัตินี้เพื่อเติมเต็ม 40% ของภาพหมุนด้วยรายการและภาพยนตร์ที่เพิ่งเปิดตัวใหม่ที่คุณต้องการเน้น หรือเพื่อโปรโมตเนื้อหาสด คุณสามารถใช้โปรโมชั่นใน กลุ่มชุดข้อมูลโดเมน และ กลุ่มชุดข้อมูลที่กำหนดเอง (การปรับแต่งผู้ใช้ และ สินค้าที่คล้ายกัน สูตร)

Amazon Personalize ทำให้การกำหนดค่าโปรโมชันเป็นเรื่องง่าย: ขั้นแรก ให้สร้างตัวกรองที่เลือกรายการที่คุณต้องการโปรโมต คุณสามารถใช้คอนโซล Amazon Personalize หรือ API เพื่อสร้างตัวกรองด้วยตรรกะของคุณโดยใช้ Amazon Personalize DSL (ภาษาเฉพาะโดเมน) มันใช้เวลาเพียงไม่กี่นาที. จากนั้น เมื่อขอคำแนะนำ ให้ระบุโปรโมชันโดยระบุตัวกรอง เปอร์เซ็นต์ของคำแนะนำที่ควรตรงกับตัวกรองนั้น และพารามิเตอร์ตัวกรองแบบไดนามิกหากจำเป็น รายการโปรโมตจะสุ่มแจกจ่ายในคำแนะนำ แต่จะไม่มีการนำคำแนะนำที่มีอยู่ออก

ไดอะแกรมต่อไปนี้แสดงวิธีที่คุณสามารถใช้โปรโมชันในคำแนะนำใน Amazon Personalize

คุณกำหนดรายการที่จะโปรโมตในระบบแค็ตตาล็อก โหลดรายการเหล่านั้นลงในชุดข้อมูลรายการ Amazon Personalize แล้วรับคำแนะนำ การรับคำแนะนำโดยไม่ระบุโปรโมชันจะส่งกลับรายการที่เกี่ยวข้องมากที่สุด และในตัวอย่างนี้ มีเพียงรายการเดียวจากรายการโปรโมต ไม่มีการรับประกันสินค้าที่โปรโมตจะถูกส่งคืน การรับคำแนะนำเกี่ยวกับสินค้าที่โปรโมต 50% จะคืนสินค้าครึ่งหนึ่งที่เป็นของรายการที่โปรโมต

โพสต์นี้จะแนะนำคุณเกี่ยวกับกระบวนการกำหนดและใช้โปรโมชันในคำแนะนำของคุณใน Amazon Personalize เพื่อให้แน่ใจว่าผลลัพธ์จากแคมเปญหรือผู้แนะนำมีรายการเฉพาะที่คุณต้องการให้ผู้ใช้เห็น สำหรับตัวอย่างนี้ เราสร้างผู้แนะนำร้านค้าปลีกและโปรโมตสินค้าด้วย CATEGORY_L2 as halloweenซึ่งตรงกับของประดับตกแต่งวันฮัลโลวีน ตัวอย่างโค้ดสำหรับกรณีการใช้งานนี้มีอยู่ที่ GitHub.

เบื้องต้น

หากต้องการใช้โปรโมชัน คุณต้องตั้งค่าทรัพยากร Amazon Personalize บางส่วนบนคอนโซล Amazon Personalize สร้างกลุ่มชุดข้อมูล โหลดข้อมูล และฝึกอบรมผู้แนะนำ ดูคำแนะนำทั้งหมดได้ที่ หากคุณยังไม่ได้เปิดบัญชี IQ Option คลิ๊กที่นี่ กรอกรายละเอียดของคุณและมันจะนำไปยังหน้าเพจที่คล้ายด้านล่างนี้ .

