Bài đăng này được đồng viết bởi Hesham Fahim từ Thomson Reuters.
Thomson Reuter (TR) là một trong những tổ chức thông tin đáng tin cậy nhất thế giới dành cho các doanh nghiệp và chuyên gia. Nó cung cấp cho các công ty trí thông minh, công nghệ và kiến thức chuyên môn về con người mà họ cần để tìm ra các câu trả lời đáng tin cậy, cho phép họ đưa ra các quyết định tốt hơn một cách nhanh chóng hơn. Khách hàng của TR trải dài trên các thị trường tài chính, rủi ro, pháp lý, thuế, kế toán và truyền thông.
Thomson Reuters cung cấp các sản phẩm dẫn đầu thị trường trong chiến dịch Thuế, Pháp lý và Tin tức mà người dùng có thể đăng ký sử dụng mô hình cấp phép đăng ký. Để nâng cao trải nghiệm này cho khách hàng của họ, TR muốn tạo một nền tảng đề xuất tập trung cho phép nhóm bán hàng của họ đề xuất các gói đăng ký phù hợp nhất cho khách hàng của họ, tạo ra các đề xuất giúp nâng cao nhận thức về sản phẩm có thể giúp khách hàng của họ phục vụ thị trường tốt hơn thông qua lựa chọn sản phẩm phù hợp.
Trước khi xây dựng nền tảng tập trung này, TR đã có một công cụ dựa trên quy tắc kế thừa để tạo các đề xuất gia hạn. Các quy tắc trong công cụ này đã được xác định trước và viết bằng SQL, ngoài việc đặt ra thách thức để quản lý, còn phải vật lộn để đối phó với sự gia tăng dữ liệu từ nguồn dữ liệu tích hợp khác nhau của TR. Dữ liệu khách hàng của TR đang thay đổi với tốc độ nhanh hơn tốc độ mà các quy tắc kinh doanh có thể phát triển để phản ánh nhu cầu thay đổi của khách hàng. Yêu cầu chính đối với công cụ cá nhân hóa dựa trên máy học (ML) mới của TR tập trung vào một hệ thống đề xuất chính xác có tính đến các xu hướng khách hàng gần đây. Giải pháp mong muốn sẽ là một giải pháp có chi phí hoạt động thấp, khả năng đẩy nhanh việc thực hiện các mục tiêu kinh doanh và một công cụ cá nhân hóa có thể được đào tạo liên tục với dữ liệu cập nhật để đối phó với thói quen thay đổi của người tiêu dùng và các sản phẩm mới.
Cá nhân hóa các đề xuất đổi mới dựa trên những sản phẩm có giá trị đối với khách hàng của TR là một thách thức kinh doanh quan trọng đối với nhóm bán hàng và tiếp thị. TR có rất nhiều dữ liệu có thể được sử dụng để cá nhân hóa đã được thu thập từ các tương tác của khách hàng và được lưu trữ trong kho dữ liệu tập trung. TR đã sớm áp dụng ML với Amazon SageMakervà sự trưởng thành của họ trong lĩnh vực AI/ML có nghĩa là họ đã đối chiếu một tập dữ liệu quan trọng gồm dữ liệu có liên quan trong kho dữ liệu mà nhóm có thể sử dụng đó để huấn luyện mô hình cá nhân hóa. TR đã tiếp tục đổi mới AI/ML của họ và gần đây đã phát triển một nền tảng đề xuất cải tiến bằng cách sử dụng Cá nhân hóa Amazon, một dịch vụ ML được quản lý hoàn toàn, sử dụng các mục và tương tác của người dùng để tạo đề xuất cho người dùng. Trong bài đăng này, chúng tôi giải thích cách TR sử dụng Amazon Personalize để xây dựng một hệ thống đề xuất cho nhiều bên thuê, có thể mở rộng, cung cấp các gói đăng ký sản phẩm tốt nhất và mức giá tương ứng cho khách hàng của họ.
Giải pháp xây dựng
Giải pháp phải được thiết kế xem xét các hoạt động cốt lõi của TR xung quanh việc hiểu người dùng thông qua dữ liệu; cung cấp cho những người dùng này nội dung phù hợp và được cá nhân hóa từ một kho dữ liệu lớn là một yêu cầu tối quan trọng. Có một hệ thống đề xuất được thiết kế tốt là chìa khóa để nhận được các đề xuất chất lượng được tùy chỉnh theo yêu cầu của từng người dùng.
