Cá nhân hóa trải nghiệm của khách hàng đa kênh với Amazon SageMaker, Amazon Personalize và Twilio Segment

Ngày nay, khách hàng tương tác với các thương hiệu qua dấu ấn kỹ thuật số và ngoại tuyến ngày càng lớn, tạo ra vô số dữ liệu tương tác được gọi là dữ liệu hành vi. Do đó, các nhà tiếp thị và nhóm trải nghiệm khách hàng phải làm việc với nhiều công cụ chồng chéo để thu hút và nhắm mục tiêu những khách hàng đó qua các điểm tiếp xúc. Điều này làm tăng độ phức tạp, tạo ra nhiều quan điểm của từng khách hàng và khiến việc cung cấp trải nghiệm cá nhân với nội dung, thông điệp và đề xuất sản phẩm phù hợp cho từng khách hàng trở nên khó khăn hơn. Đáp lại, các nhóm tiếp thị sử dụng nền tảng dữ liệu khách hàng (CDP) và công cụ quản lý chiến dịch kênh chéo (CCCM) để đơn giản hóa quá trình hợp nhất nhiều quan điểm về khách hàng của họ. Những công nghệ này cung cấp cho người dùng không chuyên về kỹ thuật một con đường tăng tốc để cho phép nhắm mục tiêu, tương tác và cá nhân hóa kênh chéo, đồng thời giảm sự phụ thuộc của nhóm tiếp thị vào nhóm kỹ thuật và kỹ năng chuyên gia để tương tác với khách hàng.

Mặc dù vậy, các nhà tiếp thị nhận thấy mình có những điểm mù trong hoạt động của khách hàng khi những công nghệ này không được tích hợp với các hệ thống từ các bộ phận khác của doanh nghiệp. Điều này đặc biệt đúng với các kênh phi kỹ thuật số, ví dụ: giao dịch tại cửa hàng hoặc phản hồi của khách hàng từ bộ phận hỗ trợ khách hàng. Các nhóm tiếp thị và các đối tác trải nghiệm khách hàng của họ cũng phải vật lộn để tích hợp khả năng dự đoán do các nhà khoa học dữ liệu phát triển vào các chiến dịch kênh chéo hoặc điểm tiếp xúc khách hàng của họ. Do đó, khách hàng nhận được tin nhắn và đề xuất không liên quan hoặc không phù hợp với mong đợi của họ.

Bài đăng này phác thảo cách các nhóm chức năng chéo có thể làm việc cùng nhau để giải quyết những thách thức này bằng cách sử dụng trường hợp sử dụng cá nhân hóa đa kênh. Chúng tôi sử dụng một kịch bản bán lẻ hư cấu để minh họa cách các nhóm đó liên kết với nhau để cung cấp trải nghiệm được cá nhân hóa ở nhiều điểm khác nhau trong hành trình của khách hàng. Chúng tôi sử dụng Phân đoạn Twilio trong kịch bản của chúng tôi, một nền tảng dữ liệu khách hàng được xây dựng trên AWS. Có hơn 12 CDP trên thị trường để bạn lựa chọn, nhiều người trong số họ cũng là đối tác AWS, nhưng chúng tôi sử dụng Phân đoạn trong bài đăng này vì chúng cung cấp cấp miễn phí tự phục vụ cho phép bạn khám phá và thử nghiệm. Chúng tôi giải thích cách kết hợp đầu ra từ Phân đoạn với dữ liệu bán hàng tại cửa hàng, siêu dữ liệu sản phẩm và thông tin hàng tồn kho. Dựa trên điều này, chúng tôi giải thích cách tích hợp Phân đoạn với Cá nhân hóa Amazon để cung cấp các đề xuất theo thời gian thực. Chúng tôi cũng mô tả cách chúng tôi tạo điểm số cho xu hướng mua hàng và mua lặp lại bằng cách sử dụng Amazon SageMaker. Cuối cùng, chúng tôi khám phá cách nhắm mục tiêu khách hàng mới và khách hàng hiện tại theo ba cách:

• Với các biểu ngữ trên các trang web của bên thứ ba, còn được gọi là quảng cáo hiển thị, sử dụng điểm xu hướng mua để thu hút những khách hàng tương tự.
• Trên các kênh web và điện thoại di động được trình bày với các đề xuất được cá nhân hóa do Amazon Personalize cung cấp, sử dụng thuật toán máy học (ML) để tạo các đề xuất nội dung.
• Với tính năng nhắn tin được cá nhân hóa bằng cách sử dụng Điểm chính xác của Amazon, một dịch vụ truyền thông tiếp thị trong và ngoài nước. Những thông điệp này nhắm mục tiêu đến những khách hàng không thích và những người có xu hướng bỏ trốn cao.

