Amazon Personalize рада объявить о новом следующем лучшем действии (aws-next-best-action) рецепт, который поможет вам определить, какие действия лучше всего предложить вашим отдельным пользователям, что позволит вам повысить лояльность к бренду и конверсию.

Amazon Personalize — это полностью управляемый сервис машинного обучения (ML), который позволяет разработчикам без труда предоставлять высоко персонализированный пользовательский интерфейс в режиме реального времени. Это позволяет вам улучшить взаимодействие с клиентами, предоставляя персонализированные рекомендации по продуктам и контенту на веб-сайтах, в приложениях и в целевых маркетинговых кампаниях. Вы можете начать работу, не имея предварительного опыта машинного обучения, используя API-интерфейсы, чтобы легко создавать сложные возможности персонализации за несколько кликов. Все ваши данные зашифрованы, чтобы обеспечить конфиденциальность и безопасность.

В этом посте мы покажем вам, как использовать рецепт «Следующее лучшее действие» для персонализации рекомендаций действий на основе прошлых взаимодействий, потребностей и поведения каждого пользователя.

Обзор решения

В условиях быстрого роста цифровых каналов и технологических достижений, которые делают гиперперсонализацию более доступной, брендам сложно определить, какие действия максимизируют вовлеченность каждого отдельного пользователя. Бренды либо показывают одни и те же действия всем пользователям, либо полагаются на традиционные подходы к сегментации пользователей, чтобы рекомендовать действия каждой группе пользователей. Однако этих подходов уже недостаточно, поскольку каждый пользователь ожидает уникального опыта и склонен отказываться от брендов, которые не понимают его потребностей. Кроме того, бренды не могут обновлять рекомендации по действиям в режиме реального времени из-за ручного характера процесса.

С помощью функции «Следующее лучшее действие» вы можете определить действия, которые с наибольшей вероятностью привлекут каждого отдельного пользователя, исходя из его предпочтений, потребностей и истории. Next Best Action учитывает интересы каждого пользователя во время сеанса и предоставляет рекомендации по действиям в режиме реального времени. Вы можете порекомендовать такие действия, как участие в программах лояльности, подписку на информационный бюллетень или журнал, изучение новой категории, загрузку приложения и другие действия, способствующие конверсии. Это позволит вам улучшить опыт каждого пользователя, предоставив ему рекомендации о действиях на протяжении всего пользовательского пути, которые помогут способствовать долгосрочному взаимодействию с брендом и увеличению дохода. Это также поможет повысить отдачу от маркетинговых инвестиций, рекомендуя действия, которые каждый пользователь с высокой вероятностью предпримет.

Партнерам AWS нравится Кредера в восторге от возможностей персонализации, которые Amazon Personalize Next Best Action откроет для своих клиентов.

«Amazon Personalize — это решение мирового класса для машинного обучения, которое позволяет компаниям создавать содержательный клиентский опыт в широком спектре вариантов использования без масштабной доработки или первоначальных затрат на внедрение, которые обычно требуются для решений такого типа. Мы очень рады добавлению функции «Следующее лучшее действие», которая позволит клиентам предоставлять персонализированные рекомендации по действиям, что значительно улучшит их цифровой опыт и повысит ценность бизнеса. В частности, мы ожидаем, что любой, кто работает в сфере розничной торговли или контента, увидит улучшение качества обслуживания своих клиентов и повышение конверсии как прямой результат использования Amazon Personalize. Мы очень рады стать партнером AWS по запуску этого выпуска и с нетерпением ждем возможности предоставить компаниям возможность внедрять персонализированные решения на основе машинного обучения с помощью Next Best Action».

– Джейсон Гот, партнер и технический директор Credera.

Примеры использования

Чтобы более подробно изучить влияние этой новой функции, давайте рассмотрим пример, взяв трех пользователей: A (User_id 11999), Б (User_id 17141) и С (User_id 8103), которые находятся на разных этапах своего пользовательского пути при совершении покупок на веб-сайте. Затем мы видим, как Next Best Action предлагает оптимальные действия для каждого пользователя на основе его прошлых взаимодействий и предпочтений.

Сначала мы смотрим на набор данных о взаимодействиях действий, чтобы понять, как пользователи взаимодействовали с действиями в прошлом. В следующем примере показаны три пользователя и их различные модели покупок. Пользователь А является частым покупателем и в прошлом совершал покупки в основном в категориях «Красота и уход» и «Ювелирные изделия». Пользователь Б — случайный покупатель, совершивший в прошлом несколько покупок в категории «Электроника», а Пользователь В — новый пользователь на сайте, совершивший первую покупку в категории «Одежда».

