[ad_1]
Amazon Personalize se complace en anunciar la nueva Next Best Action (aws-next-best-action
) receta para ayudarle a identificar las mejores acciones para sugerir a sus usuarios individuales para aumentar la lealtad y la conversión a la marca.
Amazon Personalize es un servicio de aprendizaje automático (ML) totalmente administrado que permite a los desarrolladores ofrecer fácilmente experiencias de usuario altamente personalizadas en tiempo real. Le permite mejorar la fidelidad de los clientes al permitir recomendaciones personalizadas de productos y contenidos en sitios web, aplicaciones y campañas de marketing específicas. Puede comenzar sin experiencia previa en aprendizaje automático y utilizar API para crear fácilmente funciones de personalización sofisticadas con solo unos pocos clics. Todos sus datos están encriptados para que sean privados y seguros.
En esta publicación, le mostraremos cómo utilizar la receta de la próxima mejor acción para personalizar las recomendaciones de acción en función de las interacciones, necesidades y comportamientos anteriores de cada usuario.
Descripción general de la solución
Con el rápido crecimiento de los canales digitales y los avances tecnológicos que hacen que la hiperpersonalización sea más accesible, a las marcas les resulta difícil determinar qué acciones maximizarán la participación de cada usuario individual. Las marcas muestran las mismas acciones a todos los usuarios o se basan en enfoques tradicionales de segmentación de usuarios para recomendar acciones a cada cohorte de usuarios. Sin embargo, estos enfoques ya no son suficientes porque cada usuario espera una experiencia única y tiende a abandonar las marcas que no comprenden sus necesidades. Además, debido a la naturaleza manual del proceso, las marcas no pueden actualizar las recomendaciones de acción en tiempo real.
Next Best Action le permite determinar las acciones que tienen la mayor probabilidad de dirigirse a cada usuario individual en función de sus preferencias, necesidades e historial. Next Best Action tiene en cuenta los intereses de cada usuario durante la sesión y proporciona recomendaciones de acciones en tiempo real. Puede recomendar acciones como registrarse en programas de fidelización, suscribirse a un boletín o revista, explorar una nueva categoría, descargar una aplicación y otras acciones que fomenten la conversión. Esto le permite mejorar la experiencia de cada usuario brindándole recomendaciones de acciones a lo largo de su recorrido como usuario que ayudan a impulsar el compromiso con la marca y las ventas a largo plazo. También ayuda a mejorar el retorno de la inversión en marketing al recomendar a cada usuario la acción que es más probable que realice.
Los socios de AWS como Credera están entusiasmados con las posibilidades de personalización que Amazon Personalize Next Best Action abre para sus clientes.
“Amazon Personalize es la mejor solución de aprendizaje automático de su clase que permite a las empresas crear experiencias significativas para los clientes en una variedad de casos de uso sin el gran retrabajo o los costos iniciales de implementación que normalmente se requieren para este tipo de soluciones. Estamos entusiasmados con la incorporación de la función Next Best Action, que permite a los clientes brindar recomendaciones de acciones personalizadas, mejorando significativamente sus experiencias digitales e impulsando valor comercial adicional. En particular, esperamos que cualquier persona que trabaje en el sector minorista o de contenidos experimente una experiencia mejorada para sus clientes y mayores conversiones como resultado directo del uso de Amazon Personalize. Estamos entusiasmados de ser un socio de lanzamiento de AWS para esta versión y esperamos ayudar a las empresas a avanzar en soluciones personalizadas basadas en ML con Next Best Action”.
– Jason Goth, socio y director de tecnología, Credera.
Casos de uso de ejemplo
Para explorar el impacto de esta nueva característica con más detalle, veamos un ejemplo usando tres usuarios: A (User_id
11999), B (User_id
17141) y C (User_id
8103) que se encuentran en diferentes fases de su recorrido de usuario al comprar en un sitio web. Luego vemos cómo Next Best Action sugiere las acciones óptimas para cada usuario en función de sus interacciones y preferencias pasadas.