Giải pháp yêu cầu thu thập và chuẩn bị dữ liệu hành vi của người dùng, đào tạo mô hình ML bằng cách sử dụng Amazon Personalize, tạo các đề xuất được cá nhân hóa thông qua mô hình được đào tạo và thúc đẩy các chiến dịch tiếp thị bằng các đề xuất được cá nhân hóa.
TR muốn tận dụng các dịch vụ được quản lý của AWS nếu có thể để đơn giản hóa các hoạt động và giảm bớt khối lượng công việc nặng nhọc không phân biệt. TR đã sử dụng AWS Keo DataBrew và Hàng loạt AWS để thực hiện các công việc trích xuất, chuyển đổi và tải (ETL) trong các quy trình ML và SageMaker cùng với Amazon Personalize để điều chỉnh các đề xuất. Từ góc độ khối lượng dữ liệu đào tạo và thời gian chạy, giải pháp cần có khả năng mở rộng để xử lý hàng triệu bản ghi trong khung thời gian đã cam kết với người tiêu dùng tuyến dưới trong các nhóm kinh doanh của TR.
Các phần sau đây giải thích các thành phần liên quan đến giải pháp.
quy trình đào tạo ML
Tương tác giữa người dùng và nội dung được thu thập dưới dạng dữ liệu luồng nhấp chuột, được tạo khi khách hàng nhấp vào nội dung. TR phân tích xem đây có phải là một phần trong gói đăng ký của họ hay ngoài gói đăng ký của họ để họ có thể cung cấp thêm thông tin chi tiết về giá và các tùy chọn đăng ký gói. Dữ liệu tương tác của người dùng từ nhiều nguồn khác nhau được lưu giữ trong kho dữ liệu của họ.
Sơ đồ sau đây minh họa quy trình đào tạo ML.
Quy trình bắt đầu với một công việc AWS Batch trích xuất dữ liệu từ kho dữ liệu và chuyển đổi dữ liệu để tạo tập dữ liệu tương tác, người dùng và mục.
Các bộ dữ liệu sau đây được sử dụng để huấn luyện mô hình:
- Dữ liệu sản phẩm có cấu trúc – Đăng ký, đơn đặt hàng, danh mục sản phẩm, giao dịch và chi tiết khách hàng
- Dữ liệu hành vi bán cấu trúc – Người dùng, cách sử dụng và tương tác
Dữ liệu đã chuyển đổi này được lưu trữ trong một Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3), được nhập vào Amazon Personalize để đào tạo ML. Vì TR muốn tạo các đề xuất được cá nhân hóa cho người dùng của họ nên họ sử dụng NGƯỜI DÙNG_CÁ NHÂN HÓA công thức để đào tạo các mô hình ML cho dữ liệu tùy chỉnh của chúng, được gọi là tạo phiên bản giải pháp. Sau khi phiên bản giải pháp được tạo, nó được sử dụng để tạo các đề xuất được cá nhân hóa cho người dùng.
Toàn bộ quy trình công việc được sắp xếp bằng cách sử dụng Chức năng bước AWS. Các cảnh báo và thông báo được ghi lại và xuất bản lên Microsoft Teams bằng cách sử dụng Dịch vụ thông báo đơn giản của Amazon (Amazon SNS) và Sự kiện Amazon.
Tạo quy trình đề xuất được cá nhân hóa: Suy luận hàng loạt
Các yêu cầu và tùy chọn của khách hàng thay đổi rất thường xuyên và các tương tác mới nhất được ghi lại trong dữ liệu luồng nhấp chuột đóng vai trò là điểm dữ liệu chính để hiểu các tùy chọn đang thay đổi của khách hàng. Để thích ứng với sở thích luôn thay đổi của khách hàng, TR tạo các đề xuất được cá nhân hóa hàng ngày.
Sơ đồ sau đây minh họa quy trình tạo các đề xuất được cá nhân hóa.
