使用 Amazon SageMaker、Amazon Personalize 和 Twilio Segment 个性化跨渠道客户体验

如今，客户通过越来越大的数字和线下足迹与品牌互动，从而产生大量被称为行为数据的互动数据。 因此，营销人员和客户体验团队必须使用多种重叠工具来跨接触点吸引和定位这些客户。 这增加了复杂性，创建了每个客户的多个视图，并使得为每个客户提供具有相关内容、消息传递和产品建议的个性化体验变得更具挑战性。 作为回应，营销团队使用客户数据平台 (CDP) 和跨渠道活动管理工具 (CCCM) 来简化整合客户多个视图的过程。 这些技术为非技术用户提供了加速路径，以实现跨渠道定位、参与和个性化，同时减少营销团队对技术团队和专业技能的依赖以与客户互动。

尽管如此，当这些技术未与业务其他部分的系统集成时，营销人员会发现自己在客户活动中存在盲点。 对于非数字渠道尤其如此，例如店内交易或来自客户支持的客户反馈。 营销团队和他们的客户体验同行也很难将数据科学家开发的预测能力整合到他们的跨渠道活动或客户接触点中。 因此，客户会收到不相关或与他们的期望不一致的消息和建议。

这篇文章概述了跨职能团队如何使用全渠道个性化用例共同应对这些挑战。 我们使用一个虚构的零售场景来说明这些团队如何联锁以在客户旅程的各个阶段提供个性化体验。 我们用 Twilio 段 在我们的场景中，一个基于 AWS 构建的客户数据平台。 市场上有超过 12 个 CDP 可供选择， 其中许多也是 AWS 合作伙伴，但我们在这篇文章中使用 Segment 是因为它们提供了一个免费的自助服务层，让您可以探索和试验。 我们将解释如何将 Segment 的输出与店内销售数据、产品元数据和库存信息相结合。 在此基础上，我们解释了如何将 Segment 与 亚马逊个性化 为实时推荐提供动力。 我们还描述了我们如何使用 亚马逊SageMaker. 最后，我们探讨了如何以三种方式定位新客户和现有客户：

• 在第三方网站上使用横幅广告，也称为展示广告，使用购买倾向得分来吸引类似客户。
• 在 Web 和移动渠道上提供由 Amazon Personalize 提供支持的个性化推荐，它使用机器学习 (ML) 算法来创建内容推荐。
• 使用个性化消息传递 亚马逊Pinpoint，出站和入站营销传播服务。 这些信息针对的是不参与的客户和那些表现出高流失倾向的客户。

解决方案概述

想象一下，您是一名产品负责人，负责一家零售公司的跨渠道客户体验。 该公司拥有多样化的线上和线下渠道，但将数字渠道视为其主要的增长机会。 他们希望通过以下方法扩大客户群的规模和价值：

• 吸引更有可能转化的高素质新客户
• 提高所有客户的平均订单价值
• 重新吸引闲散的客户返回并希望再次购买

为确保这些客户跨渠道获得一致的体验，作为产品所有者，您需要与数字营销、前端开发、移动开发、活动交付和创意机构等团队合作。 为确保客户收到相关建议，您还需要与数据工程和数据科学团队合作。 这些团队中的每一个都负责与下图所示架构中的功能进行交互或开发功能。

解决方案工作流包含以下高级步骤：

1. 从多个来源收集数据以存储 亚马逊简单存储服务 （亚马逊S3）。
2. 使用 AWS步骤功能 协调数据载入和特征工程。
3. 使用 SageMaker 构建细分和预测。
4. 使用倾向得分进行展示定位。
5. 使用 Amazon Pinpoint 发送个性化消息。
6. 使用 Amazon Personalize 集成实时个性化建议。

在接下来的部分中，我们将逐个介绍每个步骤，从高层次上解释每个团队的活动，提供相关资源的参考，并分享提供更详细指导的动手实验。

从多个来源收集数据

数字营销、前端和移动开发团队可以配置 Segment 以捕获和集成 Web 和移动分析、数字媒体性能和在线销售来源 段连接. 细分角色 允许数字营销团队通过将这些来源之间的交互整合到具有一个持久标识符的单个用户配置文件中来解决用户的身份。 这些配置文件以及计算的指标称为 计算特征 和原始事件，可以导出到 Amazon S3。 以下屏幕截图显示了如何在 Segment Personas 中设置身份规则。

同时，工程团队可以使用 AWS 数据迁移服务 (AWS DMS) 从 Microsoft SQL 或 Oracle 等数据库复制店内销售、产品元数据和库存数据源，并将输出存储在 Amazon S3 中。

数据载入和特征工程

收集数据并将其存储在 Amazon S3 上的登陆区后，数据工程师可以使用来自 无服务器数据湖框架 (SDLF) 以加速数据载入并构建数据湖的基础结构。 借助 SDLF，工程师可以使用客户 ID 或电子邮件地址等属性作为通用标识符，自动准备用于训练 Amazon Personalize 的用户项目数据或通过加入在线和离线行为数据和销售数据来创建客户行为的单一视图.

