Персоналізуйте міжканальний досвід клієнтів за допомогою Amazon SageMaker, Amazon Personalize та Twilio Segment

Сьогодні клієнти взаємодіють із брендами через все більший цифровий і офлайн-відбиток, створюючи величезну кількість даних про взаємодію, відомих як поведінкові дані. У результаті маркетологам і командам із взаємодії з клієнтами доводиться працювати з кількома інструментами, що перетинаються, щоб залучити та націлити цих клієнтів у різних точках взаємодії. Це збільшує складність, створює кілька поглядів на кожного клієнта та ускладнює надання індивідуального досвіду з відповідним вмістом, повідомленнями та пропозиціями щодо продуктів для кожного клієнта. У відповідь маркетингові команди використовують платформи даних клієнтів (CDP) і інструменти керування міжканальними кампаніями (CCCM), щоб спростити процес консолідації багатьох поглядів своїх клієнтів. Ці технології надають нетехнічним користувачам прискорений шлях для міжканального націлювання, залучення та персоналізації, одночасно зменшуючи залежність маркетингових команд від технічних команд і навичок спеціалістів для взаємодії з клієнтами.

Незважаючи на це, маркетологи виявляють сліпі зони в діяльності клієнтів, коли ці технології не інтегровані з системами інших частин бізнесу. Особливо це стосується нецифрових каналів, наприклад транзакцій у магазинах або відгуків клієнтів від служби підтримки. Маркетинговим командам і їхнім колегам із роботи з клієнтами також важко інтегрувати можливості прогнозування, розроблені спеціалістами з обробки даних, у свої міжканальні кампанії чи точки взаємодії з клієнтами. У результаті клієнти отримують повідомлення та рекомендації, які не відповідають їхнім очікуванням.

У цьому дописі описано, як багатофункціональні команди можуть працювати разом, щоб вирішити ці проблеми за допомогою багатоканальної персоналізації. Ми використовуємо вигаданий сценарій роздрібної торгівлі, щоб проілюструвати, як ці команди взаємодіють, щоб забезпечити персоналізований досвід на різних етапах шляху клієнта. Ми використовуємо Сегмент Твіліо у нашому сценарії це платформа даних клієнтів, побудована на AWS. На ринку доступно більше 12 CDP, багато з яких також є партнерами AWS, але ми використовуємо Segment у цій публікації, оскільки вони надають безкоштовний рівень самообслуговування, який дозволяє вам досліджувати та експериментувати. Ми пояснюємо, як поєднати вихідні дані сегмента з даними про продажі в магазинах, метаданими продукту та інформацією про асортимент. Спираючись на це, ми пояснюємо, як інтегрувати сегмент із Амазонка персоналізувати для надання рекомендацій у реальному часі. Ми також описуємо, як ми створюємо бали для використання відтоку та схильності до повторних покупок Amazon SageMaker. Нарешті, ми досліджуємо, як націлити нових і існуючих клієнтів трьома способами:

• За допомогою банерів на сторонніх веб-сайтах, також відомих як медійна реклама, використовуючи оцінку схильності до покупки для залучення схожих клієнтів.
• На веб- і мобільних каналах представлені персоналізовані рекомендації на основі технології Amazon Personalize, яка використовує алгоритми машинного навчання (ML) для створення рекомендацій вмісту.
• З використанням персоналізованих повідомлень Amazon точний, вихідну та вхідну маркетингову комунікаційну службу. Ці повідомлення націлені на незацікавлених клієнтів і тих, хто демонструє високу схильність до відтоку.