Tổng quan về giải pháp

Hãy tưởng tượng bạn là chủ sở hữu sản phẩm dẫn đầu về trải nghiệm khách hàng đa kênh cho một công ty bán lẻ. Công ty có một loạt các kênh trực tuyến và ngoại tuyến, nhưng xem các kênh kỹ thuật số là cơ hội chính để phát triển. Họ muốn tăng quy mô và giá trị của cơ sở khách hàng của mình bằng các phương pháp sau:

• Thu hút khách hàng mới, chất lượng cao, những người có nhiều khả năng chuyển đổi hơn
• Tăng giá trị đơn đặt hàng trung bình của tất cả khách hàng của họ
• Thu hút lại những khách hàng không muốn quay lại và hy vọng mua hàng lặp lại

Để đảm bảo những khách hàng đó nhận được trải nghiệm nhất quán trên các kênh, bạn với tư cách là chủ sở hữu sản phẩm cần làm việc với các nhóm như tiếp thị kỹ thuật số, phát triển giao diện người dùng, phát triển thiết bị di động, phân phối chiến dịch và đại lý sáng tạo. Để đảm bảo khách hàng nhận được các đề xuất phù hợp, bạn cũng cần làm việc với các nhóm kỹ thuật dữ liệu và khoa học dữ liệu. Mỗi nhóm này chịu trách nhiệm tương tác hoặc phát triển các tính năng trong kiến ​​trúc được minh họa trong sơ đồ sau.

Quy trình giải pháp bao gồm các bước cấp cao sau:

1. Thu thập dữ liệu từ nhiều nguồn để lưu trữ Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3).
2. Sử dụng Chức năng bước AWS để sắp xếp việc tích hợp dữ liệu và kỹ thuật tính năng.
3. Tạo phân đoạn và dự đoán bằng SageMaker.
4. Sử dụng điểm số xu hướng để nhắm mục tiêu hiển thị.
5. Gửi tin nhắn được cá nhân hóa bằng Amazon Pinpoint.
6. Tích hợp các đề xuất được cá nhân hóa theo thời gian thực bằng Amazon Personalize.

Trong các phần tiếp theo, chúng tôi sẽ đi qua từng bước, giải thích các hoạt động của từng nhóm ở cấp độ cao, cung cấp tài liệu tham khảo đến các tài nguyên liên quan và chia sẻ các phòng thí nghiệm thực hành cung cấp hướng dẫn chi tiết hơn.

Thu thập dữ liệu từ nhiều nguồn

Các nhóm phát triển tiếp thị kỹ thuật số, giao diện người dùng và thiết bị di động có thể định cấu hình Phân đoạn để nắm bắt và tích hợp phân tích web và thiết bị di động, hiệu suất truyền thông kỹ thuật số và các nguồn bán hàng trực tuyến bằng cách sử dụng Kết nối phân đoạn. Phân đoạn Personas cho phép các nhóm tiếp thị kỹ thuật số giải quyết danh tính của người dùng bằng cách kết hợp các tương tác với nhau trên các nguồn này thành một hồ sơ người dùng duy nhất với một số nhận dạng liên tục. Các cấu hình này, cùng với các chỉ số được tính toán được gọi là Đặc điểm tính toán và các sự kiện thô, có thể được xuất sang Amazon S3. Ảnh chụp màn hình sau đây cho thấy cách các quy tắc nhận dạng được thiết lập trong Segment Personas.

Song song đó, các nhóm kỹ sư có thể sử dụng Dịch vụ di chuyển dữ liệu AWS (AWS DMS) để sao chép bán hàng tại cửa hàng, siêu dữ liệu sản phẩm và nguồn dữ liệu hàng tồn kho từ cơ sở dữ liệu như Microsoft SQL hoặc Oracle và lưu trữ kết quả đầu ra trong Amazon S3.