1. สร้างกลุ่มชุดข้อมูล.
2. สร้าง Interactions ชุดข้อมูลโดยใช้สิ่งต่อไปนี้ คี:

   {
       "type": "record",
       "name": "Interactions",
       "namespace": "com.amazonaws.personalize.schema",
       "fields": [
           {
               "name": "USER_ID",
               "type": "string"
           },
           {
               "name": "ITEM_ID",
               "type": "string"
           },
           {
               "name": "TIMESTAMP",
               "type": "long"
           },
           {
               "name": "EVENT_TYPE",
               "type": "string"
           }
       ],
       "version": "1.0"
   }

3. นำเข้าข้อมูลการโต้ตอบ ถึง Amazon ปรับแต่งจาก บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (อเมซอน เอส3). สำหรับตัวอย่างนี้ เราใช้คำสั่งต่อไปนี้ แฟ้มข้อมูล. เราสร้างข้อมูลสังเคราะห์ตามรหัสใน โครงการร้านค้าปลีกสาธิต. อ้างถึง repo GitHub เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับข้อมูลและการใช้งานที่เป็นไปได้
4. สร้าง Items ชุดข้อมูลโดยใช้สคีมาต่อไปนี้:

   {
       "type": "record",
       "name": "Items",
       "namespace": "com.amazonaws.personalize.schema",
       "fields": [
           {
               "name": "ITEM_ID",
               "type": "string"
           },
           {
               "name": "PRICE",
               "type": "float"
           },
           {
               "name": "CATEGORY_L1",
               "type": ["string"],
               "categorical": true
           },
           {
               "name": "CATEGORY_L2",
               "type": ["string"],
               "categorical": true
           },
           {
               "name": "GENDER",
               "type": ["string"],
               "categorical": true
           }
       ],
       "version": "1.0"
   }

5. นำเข้าข้อมูลรายการไปยัง Amazon Personalize จาก Amazon S3 สำหรับตัวอย่างนี้ เราใช้คำสั่งต่อไปนี้ แฟ้มข้อมูลตามรหัสใน โครงการร้านค้าปลีกสาธิตสำหรับข้อมูลเพิ่มเติมเกี่ยวกับการจัดรูปแบบและการนำเข้าข้อมูลการโต้ตอบและรายการของคุณจาก Amazon S3 โปรดดูที่ การนำเข้าระเบียนจำนวนมาก.
6. สร้างผู้แนะนำ. ในตัวอย่างนี้ เราสร้าง a “แนะนำสำหรับคุณ” ผู้แนะนำ.

สร้างตัวกรองสำหรับโปรโมชั่นของคุณ

เมื่อคุณได้ตั้งค่าทรัพยากร Amazon Personalize แล้ว คุณสามารถสร้าง กรอง ที่เลือกรายการสำหรับโปรโมชั่นของคุณ

คุณสามารถสร้างตัวกรองสแตติกที่ตัวแปรทั้งหมดถูกฮาร์ดโค้ดเมื่อสร้างตัวกรอง ตัวอย่างเช่น การเพิ่มรายการทั้งหมดที่มี CATEGORY_L2 as halloweenให้ใช้นิพจน์ตัวกรองต่อไปนี้:

INCLUDE ItemID WHERE Items.CATEGORY_L2 IN ("halloween")

คุณยังสามารถสร้างตัวกรองไดนามิกได้อีกด้วย ตัวกรองแบบไดนามิกสามารถปรับแต่งได้แบบเรียลไทม์เมื่อคุณขอคำแนะนำ ในการสร้างตัวกรองแบบไดนามิก คุณต้องกำหนดเกณฑ์นิพจน์ตัวกรองของคุณโดยใช้พารามิเตอร์ตัวยึดตำแหน่งแทนค่าคงที่ ซึ่งช่วยให้คุณสามารถเลือกค่าที่จะกรองโดยใช้ตัวกรองกับคำขอคำแนะนำ แทนที่จะใช้เมื่อคุณสร้างนิพจน์ของคุณ คุณระบุตัวกรองเมื่อคุณโทรหา รับคำแนะนำ or รับการจัดอันดับส่วนบุคคล การทำงานของ API หรือเป็นส่วนหนึ่งของข้อมูลอินพุตของคุณเมื่อสร้างคำแนะนำในโหมดแบทช์ผ่าน a งานอนุมานแบบแบตช์.