Огляд рішення

Уявіть, що ви — власник продукту, який відповідає за міжканальне обслуговування клієнтів для роздрібної компанії. Компанія має різноманітний набір онлайн- і офлайн-каналів, але вважає цифрові канали основною можливістю для зростання. Вони хочуть збільшити розмір і цінність своєї клієнтської бази за допомогою таких методів:

• Залучайте нових висококваліфікованих клієнтів, які з більшою ймовірністю здійснять конверсію
• Збільшити середню вартість замовлення всіх своїх клієнтів
• Знову залучіть незацікавлених клієнтів, щоб вони повернулися та, сподіваюся, зробили повторні покупки

Щоб гарантувати, що ці клієнти отримають узгоджену взаємодію з усіма каналами, ви, як власник продукту, повинні співпрацювати з такими командами, як цифровий маркетинг, інтерфейсна розробка, мобільна розробка, проведення кампаній і креативні агентства. Щоб переконатися, що клієнти отримують релевантні рекомендації, вам також потрібно співпрацювати з командами розробки даних і наукових досліджень. Кожна з цих команд відповідає за взаємодію з або розробку функцій у межах архітектури, зображеної на наступній діаграмі.

Робочий процес рішення містить такі етапи високого рівня:

1. Збирайте дані з кількох джерел для зберігання Служба простого зберігання Amazon (Amazon S3).
2. Скористайтесь Функції кроку AWS оркеструвати введення даних і розробку функцій.
3. Створюйте сегменти та прогнози за допомогою SageMaker.
4. Використовуйте показники схильності для націлювання на медійну рекламу.
5. Надсилайте персоналізовані повідомлення за допомогою Amazon Pinpoint.
6. Інтегруйте персоналізовані пропозиції в реальному часі за допомогою Amazon Personalize.

У наступних розділах ми розглядаємо кожен крок, пояснюємо діяльність кожної команди на високому рівні, надаємо посилання на відповідні ресурси та ділимося практичними лабораторними роботами, які містять більш детальні вказівки.

Збирайте дані з кількох джерел

Команди цифрового маркетингу, інтерфейсу та мобільних розробників можуть налаштувати Segment для збору та інтеграції веб- і мобільної аналітики, продуктивності цифрових медіа та джерел онлайн-продажів за допомогою З'єднання сегментів. Сегмент Персони дозволяє групам цифрового маркетингу розпізнавати особистість користувачів, об’єднуючи взаємодії між цими джерелами в єдиний профіль користувача з одним постійним ідентифікатором. Ці профілі разом із обчисленими показниками викликаються Обчислені ознаки і сирі події, можна експортувати в Amazon S3. На наступному знімку екрана показано, як налаштовуються правила ідентифікації в Segment Personas.

Паралельно можуть використовувати інженерні групи Служба міграції даних AWS (AWS DMS), щоб копіювати продажі в магазині, метадані продукту та джерела даних про запаси з таких баз даних, як Microsoft SQL або Oracle, і зберігати вихідні дані в Amazon S3.

Введення даних і розробка функцій

Після того, як дані будуть зібрані та збережені в зоні посадки на Amazon S3, інженери обробки даних можуть використовувати компоненти з структура безсерверного озера даних (SDLF), щоб пришвидшити впровадження даних і побудувати фундаментальну структуру озера даних. За допомогою SDLF інженери можуть автоматизувати підготовку даних про елементи користувача, які використовуються для навчання Amazon Personalize, або створити єдине уявлення про поведінку клієнтів, об’єднавши дані про поведінку онлайн і офлайн і дані про продажі, використовуючи такі атрибути, як ідентифікатор клієнта або адреса електронної пошти як загальний ідентифікатор. .

Step Functions є ключовим організатором цих завдань трансформації в SDLF. Ви можете використовувати покрокові функції для створення та оркестрування як запланованих, так і керованих подіями робочих процесів даних. Команда інженерів може керувати завданнями інших служб AWS у конвеєрі даних. Результати цього процесу зберігаються в довіреній зоні на Amazon S3, щоб використовувати їх для розробки ML. Щоб отримати додаткові відомості про впровадження каркаса безсерверного озера даних, див Еталонна архітектура безсерверного конвеєра аналітики даних AWS.