Giới thiệu dữ liệu và kỹ thuật tính năng

Sau khi dữ liệu được thu thập và lưu trữ trong vùng đích trên Amazon S3, các kỹ sư dữ liệu có thể sử dụng các thành phần từ khung dữ liệu không máy chủ (SDLF) để tăng tốc tích hợp dữ liệu và xây dựng cấu trúc nền tảng của hồ dữ liệu. Với SDLF, các kỹ sư có thể tự động hóa việc chuẩn bị dữ liệu mục người dùng được sử dụng để đào tạo Amazon Personalize hoặc tạo một chế độ xem duy nhất về hành vi của khách hàng bằng cách kết hợp dữ liệu hành vi và dữ liệu bán hàng trực tuyến và ngoại tuyến, sử dụng các thuộc tính như ID khách hàng hoặc địa chỉ email làm định danh chung .

Step Functions là bộ điều phối chính thúc đẩy các công việc chuyển đổi này trong SDLF. Bạn có thể sử dụng Hàm từng bước để xây dựng và sắp xếp cả quy trình làm việc dữ liệu theo lịch trình và theo hướng sự kiện. Nhóm kỹ sư có thể sắp xếp các nhiệm vụ của các dịch vụ AWS khác trong một đường dẫn dữ liệu. Kết quả đầu ra từ quá trình này được lưu trữ trong một vùng đáng tin cậy trên Amazon S3 để sử dụng cho việc phát triển ML. Để biết thêm thông tin về việc triển khai khung dữ liệu không máy chủ, hãy xem Kiến trúc tham chiếu đường ống phân tích dữ liệu không máy chủ AWS.

Tạo phân đoạn và dự đoán

Quá trình xây dựng phân đoạn và dự đoán có thể được chia thành ba bước: truy cập môi trường, xây dựng mô hình xu hướng và tạo tệp đầu ra.

Truy cập môi trường

Sau khi nhóm kỹ sư chuẩn bị và chuyển đổi dữ liệu phát triển ML, nhóm khoa học dữ liệu có thể xây dựng các mô hình xu hướng bằng cách sử dụng SageMaker. Đầu tiên, họ xây dựng, đào tạo và thử nghiệm một bộ mô hình ML ban đầu. Điều này cho phép họ xem kết quả sớm, quyết định hướng đi tiếp theo và tái tạo các thử nghiệm.

Nhóm khoa học dữ liệu cần một Xưởng sản xuất Amazon SageMaker ví dụ, một môi trường phát triển tích hợp (IDE) để thử nghiệm ML nhanh chóng. Nó thống nhất tất cả các tính năng chính của SageMaker và cung cấp một môi trường để quản lý các đường ống ML end-to-end. Nó loại bỏ sự phức tạp và giảm thời gian xây dựng các mô hình ML và triển khai chúng vào sản xuất. Các nhà phát triển có thể sử dụng Máy tính xách tay SageMaker Studio, là sổ ghi chép Jupyter chỉ bằng một cú nhấp chuột mà bạn có thể nhanh chóng xoay vòng để kích hoạt toàn bộ quy trình làm việc ML từ chuẩn bị dữ liệu đến triển khai mô hình. Để biết thêm thông tin về SageMaker cho ML, hãy xem Amazon SageMaker cho Khoa học Dữ liệu.

Xây dựng các mô hình xu hướng

Để ước tính xu hướng mua hàng lặp lại và trải nghiệm khách hàng, nhóm khoa học dữ liệu và trải nghiệm khách hàng nên thống nhất về các yếu tố thúc đẩy đã biết cho một trong hai kết quả.

Nhóm khoa học dữ liệu xác nhận các yếu tố đã biết này đồng thời khám phá các yếu tố chưa biết thông qua quá trình lập mô hình. Một ví dụ về yếu tố thúc đẩy sự gián đoạn có thể là số lượng lợi nhuận trong 3 tháng qua. Ví dụ về yếu tố thúc đẩy lượt mua lại có thể là số lượng mặt hàng được lưu trên trang web hoặc ứng dụng dành cho thiết bị di động.