Primero, veamos el conjunto de datos de interacción de acciones para comprender cómo los usuarios han interactuado con acciones en el pasado. El siguiente ejemplo muestra a los tres usuarios y sus diferentes comportamientos de compra. El usuario A es un comprador frecuente e históricamente ha comprado principalmente en las categorías de Belleza y cuidado y Joyería. El usuario B es un comprador ocasional que realizó algunas compras en la categoría Electrónica en el pasado y el Usuario C es un usuario nuevo del sitio que realizó su primera compra en la categoría Ropa.
Tipo de usuario | ID de usuario | Comportamiento | Tipo_Evento_Acción | marca de tiempo |
Usuario A | 11999 | Compra en la categoría Belleza y Cuidado. | tomado | 2023-09-17 20:03:05 |
Usuario A | 11999 | Compra en la categoría Belleza y Cuidado. | tomado | 2023-09-18 19:28:38 |
Usuario A | 11999 | Compra en la categoría Belleza y Cuidado. | tomado | 2023-09-20 17:49:52 |
Usuario A | 11999 | Compra en la categoría Joyería. | tomado | 26 de septiembre de 2023 6:36:16 p.m. |
Usuario A | 11999 | Compra en la categoría Belleza y Cuidado. | tomado | 30 de septiembre de 2023 19:21:05 |
Usuario A | 11999 | Descarga la aplicación móvil | tomado | 30 de septiembre de 2023 19:29:35 |
Usuario A | 11999 | Compra en la categoría Joyería. | tomado | 2023-10-01 19:35:47 |
Usuario A | 11999 | Compra en la categoría Belleza y Cuidado. | tomado | 2023-10-04 19:19:34 |
Usuario A | 11999 | Compra en la categoría Joyería. | tomado | 2023-10-06 20:38:55 |
Usuario A | 11999 | Compra en la categoría Belleza y Cuidado. | tomado | 2023-10-10 20:17:07 |
Usuario B | 17141 | Compra en la categoría Electrónica. | tomado | 29 de septiembre de 2023 20:17:49 |
Usuario B | 17141 | Compra en la categoría Electrónica. | tomado | 2023-10-02 00:38:08 |
Usuario B | 17141 | Compra en la categoría Electrónica. | tomado | 2023-10-07 11:04:56 |
Usuario C | 8103 | Compra en la categoría Ropa. | tomado | 26 de septiembre de 2023 6:30:56 p.m. |
Tradicionalmente, las marcas muestran las mismas acciones a todos los usuarios o utilizan estrategias de segmentación de usuarios para recomendar acciones a su base de usuarios. La siguiente tabla es un ejemplo de una marca que muestra las mismas acciones a todos los usuarios. Estas acciones pueden o no ser relevantes para los usuarios, reduciendo su compromiso con la marca.
Tipo de usuario | ID de usuario | Recomendaciones de acción | Rango de la acción |
Usuario A | 11999 | Suscríbete al programa de fidelización | 1 |
Usuario A | 11999 | Descarga la aplicación móvil | 2 |
Usuario A | 11999 | Compra en la categoría Electrónica. | 3 |
Usuario B | 17141 | Suscríbete al programa de fidelización | 1 |
Usuario B | 17141 | Descarga la aplicación móvil | 2 |
Usuario B | 17141 | Compra en la categoría Electrónica. | 3 |
Usuario C | 8103 | Suscríbete al programa de fidelización | 1 |
Usuario C | 8103 | Descarga la aplicación móvil | 2 |
Usuario C | 8103 | Compra en la categoría Electrónica. | 3 |
Ahora usemos Next Best Action para recomendar acciones para cada usuario. Después de haber definido las acciones elegibles para recomendaciones, el aws-next-best-action
La receta devuelve una lista clasificada de acciones personalizadas para cada usuario en función de la propensión del usuario (la probabilidad de que un usuario realice una acción determinada, que oscila entre 0,0 y 1,0) y el valor de esa acción, si se indica. A los efectos de esta publicación, solo consideramos la propensión del usuario.