Công việc DataBrew trích xuất dữ liệu từ kho dữ liệu TR cho những người dùng đủ điều kiện đưa ra đề xuất trong quá trình gia hạn dựa trên gói đăng ký hiện tại và hoạt động gần đây. Công cụ chuẩn bị dữ liệu trực quan DataBrew giúp các nhà phân tích dữ liệu TR và nhà khoa học dữ liệu dễ dàng làm sạch và chuẩn hóa dữ liệu để chuẩn bị cho phân tích và ML. Khả năng chọn từ hơn 250 biến đổi dựng sẵn trong công cụ chuẩn bị dữ liệu trực quan để tự động hóa các tác vụ chuẩn bị dữ liệu mà không cần viết bất kỳ mã nào, là một tính năng quan trọng. Công việc DataBrew tạo tập dữ liệu gia tăng cho các tương tác và đầu vào cho công việc đề xuất hàng loạt và lưu trữ đầu ra trong bộ chứa S3. Tập dữ liệu gia tăng mới được tạo sẽ được nhập vào tập dữ liệu tương tác. Khi tác vụ nhập tập dữ liệu gia tăng thành công, tác vụ đề xuất lô Amazon Personalize được kích hoạt với dữ liệu đầu vào. Amazon Personalize tạo các đề xuất mới nhất cho người dùng được cung cấp trong dữ liệu đầu vào và lưu trữ nó trong bộ chứa S3 đề xuất.
Tối ưu hóa giá là bước cuối cùng trước khi các đề xuất mới hình thành sẵn sàng sử dụng. TR chạy công việc tối ưu hóa chi phí trên các đề xuất được tạo và sử dụng SageMaker để chạy các mô hình tùy chỉnh trên các đề xuất như một phần của bước cuối cùng này. Công việc AWS Glue sắp xếp đầu ra được tạo từ Amazon Personalize và chuyển đổi nó thành định dạng đầu vào mà mô hình tùy chỉnh SageMaker yêu cầu. TR có thể tận dụng lợi thế về phạm vi của các dịch vụ mà AWS cung cấp, sử dụng cả Amazon Personalize và SageMaker trong nền tảng đề xuất để điều chỉnh các đề xuất dựa trên loại công ty khách hàng và người dùng cuối.
Toàn bộ quy trình công việc được tách rời và sắp xếp bằng cách sử dụng Step Functions, mang lại sự linh hoạt trong việc thay đổi quy mô đường ống tùy thuộc vào yêu cầu xử lý dữ liệu. Các cảnh báo và thông báo được ghi lại bằng Amazon SNS và EventBridge.
Thúc đẩy các chiến dịch email
Các đề xuất được tạo cùng với kết quả định giá được sử dụng để thúc đẩy các chiến dịch email cho khách hàng của TR. AWS Batch job được sử dụng để sắp xếp các đề xuất cho từng khách hàng và làm phong phú đề xuất đó bằng thông tin định giá được tối ưu hóa. Những đề xuất này được nhập vào hệ thống chiến dịch của TR, hệ thống này thúc đẩy các chiến dịch email sau:
- Các chiến dịch nâng cấp hoặc gia hạn đăng ký tự động với các sản phẩm mới mà khách hàng có thể quan tâm
- Các chiến dịch gia hạn giữa hợp đồng với các ưu đãi tốt hơn và các sản phẩm và nội dung pháp lý phù hợp hơn
Thông tin từ quy trình này cũng được sao chép vào cổng thông tin khách hàng để khách hàng xem xét đăng ký hiện tại của họ có thể xem các đề xuất gia hạn mới. TR đã nhận thấy tỷ lệ chuyển đổi cao hơn từ các chiến dịch email, dẫn đến tăng đơn đặt hàng kể từ khi triển khai nền tảng đề xuất mới.
Điều gì tiếp theo: Đường dẫn đề xuất theo thời gian thực
Các yêu cầu và hành vi mua sắm của khách hàng thay đổi theo thời gian thực và việc điều chỉnh các đề xuất cho phù hợp với những thay đổi theo thời gian thực là chìa khóa để cung cấp nội dung phù hợp. Sau khi đạt được thành công lớn khi triển khai hệ thống đề xuất hàng loạt, TR hiện đang lên kế hoạch đưa giải pháp này lên một tầm cao mới bằng cách triển khai quy trình đề xuất theo thời gian thực để tạo đề xuất bằng cách sử dụng Amazon Personalize.
Sơ đồ sau đây minh họa kiến trúc để cung cấp các đề xuất theo thời gian thực.