Традиционно бренды либо показывают одни и те же действия всем пользователям, либо используют стратегии сегментации пользователей, чтобы рекомендовать действия своей пользовательской базе. В следующей таблице приведен пример бренда, демонстрирующего один и тот же набор действий всем пользователям. Эти действия могут иметь или не иметь отношение к пользователям, снижая их взаимодействие с брендом.

Теперь давайте воспользуемся «Следующим лучшим действием», чтобы рекомендовать действия для каждого пользователя. После того как вы определите действия, подпадающие под рекомендации, aws-next-best-action Рецепт возвращает ранжированный список действий, персонализированный для каждого пользователя, на основе склонности пользователя (вероятность выполнения пользователем определенного действия в диапазоне от 0,0 до 1,0) и ценности этого действия, если оно предусмотрено. Для целей этой статьи мы учитываем только склонности пользователей.

В следующем примере мы видим, что для пользователя А (частый покупатель) «Подписаться на программу лояльности» является наиболее рекомендуемым действием с показателем склонности 1,00. Это означает, что этот пользователь с наибольшей вероятностью зарегистрируется в программе лояльности, поскольку он сделал многочисленные покупки. Таким образом, рекомендация действия «Подписаться на программу лояльности» пользователю А имеет высокую вероятность увеличения вовлеченности пользователя А.

Аналогичным образом, пользователь Б (персонаж случайного покупателя) с большей вероятностью продолжит совершать покупки в категории «Электроника», а также покупать новые продукты в аналогичной категории «Умные дома». Поэтому Next Best Action рекомендует вам расставить приоритеты в действиях: «Покупка» в категории «Электроника» и «Покупка в категории «Умные дома». Это означает, что если вы предложите пользователю Б покупать продукты в этих двух категориях, это может привести к большей вовлеченности. Мы также заметили, что действие «Подписаться на программу лояльности» рекомендуется пользователю Б, но с более низким показателем склонности 0,71 по сравнению с пользователем А, чей показатель склонности равен 1,0. Это связано с тем, что пользователи, которые имеют более глубокую историю и находятся дальше на пути к покупкам, получают больше выгоды от программ лояльности из-за дополнительных преимуществ и, скорее всего, будут больше взаимодействовать.

Наконец, мы видим, что следующим лучшим действием для пользователя C является покупка в категории «Сумки и обувь», что аналогично предыдущему действию «Покупка в категории «Одежда». Мы также видим, что показатель склонности к загрузке мобильного приложения относительно ниже (0,48), чем у другого действия, покупки в категории «Сумки и обувь», у которого показатель склонности выше — 0,60. Это означает, что если вы порекомендуете пользователю C приобретать товары в дополнительной категории («Сумки и обувь») вместо загрузки мобильного приложения, он с большей вероятностью останется приверженцем вашего бренда и продолжит совершать покупки в будущем.

Для получения более подробной информации о том, как реализовать следующее лучшее действие (aws-next-best-action) рецепт см. в документации.

Заключение

Новый рецепт «Следующее лучшее действие» в Amazon Personalize поможет вам рекомендовать правильные действия нужному пользователю в режиме реального времени с учетом его индивидуального поведения и потребностей. Это позволит вам максимизировать вовлеченность пользователей и привести к повышению коэффициента конверсии.

Дополнительную информацию об Amazon Personalize см. в Руководстве разработчика Amazon Personalize.

Об авторах

Шрия Шарма — старший технический менеджер по продукту, работающий с AWS AI/ML в Amazon Personalize. У нее есть опыт работы в области компьютерных наук, технологического консалтинга и анализа данных. В свободное время она любит путешествовать, выступать в театре и пробовать новые приключения.

Пранеш Анубхав — старший инженер-программист в Amazon Personalize. Он увлечен разработкой систем машинного обучения для обслуживания клиентов в больших масштабах. Вне работы он любит играть в футбол и является страстным болельщиком «Реала».

Аникет Дешмук — научный сотрудник в лабораториях AWS AI, поддерживающих Amazon Personalize. Аникет работает в общей области рекомендательных систем, контекстных бандитов и мультимодального глубокого обучения.