Step Functions 是在 SDLF 中推动这些转换工作的关键协调者。 您可以使用 Step Functions 来构建和编排计划和事件驱动的数据工作流。 工程团队可以在数据管道中协调其他 AWS 服务的任务。 此过程的输出存储在 Amazon S3 上的受信任区域中，以用于 ML 开发。 有关实施无服务器数据湖框架的更多信息，请参阅 AWS 无服务器数据分析管道参考架构.

构建细分和预测

构建细分和预测的过程可以分为三个步骤：访问环境、构建倾向模型和创建输出文件。

访问环境

在工程团队准备和转换 ML 开发数据后，数据科学团队可以使用 SageMaker 构建倾向模型。 首先，他们构建、训练和测试一组初始 ML 模型。 这使他们能够看到早期结果，决定下一步的方向，并重现实验。

数据科学团队需要一个积极的 亚马逊SageMaker Studio 例如，用于快速 ML 实验的集成开发环境 (IDE)。 它统一了 SageMaker 的所有关键功能，并提供了一个管理端到端 ML 管道的环境。 它消除了复杂性并减少了构建 ML 模型并将其部署到生产中所需的时间。 开发者可以使用 SageMaker Studio 笔记本，它们是一键式 Jupyter 笔记本，您可以快速启动它们以启用从数据准备到模型部署的整个 ML 工作流程。 有关 SageMaker for ML 的更多信息，请参阅 用于数据科学的 Amazon SageMaker.

建立倾向模型

为了估计客户流失和重复购买倾向，客户体验和数据科学团队应该就任一结果的已知驱动因素达成一致。

数据科学团队验证这些已知因素，同时通过建模过程发现未知因素。 导致客户流失的一个例子可以是过去 3 个月的退货数量。 推动回购的一个因素可能是网站或移动应用程序上保存的商品数量。

对于我们的用例，我们假设数字营销团队希望使用相似模型创建目标受众，以找到最有可能在下个月重新购买的客户。 我们还假设活动团队希望向可能在未来 3 个月内终止订阅的客户发送电子邮件优惠，以鼓励他们续订订阅。

数据科学团队可以从分析数据（特征）和总结数据集的主要特征开始，以了解关键数据行为。 然后，他们可以将数据打乱并拆分为训练和测试，并将这些数据集上传到可信区域。 您可以使用算法，例如 XGBoost 分类器来训练模型并自动提供特征选择，这是确定倾向得分（或预测值）的最佳候选集。

然后，您可以通过优化算法指标（例如 超参数) 基于 XGBoost 框架内提供的范围。 测试数据用于评估模型的性能并估计它对新数据的泛化程度。 有关评估指标的更多信息，请参阅 调整 XGBoost 模型.

最后，为每个客户计算倾向得分并将其存储在受信任的 S3 区域中，以供营销和活动团队访问、审查和验证。 此过程还提供了对特征重要性的优先评估，这有助于解释分数是如何产生的。

创建输出文件

在数据科学团队完成模型训练和调优后，他们与工程团队合作将最佳模型部署到生产中。 我们可以用 SageMaker批量转换 在收集新数据时运行预测并为每个客户生成分数。 工程团队可以使用 Amazon SageMaker管道，一个专门为 ML 构建的持续集成和持续交付 (CI/CD) 服务，它提供了一个管理端到端 ML 工作流的环境。 它可以节省时间并减少通常由手动编排引起的错误。

ML 工作流程的输出由 Amazon Pinpoint 导入以发送个性化消息，并导出到 Segment 以在针对显示渠道时使用。 下图提供了 ML 工作流程的可视化概览。

以下屏幕截图显示了一个示例输出文件。

使用倾向得分进行展示广告定位

工程和数字营销团队可以创建反向数据流回到 Segment 以扩大覆盖范围。 这使用了组合 AWS Lambda 和亚马逊 S3。 每次 ML 工作流生成新的输出文件并将其保存在受信任的 S3 存储桶中时，都会调用一个触发导出到 Segment 的 Lambda 函数。 然后，数字营销可以使用定期更新的倾向得分作为客户属性来构建受众并将其导出到细分目的地（参见以下屏幕截图）。 有关 Segment 导出的文件结构的更多信息，请参阅 来自 Lambda 的 Amazon S3.