Quá trình tích hợp theo thời gian thực bắt đầu bằng việc thu thập dữ liệu tương tác trực tiếp của người dùng và truyền dữ liệu đó tới Amazon Personalize. Khi người dùng đang tương tác với các ứng dụng của TR, họ tạo ra các sự kiện dòng nhấp chuột, được xuất bản thành Luồng dữ liệu Amazon Kinesis. Sau đó, các sự kiện được nhập vào nền tảng phát trực tuyến tập trung của TR, được xây dựng dựa trên Truyền phát được quản lý trên Amazon cho Kafka (Amazon MSK). Amazon MSK giúp dễ dàng nhập và xử lý dữ liệu truyền trực tuyến trong thời gian thực với Apache Kafka được quản lý hoàn toàn. Trong kiến trúc này, Amazon MSK đóng vai trò là một nền tảng phát trực tuyến và thực hiện mọi chuyển đổi dữ liệu cần thiết đối với các sự kiện luồng nhấp chuột thô đến. Sau đó, một AWS Lambda chức năng được kích hoạt để lọc các sự kiện vào giản đồ tương thích với tập dữ liệu Amazon Personalize và đẩy các sự kiện đó tới trình theo dõi sự kiện Amazon Personalize bằng cách sử dụng putEvent
API. Điều này cho phép Amazon Personalize học hỏi từ hành vi gần đây nhất của người dùng của bạn và đưa các mục có liên quan vào đề xuất.
Các ứng dụng web của TR gọi một API được triển khai trong Cổng API Amazon để nhận các đề xuất, điều này sẽ kích hoạt hàm Lambda để gọi một GetRecommendations
Lệnh gọi API với Amazon Personalize. Amazon Personalize cung cấp bộ đề xuất được cá nhân hóa mới nhất được tuyển chọn theo hành vi của người dùng, được cung cấp lại cho các ứng dụng web thông qua Lambda và API Gateway.
Với kiến trúc thời gian thực này, TR có thể phục vụ khách hàng của họ bằng các đề xuất được cá nhân hóa, được sắp xếp theo hành vi gần đây nhất của họ và phục vụ nhu cầu của họ tốt hơn.
Kết luận
Trong bài đăng này, chúng tôi đã chỉ cho bạn cách TR sử dụng Amazon Personalize và các dịch vụ AWS khác để triển khai công cụ đề xuất. Amazon Personalize đã kích hoạt TR để đẩy nhanh quá trình phát triển và triển khai các mô hình hiệu suất cao nhằm cung cấp đề xuất cho khách hàng của họ. TR có thể tích hợp bộ sản phẩm mới trong vòng vài tuần nay, so với các tháng trước đó. Với Amazon Personalize và SageMaker, TR có thể nâng cao trải nghiệm của khách hàng bằng các gói đăng ký nội dung và giá tốt hơn cho khách hàng của họ.
Nếu bạn thích đọc blog này và muốn tìm hiểu thêm về Amazon Personalize cũng như cách nó có thể giúp tổ chức của bạn xây dựng hệ thống đề xuất, vui lòng xem phần hướng dẫn nhà phát triển.
Về các tác giả
Hisham Fahim là Kỹ sư máy học hàng đầu và Kiến trúc sư công cụ cá nhân hóa tại Thomson Reuters. Ông đã làm việc với các tổ chức trong giới học thuật và công nghiệp, từ các doanh nghiệp lớn đến các công ty khởi nghiệp cỡ trung bình. Tập trung vào các kiến trúc học sâu có thể mở rộng, Anh ấy có kinh nghiệm về robot di động, phân tích hình ảnh y sinh cũng như các hệ thống đề xuất. Rời xa máy tính, anh ấy thích chụp ảnh thiên văn, đọc sách và đạp xe đường dài.
Srinivasa Shaik là Kiến trúc sư giải pháp tại AWS có trụ sở tại Boston. Anh ấy giúp khách hàng Doanh nghiệp tăng tốc hành trình của họ lên đám mây. Anh ấy đam mê công nghệ container và máy học. Khi rảnh rỗi, anh ấy thích dành thời gian cho gia đình, nấu ăn và đi du lịch.
Vamshi Krishna Enabothala là Kiến trúc sư chuyên gia AI ứng dụng cấp cao tại AWS. Anh ấy làm việc với các khách hàng từ các lĩnh vực khác nhau để tăng tốc các sáng kiến về dữ liệu, phân tích và học máy có tác động cao. Anh ấy đam mê các hệ thống đề xuất, NLP và các lĩnh vực thị giác máy tính trong AI và ML. Ngoài công việc, Vamshi là một người đam mê RC, chế tạo thiết bị RC (máy bay, ô tô và máy bay không người lái), đồng thời cũng thích làm vườn.
Simone Zucchet là Kiến trúc sư giải pháp cấp cao tại AWS. Với hơn 6 năm kinh nghiệm với tư cách là Kiến trúc sư đám mây, Simone thích làm việc với các dự án sáng tạo giúp thay đổi cách các tổ chức tiếp cận các vấn đề kinh doanh. Anh ấy giúp hỗ trợ các khách hàng doanh nghiệp lớn tại AWS và là một phần của Machine Learning TFC. Ngoài cuộc sống nghề nghiệp của mình, anh ấy thích làm việc với ô tô và nhiếp ảnh.
- Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
- Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến thức. Truy cập Tại đây.
- nguồn: https://aws.amazon.com/blogs/machine-learning/how-thomson-reuters-delivers-personalized-content-subscription-plans-at-scale-using-amazon-personalize/
- 100
- 7
- a
- có khả năng
- Có khả năng
- Giới thiệu
- Học viện
- đẩy nhanh tiến độ
- Tài khoản
- Kế toán
- chính xác
- ngang qua
- hoạt động
- thích ứng
- thêm vào
- Lợi thế
- Sau
- AI
- AI / ML
- Tất cả
- cho phép
- Đã
- đàn bà gan dạ
- Cá nhân hóa Amazon
- phân tích
- Các nhà phân tích
- phân tích
- phân tích
- và
- câu trả lời
- Apache
- api
- các ứng dụng
- áp dụng
- AI ứng dụng
- phương pháp tiếp cận
- kiến trúc
- khu vực
- xung quanh
- liên kết
- tự động hóa
- nhận thức
- AWS
- Keo AWS
- trở lại
- dựa
- cơ sở
- bởi vì
- trước
- BEST
- Hơn
- giữa
- Ngoài
- y sinh
- Blog
- boston
- bề rộng
- xây dựng
- Xây dựng
- xây dựng
- kinh doanh
- các doanh nghiệp
- cuộc gọi
- Chiến dịch
- vận động
- Chiến dịch
- xe ô tô
- Danh mục hàng
- trung tâm
- tập trung
- thách thức
- thay đổi
- Những thay đổi
- thay đổi
- Chọn
- đám mây
- mã
- Thu
- cam kết
- Các công ty
- so
- tương thích
- các thành phần
- máy tính
- Tầm nhìn máy tính
- máy tính
- xem xét
- liên tục
- người tiêu dùng
- Người tiêu dùng
- Container
- nội dung
- tiếp tục
- Chuyển đổi
- Trung tâm
- Phí Tổn
- có thể
- tạo
- tạo ra
- Tạo
- lưu trữ
- giám tuyển
- Current
- khách hàng
- khách hàng
- dữ liệu khách hàng
- kinh nghiệm khach hang
- khách hàng
- tiền thưởng
- dữ liệu
- Chuẩn bị dữ liệu
- xử lý dữ liệu
- bộ dữ liệu
- nhiều
- quyết định
- sâu
- học kĩ càng
- phân phối
- cung cấp
- Tùy
- triển khai
- triển khai
- triển khai
- thiết kế
- chi tiết
- phát triển
- Phát triển
- khác nhau
- khoảng cách
- miền
- lái xe
- lái xe
- Các phương tiện bay không người lái
- suốt trong
- mỗi
- Sớm hơn
- Đầu
- NÂNG
- đủ điều kiện
- kích hoạt
- cho phép
- Tham gia
- Động cơ
- ky sư
- làm giàu
- Doanh nghiệp
- doanh nghiệp
- người đam mê
- Toàn bộ
- Trang thiết bị
- Sự kiện
- sự kiện
- luôn thay đổi
- phát triển
- kinh nghiệm
- chuyên môn
- Giải thích
- trích xuất
- Chất chiết xuất
- gia đình
- nhanh hơn
- Đặc tính
- lọc
- cuối cùng
- tài chính
- Tìm kiếm
- Công ty
- Linh hoạt
- Tập trung
- tiếp theo
- hình thức
- định dạng
- hình thành
- FRAME
- từ
- đầy đủ
- chức năng
- chức năng
- cửa ngõ
- tạo ra
- tạo ra
- tạo
- tạo ra
- được
- nhận được
- cho
- Các mục tiêu
- tuyệt vời
- có
- giúp đỡ
- giúp
- hiệu suất cao
- cao hơn
- Độ đáng tin của
- HTML
- HTTPS
- Nhân loại
- hình ảnh
- thực hiện
- thực hiện
- nhập khẩu
- quan trọng
- in
- bao gồm
- Incoming
- tăng
- ngành công nghiệp
- thông tin
- khả năng phán đoán
- sự đổi mới
- sáng tạo
- đầu vào
- tích hợp
- hội nhập