ตัวอย่างเช่น ในการเลือกรายการทั้งหมดในหมวดหมู่ที่เลือกเมื่อคุณทำการอนุมานโดยใช้ตัวกรอง ให้ใช้นิพจน์ตัวกรองต่อไปนี้:

INCLUDE ItemID WHERE Items.CATEGORY_L2 IN ($CATEGORY)

คุณสามารถใช้ DSL ก่อนหน้าเพื่อสร้างตัวกรองที่ปรับแต่งได้บนคอนโซล Amazon Personalize ทำตามขั้นตอนต่อไปนี้:

1. บนคอนโซล Amazon Personalize บน ฟิลเตอร์ หน้าให้เลือก สร้างตัวกรอง.
2. สำหรับ ชื่อตัวกรองป้อนชื่อตัวกรองของคุณ (สำหรับโพสต์นี้ เราป้อน category_filter).
3. เลือก สร้างการแสดงออก หรือเพิ่มนิพจน์ของคุณด้วยตนเองเพื่อสร้างตัวกรองที่กำหนดเอง
4. สร้างนิพจน์ "รวม ItemID WHERE Items.CATEGORY_L2 IN $CATEGORY"สำหรับ ความคุ้มค่า, คุณป้อนค่าของ $ บวกกับชื่อพารามิเตอร์ที่คล้ายกับชื่อพร็อพเพอร์ตี้ของคุณและจำง่าย (สำหรับตัวอย่างนี้ $CATEGORY).
5. หรือหากต้องการเชื่อมโยงนิพจน์เพิ่มเติมกับตัวกรองของคุณ ให้เลือกเครื่องหมายบวก
6. หากต้องการเพิ่มนิพจน์ตัวกรองเพิ่มเติม ให้เลือก เพิ่มนิพจน์.
7. Choose สร้างตัวกรอง.
   

คุณยังสามารถสร้างตัวกรองผ่านทาง createFilter API ใน Amazon Personalize ดูข้อมูลเพิ่มเติมได้ที่ สร้างตัวกรอง.

ใช้โปรโมชั่นกับคำแนะนำของคุณ

การใช้ กรอง เมื่อได้รับคำแนะนำเป็นวิธีที่ดีในการปรับแต่งคำแนะนำของคุณให้เข้ากับเกณฑ์เฉพาะ อย่างไรก็ตาม การใช้ตัวกรองจะนำตัวกรองไปใช้กับคำแนะนำทั้งหมดที่ส่งคืนโดยตรง เมื่อใช้โปรโมชัน คุณสามารถเลือกเปอร์เซ็นต์ของคำแนะนำที่สอดคล้องกับสินค้าที่โปรโมต ช่วยให้คุณผสมผสานและจับคู่คำแนะนำเฉพาะบุคคลและรายการที่ดีที่สุดที่ตรงกับเกณฑ์โปรโมชันสำหรับผู้ใช้แต่ละรายในสัดส่วนที่เหมาะสมกับกรณีการใช้งานธุรกิจของคุณ

โค้ดตัวอย่างต่อไปนี้เป็นเนื้อหาคำขอสำหรับ GetRecommendations API ที่ได้รับคำแนะนำสำหรับผู้ใช้ที่ใช้ "แนะนำสำหรับคุณ" ผู้แนะนำ:

{
    "recommenderArn" = "arn:aws:personalize:us-west-2:000000000000:recommender/test-recommender",
    userId = "1",
    numResults = 20
}

คำขอนี้ส่งคืนคำแนะนำส่วนบุคคลสำหรับผู้ใช้ที่ระบุ จากรายการในแค็ตตาล็อก รายการเหล่านี้คือ 20 รายการที่เกี่ยวข้องมากที่สุดสำหรับผู้ใช้