Побудова сегментів і прогнозів

Процес побудови сегментів і прогнозів можна розбити на три етапи: доступ до середовища, створення моделей схильності та створення вихідних файлів.

Доступ до середовища

Після того, як команда інженерів підготувала та трансформувала дані розробки машинного навчання, команда з вивчення даних може створити моделі схильності за допомогою SageMaker. Спочатку вони створюють, навчають і тестують початковий набір моделей ML. Це дозволяє їм побачити перші результати, вирішити, у якому напрямку рухатися далі, і відтворити експерименти.

Команда Data Science потребує активної роботи Студія Amazon SageMaker наприклад, інтегроване середовище розробки (IDE) для швидкого експериментування МЛ. Він об’єднує всі ключові функції SageMaker і пропонує середовище для керування наскрізними конвеєрами машинного навчання. Це усуває складність і скорочує час, необхідний для створення моделей ML і їх розгортання у виробництві. Розробники можуть використовувати Блокноти SageMaker Studio, які є блокнотами Jupyter одним клацанням миші, які можна швидко відкрити, щоб увімкнути весь робочий процес машинного навчання від підготовки даних до розгортання моделі. Додаткову інформацію про SageMaker для ML див Amazon SageMaker для Data Science.

Побудуйте моделі схильності

Щоб оцінити відтік і схильність до повторних покупок, команди з питань досвіду клієнтів і аналізу даних повинні погодитися щодо відомих рушійних факторів для будь-якого результату.

Команда дослідників даних перевіряє ці відомі фактори, а також виявляє невідомі фактори в процесі моделювання. Прикладом чинника відтоку може бути кількість повернень за останні 3 місяці. Прикладом чинника повторної покупки може бути кількість товарів, збережених на веб-сайті чи в мобільному додатку.

У нашому прикладі використання ми припускаємо, що команда цифрового маркетингу хоче створити цільову аудиторію за допомогою схожого моделювання, щоб знайти клієнтів, які, швидше за все, зроблять повторну покупку в наступному місяці. Ми також припускаємо, що команда кампанії хоче надіслати пропозицію електронною поштою клієнтам, які, ймовірно, завершать свою підписку протягом наступних 3 місяців, щоб спонукати їх поновити підписку.

Команда з аналізу даних може почати з аналізу даних (функцій) і узагальнення основних характеристик набору даних, щоб зрозуміти ключову поведінку даних. Потім вони можуть перетасувати та розділити дані на навчальні та тестові та завантажити ці набори даних у довірену зону. Ви можете використовувати такий алгоритм, як XGBoost класифікатор для навчання моделі та автоматичного вибору ознак, що є найкращим набором кандидатів для визначення показників схильності (або прогнозованих значень).

Потім ви можете налаштувати модель, оптимізувавши показники алгоритму (наприклад, гіперпараметри) на основі діапазонів, наданих у структурі XGBoost. Тестові дані використовуються для оцінки ефективності моделі та оцінки того, наскільки добре вона узагальнює нові дані. Додаткову інформацію про показники оцінки див Налаштуйте модель XGBoost.

Нарешті, оцінки схильності розраховуються для кожного клієнта та зберігаються в надійній зоні S3 для доступу, перегляду та підтвердження командами маркетингу та кампанії. Цей процес також забезпечує пріоритетне оцінювання важливості ознак, що допомагає пояснити, як були отримані бали.

Створіть вихідні файли

Після того, як команда обробки даних закінчила навчання та налаштування моделі, вони разом із командою інженерів розгортають найкращу модель у виробництві. Ми можемо використовувати Пакетне перетворення SageMaker виконувати прогнози в міру збору нових даних і генерувати бали для кожного клієнта. Команда інженерів може організовувати та автоматизувати робочий процес машинного навчання за допомогою Трубопроводи Amazon SageMaker, спеціально розроблена служба безперервної інтеграції та безперервної доставки (CI/CD) для ML, яка пропонує середовище для керування наскрізним робочим процесом ML. Це економить час і зменшує кількість помилок, які зазвичай викликаються ручною оркестровкою.