Đối với trường hợp sử dụng của chúng tôi, chúng tôi giả định rằng nhóm tiếp thị kỹ thuật số muốn tạo đối tượng mục tiêu bằng cách sử dụng mô hình lookalike để tìm những khách hàng có nhiều khả năng mua lại trong tháng tới. Chúng tôi cũng giả định rằng nhóm chiến dịch muốn gửi đề nghị qua email cho những khách hàng có khả năng sẽ kết thúc đăng ký trong 3 tháng tới để khuyến khích họ gia hạn đăng ký.

Nhóm khoa học dữ liệu có thể bắt đầu bằng cách phân tích dữ liệu (tính năng) và tóm tắt các đặc điểm chính của tập dữ liệu để hiểu các hành vi dữ liệu chính. Sau đó, họ có thể xáo trộn và chia nhỏ dữ liệu để đào tạo và kiểm tra và tải các tập dữ liệu này lên vùng đáng tin cậy. Bạn có thể sử dụng một thuật toán chẳng hạn như XGBoost trình phân loại để đào tạo mô hình và tự động cung cấp lựa chọn tính năng, là tập hợp các ứng viên tốt nhất để xác định điểm xu hướng (hoặc giá trị dự đoán).

Sau đó, bạn có thể điều chỉnh mô hình bằng cách tối ưu hóa các chỉ số thuật toán (chẳng hạn như siêu tham số) dựa trên các phạm vi được cung cấp trong khuôn khổ XGBoost. Dữ liệu thử nghiệm được sử dụng để đánh giá hiệu suất của mô hình và ước tính mức độ tổng quát hóa của mô hình đối với dữ liệu mới. Để biết thêm thông tin về các chỉ số đánh giá, hãy xem Điều chỉnh một mô hình XGBoost.

Cuối cùng, điểm số xu hướng được tính toán cho từng khách hàng và được lưu trữ trong vùng S3 đáng tin cậy để nhóm tiếp thị và chiến dịch truy cập, xem xét và xác thực. Quá trình này cũng cung cấp một đánh giá ưu tiên về tầm quan trọng của tính năng, giúp giải thích cách tạo ra điểm số.

Tạo các tệp đầu ra

Sau khi nhóm khoa học dữ liệu hoàn thành quá trình đào tạo và điều chỉnh mô hình, họ sẽ làm việc với nhóm kỹ thuật để triển khai mô hình tốt nhất vào sản xuất. Chúng ta có thể sử dụng Chuyển đổi hàng loạt SageMaker để chạy dự đoán khi dữ liệu mới được thu thập và tạo điểm số cho từng khách hàng. Nhóm kỹ sư có thể sắp xếp và tự động hóa quy trình làm việc ML bằng cách sử dụng Đường ống Amazon SageMaker, một dịch vụ tích hợp liên tục và phân phối liên tục (CI / CD) được xây dựng có mục đích dành cho ML, cung cấp một môi trường để quản lý quy trình làm việc ML từ đầu đến cuối. Nó tiết kiệm thời gian và giảm các lỗi thường gây ra bởi sự điều phối thủ công.

Đầu ra của quy trình ML được Amazon Pinpoint nhập để gửi tin nhắn được cá nhân hóa và xuất sang Segment để sử dụng khi nhắm mục tiêu trên các kênh hiển thị. Hình minh họa sau đây cung cấp một cái nhìn tổng quan trực quan về quy trình làm việc ML.

Ảnh chụp màn hình sau đây cho thấy một tệp đầu ra mẫu.

Sử dụng điểm số xu hướng để nhắm mục tiêu hiển thị

Nhóm kỹ thuật và tiếp thị kỹ thuật số có thể tạo luồng dữ liệu ngược trở lại Phân đoạn để tăng phạm vi tiếp cận. Điều này sử dụng sự kết hợp của AWS Lambda và Amazon S3. Mỗi khi dòng công việc ML tạo tệp đầu ra mới và được lưu trong nhóm S3 đáng tin cậy, một hàm Lambda sẽ được gọi để kích hoạt xuất sang Phân đoạn. Tiếp thị kỹ thuật số sau đó có thể sử dụng điểm số xu hướng được cập nhật thường xuyên làm thuộc tính khách hàng để xây dựng và xuất đối tượng đến các điểm đến của Phân khúc (xem ảnh chụp màn hình sau). Để biết thêm thông tin về cấu trúc tệp của xuất Phân đoạn, hãy xem Amazon S3 từ Lambda.