当数据在细分中可用时，数字营销可以在创建客户细分时将 SageMaker 中开发的倾向得分视为属性。 他们可以产生相似的受众，以通过数字广告定位他们。 要创建反馈循环，数字营销必须确保将展示次数、点击次数和活动重新引入 Segment 以优化性能。

发送个性化的出站消息

活动交付团队可以实施和部署人工智能驱动的赢回活动，以重新吸引有流失风险的客户。 这些活动使用 SageMaker 中生成的客户联系人列表作为细分，同时与 Amazon Personalize 集成以提供个性化的产品推荐。 请参见下图。

数字营销团队可以尝试使用 Amazon Pinpoint 旅程将赢回部分拆分为子组，并将一定比例的用户保留为不参与活动的对照组。 这使他们能够衡量活动的影响并创建反馈循环。

整合实时推荐

为了个性化入站渠道，数字营销和工程团队合作集成和配置 Amazon Personalize，以便在客户旅程的不同阶段提供产品推荐。 例如，他们可以部署一个 类似物品 产品详细信息页面上的推荐器以建议补充项目（参见下图）。 此外，他们可以在结账过程中部署基于内容的过滤推荐器，以提醒客户在完成订单之前他们通常会购买的产品。

首先，工程团队需要创建 RESTful 微服务，通过产品推荐响应 Web、移动和其他渠道应用程序请求。 这些微服务调用 Amazon Personalize 来获取建议、将产品 ID 解析为更有意义的信息（如名称和价格）、检查库存水平，并根据用户的当前页面或屏幕确定要查询的 Amazon Personalize 活动端点。

前端和移动开发团队需要为他们的应用程序添加特定客户操作的跟踪事件。 然后他们可以使用 Segment 发送这些事件 直接实时到 Amazon Personalize. 这些跟踪事件与我们之前提取的用户项目数据相同。 它们允许 Amazon Personalize 解决方案根据实时客户交互优化建议。 捕获印象、产品浏览、购物车添加和购买是必不可少的，因为这些事件为推荐者创建了一个反馈循环。 Lambda 是一个中介，从 Segment 收集用户事件并将它们发送到 Amazon Personalize。 Lambda 还促进了反向数据交换，将用户的更新推荐转发回 Segment。 有关使用 Segment 和 Amazon Personalize 配置实时推荐的更多信息，请参阅 细分实时数据和 Amazon Personalize Workshop.

结论

这篇博文介绍了如何结合使用 Segment 客户数据平台和 AWS 服务（例如 Amazon SageMaker、Amazon Personalize 和 Amazon Pinpoint）来提供全渠道客户体验。 我们探讨了跨职能团队在客户旅程和数据价值链的每个阶段所扮演的角色。 讨论的架构和方法侧重于零售环境，但您可以将其应用于其他垂直领域，例如金融服务或媒体和娱乐。 如果您有兴趣尝试我们讨论的一些内容，请查看 零售演示店， 您可以在其中找到包括 Segment 和其他 AWS 合作伙伴在内的实践研讨会。

其他参考

有关其他信息，请参阅以下资源：

• 使用 Segment 的全渠道个性化
• 使用Amazon Personalize进行全渠道个性化
• 使用 Amazon SageMaker Pipelines 构建、调整和部署端到端流失预测模型
• 使用Amazon SageMaker自动化功能工程流水线
• 监控模型质量

关于细分市场

Segment 是 AWS 高级技术合作伙伴，并拥有以下 AWS 独立软件供应商 (ISV) 能力：数据与分析、数字客户体验、零售和机器学习。 Atlassian 和 Digital Ocean 等品牌使用由 Segment 提供支持的实时分析解决方案。

---

作者简介

道恩布朗 是位于伦敦的 AWS 的首席分析平台专家。 他是数据驱动的一切 (D2E) 客户计划的一员，在该计划中，他帮助客户变得更加以数据为驱动并以客户体验为中心。 他拥有数字分析、个性化和营销自动化方面的背景。 在业余时间，Dwayne 喜欢室内攀岩和探索大自然。

哈拉·加夫里利亚迪 是位于伦敦的 AWS 专业服务公司的高级数据分析策略师。 她利用数据、分析和机器学习帮助客户转变业务。 她专注于客户分析和数据策略。 Hara 喜欢在乡村散步，并喜欢在空闲时间探索当地的书店和瑜伽馆。

肯尼·拉詹 是高级合作伙伴解决方案架构师。 Kenny 通过展示 AWS 合作伙伴和 AWS 服务如何更好地协同工作，帮助客户充分利用 AWS 及其合作伙伴。 他对机器学习、数据、ERP 实施和云端基于语音的解决方案感兴趣。 工作之余，肯尼喜欢读书和帮助慈善活动。

• 硬币聪明。 欧洲最好的比特币和加密货币交易所。
• 柏拉图区块链。 Web3 元宇宙智能。 知识放大。 自由登入。
• 加密鹰。 山寨币雷达。 免费试用。
• 资料来源：https://aws.amazon.com/blogs/machine-learning/personalize-cross-channel-customer-experiences-with-amazon-sagemaker-amazon-personalize-and-segment/