เราสามารถทำการโทรแบบเดียวกันและใช้ตัวกรองเพื่อส่งคืนเฉพาะรายการที่ตรงกับตัวกรองเท่านั้น โค้ดตัวอย่างต่อไปนี้เป็นเนื้อหาคำขอสำหรับ GetRecommendations API ที่ได้รับคำแนะนำสำหรับผู้ใช้โดยใช้ตัวแนะนำ “แนะนำสำหรับคุณ” และใช้a ตัวกรองไดนามิก เพื่อส่งคืนเฉพาะรายการที่เกี่ยวข้องที่มี CATEGORY_L2 as halloween:

{
    "recommenderArn" = "arn:aws:personalize:us-west-2:000000000000:recommender/test-recommender",
    userId = "1",
    numResults = 20,
    filterArn = "arn:aws:personalize:us-west-2:000000000000:filter/category_filter",
    filterValues={ "CATEGORY": ""halloween""}
}

คำขอนี้ส่งคืนคำแนะนำส่วนบุคคลสำหรับผู้ใช้ที่ระบุซึ่งมี CATEGORY_L2 as halloween. จากรายการในแค็ตตาล็อก รายการเหล่านี้คือ 20 รายการที่เกี่ยวข้องมากที่สุดด้วย CATEGORY_L2 as halloween สำหรับผู้ใช้

คุณสามารถใช้โปรโมชันได้หากต้องการให้สินค้าเป็นเปอร์เซ็นต์ของแอตทริบิวต์ที่คุณต้องการโปรโมต และส่วนที่เหลือจะเป็นรายการที่เกี่ยวข้องมากที่สุดสำหรับผู้ใช้รายนี้จากทุกรายการในแค็ตตาล็อก เราสามารถทำเช่นเดียวกันและสมัครโปรโมชั่น โค้ดตัวอย่างต่อไปนี้เป็นเนื้อหาคำขอสำหรับ GetRecommendations API ที่ได้รับคำแนะนำสำหรับผู้ใช้โดยใช้ตัวแนะนำ "แนะนำสำหรับคุณ" และใช้โปรโมชันเพื่อรวมเปอร์เซ็นต์ของรายการที่เกี่ยวข้องที่มี CATEGORY_L2 as halloween:

{
    recommenderArn = "arn:aws:personalize:us-west-2:000000000000:recommender/test-recommender",
    userId = "1",
    numResults = 20,
    promotions = [{
        "name" : "halloween_promotion",
        "percentPromotedItems" : 20,
        "filterArn": "arn:aws:personalize:us-west-2:000000000000:filter/category_filter",
        "filterValues": {
            "CATEGORY" : ""halloween""
        }
    }]
}

คำขอนี้ส่งคืนคำแนะนำ 20% ที่ตรงกับตัวกรองที่ระบุในโปรโมชัน: รายการที่มี CATEGORY_L2 as halloween; และคำแนะนำส่วนบุคคล 80% สำหรับผู้ใช้ที่ระบุซึ่งเป็นรายการที่เกี่ยวข้องมากที่สุดสำหรับผู้ใช้จากรายการในแค็ตตาล็อก

คุณสามารถใช้ตัวกรองร่วมกับโปรโมชั่น ตัวกรองในบล็อกพารามิเตอร์ระดับบนสุดใช้เฉพาะกับรายการที่ไม่ได้รับการโปรโมต

ตัวกรองสำหรับเลือกรายการที่เลื่อนระดับระบุไว้ใน promotions บล็อกพารามิเตอร์ โค้ดตัวอย่างต่อไปนี้เป็นเนื้อหาคำขอสำหรับ GetRecommendations API ที่ได้รับคำแนะนำสำหรับผู้ใช้โดยใช้ตัวแนะนำ "แนะนำสำหรับคุณ" และใช้ตัวกรองไดนามิกที่เราใช้สองครั้ง ตัวกรองแรกใช้กับรายการที่ไม่โปรโมต โดยเลือกรายการที่มี CATEGORY_L2 as decorativeและตัวกรองที่สองใช้กับโปรโมชัน โปรโมตรายการด้วย CATEGORY_L2 as halloween:

