Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Predictive Insights (Vorschau)
Predictive Insights (Preview) ist eine Funktion von Amazon Connect Customer Profiles, die künstliche Intelligenz nutzt, um personalisierte Produkt- und Inhaltsempfehlungen für Ihre Kunden zu generieren. Durch die Analyse von Kundeninteraktionsdaten hilft Ihnen Predictive Insights dabei, relevantere Erlebnisse an allen Kundenkontaktpunkten bereitzustellen.
So funktioniert Predictive Insights
Predictive Insights (Vorschau) verwendet KI-Modelle, um Kundenverhaltensmuster zu analysieren und Empfehlungen in Echtzeit zu generieren. Der Service verarbeitet Ihre Kundeninteraktionsdaten wie Kaufhistorie und Surfaktivitäten, um Muster und Präferenzen zu identifizieren.
-
Schritt 1: Fügen Sie mithilfe vorhandener Datenkonnektoren Interaktionsdaten zu Profilen hinzu, um KI-Modelle mit Ihren Kundeninteraktionsdaten zu trainieren
-
Schritt 2: Fügen Sie den Artikelkatalog zu S3 hinzu, damit Kundenprofile über die auf Ihre Artikeldaten zugreifen können AWS-Managementkonsole
-
Schritt 3: Erstellen Sie Empfehlungen, indem Sie Empfehlungstypen definieren (ähnliche Artikel, häufig gepaarte Artikel, beliebte Artikel)
-
Schritt 4: Wenden Sie Empfehlungen im gesamten Amazon Connect-Ökosystem an, einschließlich Agent Workspace, Flows und Connect AI-Agenten
Voraussetzungen
-
Aktivieren Sie den Datenspeicher in Kundenprofilen
Um KI-Modelle mithilfe Ihrer Kundenprofile zu trainieren, müssen Sie den Datenspeicher aktivieren. Weitere Informationen finden Sie unter Kundenprofil-Datenspeicher.
-
KMS
Sie haben Kundenprofile so konfiguriert, dass Ihre Daten unter a AWS KMS key verschlüsselt werden.
-
Sicherheitsprofile
Sie haben Sicherheitsprofile so konfiguriert, dass sie die Berechtigungen Anzeigen (Auflisten und Anzeigen vorausschauender Erkenntnisse), Erstellen (Empfehlungen erstellen), Löschen (Empfehlungen löschen) und Bearbeiten (Empfehlungen aktualisieren) unterstützen, wenn Predictive Insights aktiviert ist.
Vorteile der Verwendung von Predictive Insights
Die Verwendung von Predictive Insights bietet mehrere wichtige Vorteile:
-
Verbessern Sie das Kundenerlebnis mit personalisierten Empfehlungen
-
Erhöhen Sie Ihre Verkaufschancen durch relevante Produktvorschläge
-
Sparen Sie Ihren Mitarbeitern Zeit, indem Sie automatisch relevante Empfehlungen anzeigen
-
Geben Sie konsistente Empfehlungen an allen Kundenkontaktpunkten
-
Aktualisieren Sie Vorschläge in Echtzeit, wenn sich das Kundenverhalten ändert
Überlegungen zu Daten
In den folgenden Abschnitten finden Sie Hinweise zur Zuordnung von Anwendungsfällen und zur Bewertung der Datenverfügbarkeit für Predictive Insights.
Haben Sie Ihre Anwendungsfälle mit Predictive Insights abgeglichen?
Die Personalisierungstypen von Predictive Insights eignen sich für die folgenden Anwendungsfälle:
-
Generierung personalisierter Empfehlungen für einen Benutzer
-
Empfehlen ähnlicher oder verwandter Artikel
-
Empfehlen von trendigen oder beliebten Artikeln
-
Artikel nach Relevanz nachbestellen
Haben Sie genügend Daten zur Interaktion mit Artikeln?
Für alle Anwendungsfälle und Personalisierungstypen müssen Sie mindestens 1.000 Artikelinteraktionen für 25 einzelne Benutzer mit jeweils mindestens zwei Interaktionen haben. Für Qualitätsempfehlungen empfehlen wir, mindestens 50.000 Artikelinteraktionen von mindestens 1.000 Benutzern mit jeweils zwei oder mehr Artikelinteraktionen durchzuführen.
Verfügen Sie über eine Event-Streaming-Architektur in Echtzeit?
Wenn Sie Ereignisse in Echtzeit auf Connect Customer Profiles streamen können, können Sie die Vorteile der Personalisierung in Echtzeit nutzen. Bei einigen Personalisierungsarten kann Predictive Insights aus den neuesten Aktivitäten Ihrer Benutzer lernen und Empfehlungen aktualisieren, während sie Ihre Anwendung verwenden.
Sind Ihre Daten für Predictive Insights optimiert?
Wir empfehlen Ihnen, Ihre Daten auf Folgendes zu überprüfen:
-
Prüfen Sie, ob Werte fehlen. Wir empfehlen, dass mindestens 70% Ihrer Datensätze Daten für jedes Attribut enthalten. Wir empfehlen, dass Spalten, die Nullwerte zulassen, zu mindestens 70% vollständig sind.
-
Korrigieren Sie alle Ungenauigkeiten oder Probleme in Ihren Daten, wie z. B. inkonsistente Namenskonventionen, doppelte Kategorien für ein Element, nicht übereinstimmende IDs Datensätze oder Duplikate. IDs Diese Probleme können sich negativ auf Empfehlungen auswirken oder zu unerwartetem Verhalten führen. Beispielsweise könnten Sie beide „N/A” and “Not Applicable” in your data, but filter out recommendations based on only “N/A“ haben. Mit „Nicht zutreffend“ markierte Elemente würden durch den Filter nicht entfernt.
-
Wenn ein Element, ein Benutzer oder eine Aktion mehrere Kategorien haben kann, z. B. ein Film mit mehreren Genres, kombinieren Sie die kategorialen Werte zu einem Attribut und trennen Sie die einzelnen Werte mit dem Operator |. Die GENRES-Daten eines Films könnten beispielsweise Action | Adventure | Thriller lauten.
-
Vermeiden Sie mehr als 1000 mögliche Kategorien für eine Spalte (es sei denn, die Spalte enthält Daten, die nur zu Filterzwecken dienen).