Результати робочого циклу машинного навчання імпортуються Amazon Pinpoint для надсилання персоналізованих повідомлень і експортуються в сегмент для використання під час націлювання на канали відображення. На наступній ілюстрації наведено візуальний огляд робочого циклу машинного навчання.

На наступному знімку екрана показано приклад вихідного файлу.

Використовуйте показники схильності для націлювання на медійну рекламу

Команди інженерів і цифрового маркетингу можуть створити зворотний потік даних назад до сегменту, щоб збільшити охоплення. Для цього використовується комбінація AWS Lambda і Amazon S3. Кожного разу, коли робочий процес ML створює новий вихідний файл і зберігає його в довіреному сегменті S3, запускається функція Lambda, яка запускає експорт у сегмент. Потім цифровий маркетинг може використовувати регулярно оновлювані показники схильності як атрибути клієнта для створення й експорту аудиторій у цільові сегменти (див. наступний знімок екрана). Додаткову інформацію про файлову структуру експорту сегмента див Amazon S3 від Lambda.

Коли дані доступні в Segment, цифровий маркетинг може бачити оцінки схильності, розроблені в SageMaker, як атрибути під час створення сегментів клієнтів. Вони можуть створити схожу аудиторію, щоб націлити на неї цифрову рекламу. Щоб створити цикл зворотнього зв’язку, цифровий маркетинг має гарантувати, що покази, кліки та кампанії надходять назад у сегмент для оптимізації ефективності.

Надсилайте персоналізовані вихідні повідомлення

Команда з проведення кампанії може впроваджувати та розгортати кампанії повернення на основі штучного інтелекту, щоб повторно залучати клієнтів, яким загрожує відтік. Ці кампанії використовують список контактів клієнтів, створений у SageMaker, як сегменти під час інтеграції з Amazon Personalize для надання персоналізованих рекомендацій щодо продукту. Дивіться наступну схему.

Команда цифрового маркетингу може експериментувати з використанням маршрутів Amazon Pinpoint, щоб розділити виграні сегменти на підгрупи та зарезервувати відсоток користувачів як контрольну групу, яка не піддається впливу кампанії. Це дозволяє їм виміряти вплив кампанії та створює цикл зворотного зв’язку.

Інтегруйте рекомендації в реальному часі

Щоб персоналізувати вхідні канали, команда цифрового маркетингу та інженерів працюють разом, щоб інтегрувати та налаштувати Amazon Personalize, щоб надавати рекомендації щодо продукту на різних етапах шляху клієнта. Наприклад, вони можуть розгорнути a аналогічний предмет Рекомендатор на сторінках з інформацією про продукт, щоб запропонувати додаткові елементи (див. наступну діаграму). Крім того, вони можуть розгорнути рекомендацію фільтрації на основі вмісту під час оформлення замовлення, щоб нагадувати клієнтам про продукти, які вони зазвичай купують до завершення замовлення.

По-перше, команда інженерів повинна створити мікросервіси RESTful, які відповідають на запити веб-, мобільних та інших каналів додатків із рекомендаціями продуктів. Ці мікросервіси викликають Amazon Personalize, щоб отримати рекомендації, перетворити ідентифікатори продуктів у більш значущу інформацію, як-от ім’я та ціна, перевірити рівень запасів і визначити, яку кінцеву точку кампанії Amazon Personalize потрібно запитувати на основі поточної сторінки чи екрана користувача.