{
    recommenderArn = "arn:aws:personalize:us-west-2:000000000000:recommender/test-recommender",
    userId = "1",
    numResults = 20,
    "filterArn": "arn:aws:personalize:us-west-2:000000000000:filter/category_filter",
    "filterValues": {
        "CATEGORY" : ""decorative""
    }
    promotions = [{
        "name" : "halloween_promotion",
        "percentPromotedItems" : 20,
        "filterArn": "arn:aws:personalize:us-west-2:000000000000:filter/category_filter",
        "filterValues": {
            "CATEGORY" : ""halloween""
        }
    }]
}

คำขอนี้ส่งคืนคำแนะนำ 20% ที่ตรงกับตัวกรองที่ระบุในโปรโมชัน: รายการที่มี CATEGORY_L2 as halloween. ส่วนที่เหลืออีก 80% ของรายการแนะนำเป็นคำแนะนำส่วนบุคคลสำหรับผู้ใช้ที่ระบุด้วย CATEGORY_L2 as decorative. เหล่านี้เป็นรายการที่เกี่ยวข้องมากที่สุดสำหรับผู้ใช้จากรายการในแค็ตตาล็อกกับ CATEGORY_L2 as decorative.

ทำความสะอาด

ตรวจสอบให้แน่ใจว่าคุณได้ล้างทรัพยากรที่ไม่ได้ใช้ที่คุณสร้างขึ้นในบัญชีของคุณในขณะที่ทำตามขั้นตอนที่อธิบายไว้ในโพสต์นี้ คุณสามารถลบตัวกรอง ผู้แนะนำ ชุดข้อมูล และกลุ่มชุดข้อมูลผ่านทาง คอนโซลการจัดการ AWS หรือใช้ Python SDK

สรุป

เพิ่ม โปรโมชั่น  ใน Amazon Personalize ช่วยให้คุณปรับแต่งคำแนะนำสำหรับผู้ใช้แต่ละรายโดยรวมรายการที่คุณต้องการเพิ่มการมองเห็นและการมีส่วนร่วมอย่างชัดเจน โปรโมชันยังช่วยให้คุณระบุเปอร์เซ็นต์ของรายการแนะนำที่ควรโปรโมตรายการ ซึ่งปรับคำแนะนำให้สอดคล้องกับวัตถุประสงค์ทางธุรกิจของคุณโดยไม่มีค่าใช้จ่ายเพิ่มเติม คุณสามารถใช้โปรโมชันสำหรับคำแนะนำโดยใช้สูตรการกำหนดค่าส่วนบุคคลของผู้ใช้และรายการที่คล้ายกัน ตลอดจนตัวแนะนำที่ปรับให้เหมาะสมกับกรณีการใช้งาน

สำหรับข้อมูลเพิ่มเติมเกี่ยวกับ Amazon Personalize โปรดดูที่ Amazon Personalize คืออะไร?

เกี่ยวกับผู้แต่ง

แอนนา กรูเบลอร์ เป็นสถาปนิกโซลูชันที่ AWS

อเล็กซ์ เบอร์คลูซ์ เป็นสถาปนิกโซลูชันที่ AWS เธอมุ่งเน้นที่การช่วยเหลือลูกค้าในการประยุกต์ใช้แมชชีนเลิร์นนิงและการวิเคราะห์ข้อมูลเพื่อแก้ปัญหาในอุตสาหกรรมสื่อและความบันเทิง ในเวลาว่าง เธอสนุกกับการใช้เวลาอยู่กับครอบครัวและเป็นอาสาสมัครในการลาดตระเวนสกีที่เนินสกีในท้องถิ่นของเธอ

เลียม มอร์ริสัน เป็นผู้จัดการโซลูชันสถาปนิกที่ AWS เขาเป็นผู้นำทีมที่เน้นบริการด้านการตลาดอัจฉริยะ เขาใช้เวลา 5 ปีที่ผ่านมามุ่งเน้นไปที่การใช้งานจริงของ Machine Learning ในสื่อและความบันเทิง ช่วยลูกค้าในการปรับใช้งานส่วนบุคคล การประมวลผลภาษาที่เป็นธรรมชาติ คอมพิวเตอร์วิทัศน์ และอื่นๆ