Khi dữ liệu có sẵn trong Phân khúc, tiếp thị kỹ thuật số có thể xem điểm số xu hướng được phát triển trong SageMaker dưới dạng thuộc tính khi họ tạo phân khúc khách hàng. Họ có thể tạo ra những đối tượng thích thú để nhắm mục tiêu họ bằng quảng cáo kỹ thuật số. Để tạo vòng phản hồi, tiếp thị kỹ thuật số phải đảm bảo rằng số lần hiển thị, lần nhấp và chiến dịch đang được nhập trở lại Phân đoạn để tối ưu hóa hiệu suất.

Gửi tin nhắn đi được cá nhân hóa

Nhóm phân phối chiến dịch có thể triển khai và triển khai các chiến dịch hỗ trợ do AI điều khiển để thu hút lại những khách hàng có nguy cơ bỏ cuộc. Các chiến dịch này sử dụng danh sách các địa chỉ liên hệ của khách hàng được tạo trong SageMaker dưới dạng các phân đoạn trong khi tích hợp với Amazon Personalize để đưa ra các đề xuất sản phẩm được cá nhân hóa. Xem sơ đồ sau.

Nhóm tiếp thị kỹ thuật số có thể thử nghiệm bằng cách sử dụng các hành trình của Amazon Pinpoint để chia các phân khúc giành lại thành các nhóm con và dành phần trăm người dùng làm nhóm kiểm soát không tiếp xúc với chiến dịch. Điều này cho phép họ đo lường tác động của chiến dịch và tạo ra một vòng phản hồi.

Tích hợp các đề xuất theo thời gian thực

Để cá nhân hóa các kênh đến, nhóm kỹ thuật và tiếp thị kỹ thuật số làm việc cùng nhau để tích hợp và định cấu hình Amazon Personalize để cung cấp các đề xuất sản phẩm tại các điểm khác nhau trong hành trình của khách hàng. Ví dụ: họ có thể triển khai mặt hàng tương tự giới thiệu trên các trang chi tiết sản phẩm để đề xuất các mặt hàng bổ sung (xem sơ đồ sau). Ngoài ra, họ có thể triển khai đề xuất lọc dựa trên nội dung trong hành trình thanh toán để nhắc nhở khách hàng về các sản phẩm mà họ thường mua trước khi hoàn tất đơn đặt hàng.

Trước tiên, nhóm kỹ sư cần tạo các dịch vụ vi mô RESTful đáp ứng các yêu cầu ứng dụng trên web, thiết bị di động và các kênh khác với các đề xuất sản phẩm. Các dịch vụ nhỏ này gọi Amazon Personalize để nhận các đề xuất, phân giải ID sản phẩm thành thông tin có ý nghĩa hơn như tên và giá, kiểm tra lượng hàng tồn kho và xác định điểm cuối chiến dịch Amazon Personalize cần truy vấn dựa trên trang hoặc màn hình hiện tại của người dùng.

Nhóm phát triển thiết bị di động và front-end cần thêm các sự kiện theo dõi các hành động cụ thể của khách hàng vào ứng dụng của họ. Sau đó, họ có thể sử dụng Phân đoạn để gửi các sự kiện đó trực tiếp đến Amazon Personalize trong thời gian thực. Các sự kiện theo dõi này giống với dữ liệu mục người dùng mà chúng tôi đã trích xuất trước đó. Chúng cho phép các giải pháp Cá nhân hóa của Amazon để tinh chỉnh các đề xuất dựa trên các tương tác trực tiếp của khách hàng. Việc nắm bắt số lần hiển thị, lượt xem sản phẩm, thêm vào giỏ hàng và mua hàng là điều cần thiết vì những sự kiện này tạo ra một vòng phản hồi cho những người giới thiệu. Lambda là đơn vị trung gian, thu thập các sự kiện của người dùng từ Segment và gửi chúng đến Amazon Personalize. Lambda cũng tạo điều kiện thuận lợi cho việc trao đổi dữ liệu ngược lại, chuyển tiếp các đề xuất cập nhật cho người dùng trở lại Phân đoạn. Để biết thêm thông tin về cách định cấu hình các đề xuất trong thời gian thực với Segment và Amazon Personalize, hãy xem Phân đoạn Dữ liệu thời gian thực và Hội thảo Cá nhân hóa Amazon.