En el siguiente ejemplo, vemos que para el usuario A (comprador frecuente), suscribirse al programa de fidelización es la acción más recomendada con una puntuación de propensión de 1,00, lo que significa que es más probable que este usuario se registre en el programa de fidelización porque Ha realizado numerosas compras. Por lo tanto, existe una alta probabilidad de que recomendar la acción «Suscribirse al programa de fidelización» al Usuario A resulte en un aumento en la participación del Usuario A.
Tipo de usuario | ID de usuario | Recomendaciones de acción | Rango de la acción | Puntuación de propensión |
Usuario A | 11999 | Suscríbete al programa de fidelización | 1 | 1.00 |
Usuario A | 11999 | Compra en la categoría Joyería. | 2 | 0,86 |
Usuario A | 11999 | Compra en la categoría Belleza y Cuidado. | 3 | 0,85 |
Usuario B | 17141 | Compra en la categoría Electrónica. | 1 | 0,78 |
Usuario B | 17141 | Suscríbete al programa de fidelización | 2 | 0,71 |
Usuario B | 17141 | Compra en la categoría “Casas inteligentes”. | 3 | 0,66 |
Usuario C | 8103 | Compre en la categoría Bolsos y zapatos. | 1 | 0,60 |
Usuario C | 8103 | Descarga la aplicación móvil | 2 | 0,48 |
Usuario C | 8103 | Compra en la categoría Ropa. | 3 | 0,46 |
Asimismo, el Usuario B (persona compradora casual) tiene una mayor probabilidad de continuar comprando en la categoría Electrónica y también de adquirir nuevos productos en una categoría similar, Hogares Inteligentes. Por ello, Next Best Action recomienda priorizar acciones: comprar en la categoría “Electrónica” y comprar en la categoría “Smart Homes”. Esto significa que alentar al usuario B a comprar productos en estas dos categorías puede generar una mayor participación. También observamos que la acción de suscribirse al programa de fidelización se recomienda al Usuario B, pero con una puntuación de propensión inferior, 0,71, en comparación con el Usuario A, cuyo puntaje de propensión es 1,0. Esto se debe a que los usuarios que tienen un historial más profundo y están más avanzados en su proceso de compras se benefician más de los programas de fidelización debido a los beneficios adicionales y es más probable que interactúen con más frecuencia.
Finalmente, vemos que la siguiente mejor acción para el usuario C es comprar en la categoría “Bolsos y zapatos”, que es similar a la acción anterior “Comprar en la categoría “Ropa”. También vemos que la puntuación de propensión a descargar la aplicación móvil es relativamente menor (0,48) que otra acción, comprar en la categoría Bolsos y Zapatos, que tiene una puntuación de propensión más alta de 0,60. Esto significa que si recomienda al Usuario C que compre productos en una categoría complementaria (“Bolsos y zapatos”) en lugar de descargar la aplicación móvil, es más probable que permanezca leal a su marca y continúe comprando en el futuro.
Obtenga más información sobre cómo implementar la próxima mejor acción (aws-next-best-action
) La receta se puede encontrar en la documentación.
Diploma
La nueva receta Next Best Action de Amazon Personalize le ayuda a recomendar las acciones correctas al usuario adecuado en tiempo real en función de su comportamiento y necesidades individuales. Esto le permite maximizar la participación del usuario y generar tasas de conversión más altas.
Para obtener más información sobre Amazon Personalize, consulte la Guía para desarrolladores de Amazon Personalize.
Sobre los autores
Sharma Sharma es un gerente técnico senior de productos que trabaja con AWS AI/ML en Amazon Personalize. Tiene experiencia en informática, consultoría tecnológica y análisis de datos. En su tiempo libre le gusta viajar, actuar y probar nuevas aventuras.
Pranesh Anubhav es ingeniero de software sénior en Amazon Personalize. Le apasiona desarrollar sistemas de aprendizaje automático para atender a los clientes a escala. Fuera del trabajo, le gusta jugar al fútbol y es un ávido seguidor del Real Madrid.
Aniket Deshmukh es un científico aplicado en los laboratorios de IA de AWS que respaldan a Amazon Personalize. Aniket trabaja en el área general de sistemas de recomendación, bandidos contextuales y aprendizaje profundo multimodal.
[ad_2]