- Sự thông minh
- tương tác
- tương tác
- quan tâm
- tham gia
- IT
- mặt hàng
- Việc làm
- việc làm
- cuộc hành trình
- Key
- lớn
- Họ
- mới nhất
- dẫn
- hàng đầu
- LEARN
- học tập
- Legacy
- Hợp pháp
- Cấp
- Cấp phép
- Cuộc sống
- nâng
- sống
- tải
- dài
- Thấp
- máy
- học máy
- làm cho
- LÀM CHO
- quản lý
- quản lý
- thị trường
- dẫn đầu thị trường
- Marketing
- thị trường
- trưởng thành
- Phương tiện truyền thông
- microsoft
- đội microsoft
- Might
- hàng triệu
- ML
- di động
- kiểu mẫu
- mô hình
- tháng
- chi tiết
- hầu hết
- Cần
- nhu cầu
- Mới
- sản phẩm mới
- tin tức
- tiếp theo
- nlp
- thông báo
- thông báo
- Cung cấp
- onboard
- ONE
- hoạt động
- Hoạt động
- tối ưu hóa
- tối ưu hóa
- Các lựa chọn
- đơn đặt hàng
- cơ quan
- tổ chức
- Nền tảng khác
- bên ngoài
- gói
- một phần
- đam mê
- Thực hiện
- thực hiện
- cá nhân
- cá nhân
- Cá nhân
- quan điểm
- nhiếp ảnh
- đường ống dẫn
- kế hoạch
- lập kế hoạch
- kế hoạch
- nền tảng
- plato
- Thông tin dữ liệu Plato
- PlatoDữ liệu
- xin vui lòng
- Điểm
- Portal
- có thể
- Bài đăng
- ưu đãi
- Chuẩn bị
- chuẩn bị
- giá
- Giá
- giá
- vấn đề
- quá trình
- xử lý
- Sản phẩm
- Sản phẩm
- chuyên nghiệp
- chuyên gia
- dự án
- cho
- cung cấp
- cung cấp
- cung cấp
- công bố
- Đẩy
- chất lượng
- Mau
- nâng cao
- khác nhau,
- Tỷ lệ
- Nguyên
- Reading
- sẵn sàng
- thực
- thời gian thực
- gần đây
- gần đây
- công thức
- Khuyến nghị
- khuyến nghị
- hồ sơ
- giảm
- gọi
- phản ánh
- có liên quan
- nhân rộng
- cần phải
- yêu cầu
- Yêu cầu
- Kết quả
- Reuters
- xem xét
- Nguy cơ
- robotics
- quy tắc
- chạy
- nhà làm hiền triết
- bán hàng
- khả năng mở rộng
- Quy mô
- mở rộng quy mô
- các nhà khoa học
- phần
- Ngành
- nhìn thấy
- cao cấp
- phục vụ
- phục vụ
- dịch vụ
- DỊCH VỤ
- phục vụ
- định
- Mua sắm
- đăng ký
- có ý nghĩa
- Đơn giản
- đơn giản hóa
- kể từ khi
- So
- giải pháp
- Giải pháp
- nguồn
- nguồn
- chuyên gia
- Chi
- bắt đầu
- Startups
- Bước
- là gắn
- lưu trữ
- cửa hàng
- trực tuyến
- đăng ký
- đăng ký
- thành công
- thành công
- bộ
- hỗ trợ
- hệ thống
- hệ thống
- phù hợp
- Hãy
- mất
- nhiệm vụ
- thuế
- nhóm
- đội
- Công nghệ
- Công nghệ
- Sản phẩm
- cung cấp their dịch
- Thomson Reuters
- Thông qua
- thời gian
- đến
- công cụ
- hàng đầu
- Train
- đào tạo
- Hội thảo
- Giao dịch
- Chuyển đổi
- biến đổi
- chuyển đổi
- Đi du lịch
- Xu hướng
- được kích hoạt
- đáng tin cậy
- hiểu
- sự hiểu biết
- up-to-date
- nâng cấp
- Sử dụng
- sử dụng
- người sử dang
- Người sử dụng
- Quý báu
- khác nhau
- phiên bản
- thông qua
- tầm nhìn
- khối lượng
- muốn
- Wealth
- web
- Ứng dụng web
- tuần
- Điều gì
- cái nào
- CHÚNG TÔI LÀ
- ở trong
- không có
- Công việc
- làm việc
- đang làm việc
- công trinh
- thế giới
- sẽ
- viết
- viết
- năm
- Bạn
- trên màn hình
- zephyrnet