Kết luận

Bài đăng này mô tả cách cung cấp trải nghiệm khách hàng đa kênh bằng cách sử dụng kết hợp nền tảng dữ liệu khách hàng Phân khúc và các dịch vụ AWS như Amazon SageMaker, Amazon Personalize và Amazon Pinpoint. Chúng tôi đã khám phá vai trò của các nhóm chức năng chéo ở mỗi giai đoạn trong hành trình của khách hàng và trong chuỗi giá trị dữ liệu. Kiến trúc và cách tiếp cận được thảo luận tập trung vào môi trường bán lẻ, nhưng bạn có thể áp dụng nó cho các ngành dọc khác như dịch vụ tài chính hoặc truyền thông và giải trí. Nếu bạn quan tâm đến việc thử một số trong những gì chúng tôi đã thảo luận, hãy xem Cửa hàng Demo Bán lẻ, nơi bạn có thể tìm thấy các hội thảo thực hành bao gồm Phân đoạn và các đối tác AWS khác.

Tài liệu tham khảo bổ sung

Để biết thêm thông tin, hãy xem các tài nguyên sau:

• Cá nhân hóa đa kênh với Phân đoạn
• Cá nhân hóa Omnichannel với Amazon Personalize
• Xây dựng, điều chỉnh và triển khai mô hình dự đoán rối loạn đầu cuối bằng cách sử dụng Amazon SageMaker Pipelines
• Tự động hóa đường ống kỹ thuật tính năng với Amazon SageMaker
• Giám sát chất lượng mô hình

Giới thiệu về phân đoạn

Segment là Đối tác công nghệ nâng cao của AWS và nắm giữ các năng lực của Nhà cung cấp phần mềm độc lập AWS (ISV) sau: Dữ liệu & phân tích, Trải nghiệm khách hàng kỹ thuật số, Bán lẻ và Máy học. Các thương hiệu như Atlassian và Digital Ocean sử dụng các giải pháp phân tích thời gian thực do Segment cung cấp.

---

Về các tác giả

Dwayne Browne là Chuyên gia chính về nền tảng phân tích tại AWS có trụ sở tại Luân Đôn. Anh ấy là một phần của chương trình khách hàng theo hướng dữ liệu (Data-Driven Everything - D2E), nơi anh ấy giúp khách hàng trở nên dựa trên dữ liệu nhiều hơn và tập trung vào trải nghiệm khách hàng. Anh ấy có kiến ​​thức nền tảng về phân tích kỹ thuật số, cá nhân hóa và tự động hóa tiếp thị. Khi rảnh rỗi, Dwayne thích leo núi trong nhà và khám phá thiên nhiên.

Hara Gavriliadi là Nhà chiến lược phân tích dữ liệu cấp cao tại AWS Professional Services có trụ sở tại London. Cô ấy giúp khách hàng chuyển đổi doanh nghiệp của họ bằng cách sử dụng dữ liệu, phân tích và máy học. Cô ấy chuyên về phân tích khách hàng và chiến lược dữ liệu. Hara thích đi bộ ở vùng nông thôn và thích khám phá các hiệu sách địa phương và phòng tập yoga khi rảnh rỗi.

Kenny Rajan là Kiến trúc sư Giải pháp Đối tác Cấp cao. Kenny giúp khách hàng tận dụng tối đa AWS và các đối tác bằng cách chứng minh cách các đối tác AWS và các dịch vụ AWS phối hợp với nhau tốt hơn. Anh ấy quan tâm đến học máy, dữ liệu, triển khai ERP và các giải pháp dựa trên giọng nói trên đám mây. Ngoài công việc, Kenny thích đọc sách và tham gia các hoạt động từ thiện.

• Coinsmart. Sàn giao dịch Bitcoin và tiền điện tử tốt nhất Châu Âu.
• Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến ​​thức. TRUY CẬP MIỄN PHÍ.
• CryptoHawk. Radar Altcoin. Dùng thử miễn phí.
• Nguồn: https://aws.amazon.com/blogs/machine-learning/personalize-cross-channel-customer-experiences-with-amazon-sagemaker-amazon-personalize-and-segment/