Команди розробників інтерфейсу та мобільних пристроїв мають додати до своїх програм події відстеження для певних дій клієнтів. Потім вони можуть використовувати сегмент для надсилання цих подій безпосередньо в Amazon Personalize у реальному часі. Ці події відстеження збігаються з даними про елементи користувача, які ми витягли раніше. Вони дозволяють рішенням Amazon Personalize уточнювати рекомендації на основі взаємодії з клієнтами в реальному часі. Дуже важливо фіксувати покази, перегляди продукту, додавання в кошик і покупки, оскільки ці події створюють цикл зворотного зв’язку для тих, хто рекомендує. Lambda є посередником, який збирає події користувачів із Segment і надсилає їх до Amazon Personalize. Lambda також полегшує зворотний обмін даними, пересилаючи оновлені рекомендації для користувача назад у сегмент. Додаткову інформацію про налаштування рекомендацій у реальному часі за допомогою Segment і Amazon Personalize див Сегмент даних у реальному часі та Amazon Personalize Workshop.

Висновок

У цьому дописі описано, як забезпечити багатоканальний досвід роботи з клієнтами за допомогою поєднання платформи даних клієнтів Segment і таких служб AWS, як Amazon SageMaker, Amazon Personalize і Amazon Pinpoint. Ми досліджували роль міжфункціональних команд на кожному етапі шляху клієнта та в ланцюжку створення вартості даних. Розглянута архітектура та підхід зосереджені на середовищі роздрібної торгівлі, але ви можете застосувати їх до інших вертикалей, таких як фінансові послуги або медіа та розваги. Якщо вам цікаво спробувати щось із того, що ми обговорювали, перегляньте Роздрібний демонстраційний магазин, де ви можете знайти практичні семінари, які включають Segment та інших партнерів AWS.

Додаткові посилання

Для отримання додаткової інформації перегляньте такі ресурси:

• Багатоканальна персоналізація за допомогою сегмента
• Омніканальна персоналізація за допомогою Amazon Personalize
• Створення, налаштування та розгортання наскрізної моделі прогнозування відтоку за допомогою Amazon SageMaker Pipelines
• Автоматизуйте конвеєри розробки функцій за допомогою Amazon SageMaker
• Контролюйте якість моделі

Про сегмент

Segment є партнером AWS Advanced Technology і володіє наступними компетенціями AWS Independent Software Vendor (ISV): Data & Analytics, Digital Customer Experience, Retail і Machine Learning. Такі бренди, як Atlassian і Digital Ocean, використовують аналітичні рішення в реальному часі на базі Segment.

---

Про авторів

Дуейн Браун є головним спеціалістом з аналітичної платформи в AWS у Лондоні. Він бере участь у програмі для клієнтів Data-Driven Everything (D2E), де він допомагає клієнтам стати більш керованими даними та зосередженими на клієнтському досвіді. Він має досвід цифрової аналітики, персоналізації та автоматизації маркетингу. У вільний час Дуейн захоплюється скелелазінням у приміщенні та досліджує природу.

Хара Гавриліаді є старшим стратегом з аналізу даних у AWS Professional Services у Лондоні. Вона допомагає клієнтам трансформувати свій бізнес за допомогою даних, аналітики та машинного навчання. Вона спеціалізується на клієнтській аналітиці та стратегії даних. Хара любить прогулянки сільською місцевістю, а у вільний час із задоволенням відвідує місцеві книгарні та студії йоги.

Кенні Раджан є старшим партнером-архітектором рішень. Кенні допомагає клієнтам отримати максимум від AWS та її партнерів, демонструючи, як партнери AWS і служби AWS працюють разом. Він цікавиться машинним навчанням, даними, впровадженням ERP і голосовими рішеннями в хмарі. Поза роботою Кенні любить читати книги та допомагати в благодійній діяльності.

• Coinsmart. Найкраща в Європі біржа біткойн та криптовалют.
• Платоблокчейн. Web3 Metaverse Intelligence. Розширені знання. БЕЗКОШТОВНИЙ ДОСТУП.
• CryptoHawk. Альткойн Радар. Безкоштовне випробування.
• Джерело: https://aws.amazon.com/blogs/machine-learning/personalize-cross-channel-customer-experiences-with-amazon-sagemaker-amazon-personalize-and-segment/