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 # Beginnen Sie mit Predictive Insights Gehen Sie wie folgt vor, um mit der Nutzung von Predictive Insights zu beginnen: **Topics** + [Schritt 1: Hinzufügen von Interaktionsdaten zu Kundenprofilen](#add-interaction-data) + [Schritt 2: Artikelkatalogdaten hinzufügen](#add-item-catalog-data) + [Schritt 3: Predictive Insights erstellen](#create-predictive-insights) + [Schritt 4: Nutzung von Predictive Insights auf allen Kanälen zur Kundenbindung](#use-across-customer-engagement-channels) ## Schritt 1: Hinzufügen von Interaktionsdaten zu Kundenprofilen Sie können die vorhandenen Datenkonnektoren in Kundenprofilen nutzen, um Interaktionsdaten einem standardmäßigen Web Analytics-Objekt zuzuordnen. Weitere Informationen finden Sie unter [Objekttyp-Zuordnung für Web Analytics-Objekt](standard-loyalty-promotion-object-mapping-web-analytics.md). ## Schritt 2: Artikelkatalogdaten hinzufügen Sie können einzelne Produkte in Ihrem Katalog innerhalb der Domain mithilfe von Standardkatalogdaten darstellen. Diese Katalogdaten existieren auf Domainebene und sind nicht an ein bestimmtes Kundenprofil gebunden. Sie dienen als strukturierte Darstellung Ihrer Produkte, die für Personalisierungsfunktionen genutzt werden kann. Sie können Ihre Produkt- oder Artikelinformationen als Domänenobjekte in Kundenprofile importieren, indem Sie Datenkonnektoren verwenden, die flexible Optionen für die Erfassung und Verwaltung Ihrer Kataloginformationen bieten und sicherstellen, dass Ihre Produktdaten aktuell und innerhalb des Systems zugänglich bleiben. Weitere Informationen finden Sie unter [Objekttyp-Zuordnung für den Artikelkatalog](standard-loyalty-promotion-object-mapping-item-catalog.md). ## Schritt 3: Predictive Insights erstellen Mit Amazon Connect können Sie spezielle KI-Modelle erstellen und einsetzen, die auf Ihre spezifischen Produktempfehlungsanforderungen zugeschnitten sind. Diese Modelle können entweder über die Connect-Weboberfläche oder programmgesteuert konfiguriert werden, APIs um sie an Ihre individuellen Geschäftsszenarien anzupassen. Predictive Insights bietet verschiedene Arten von Empfehlungen: 1. **Für Sie empfohlen** — bietet personalisierte Empfehlungen, die auf einen bestimmten Benutzer zugeschnitten sind. Empfehlungen basieren auf dem Verhalten des Benutzers in der Vergangenheit, z. B. auf Clickstream-Ereignissen, Kaufereignissen, konsumierten Inhalten usw. 1. **Ähnliche Artikel** — verwendet generative KI, um Artikel zu finden, die thematisch einem vorhandenen Artikel im Katalog ähneln. Es ist ideal für Upselling- oder Substitutionsanwendungen, in denen Kunden ihren Nutzern alternative Artikel empfehlen möchten. 1. **Häufig gepaarte Artikel** — empfiehlt Artikel, die häufig zusammen mit einem vorhandenen Artikel im Katalog verwendet werden. Es ist ideal für Cross-Selling oder ergänzende Produktempfehlungen. 1. **Beliebte Artikel** — dient dazu, die Artikel zu empfehlen, mit denen Benutzer am häufigsten interagieren. 1. **Aktuell im Trend**: Es werden Artikel empfohlen, bei denen die Interaktionsgeschwindigkeit in letzter Zeit am stärksten zugenommen hat. Es wurde entwickelt, um Elemente aufzudecken, die bei Benutzerinteraktionen virale Auswirkungen haben. **Anmerkung** Die Aktivierung von KI-Modellen mit Predictive Insights ist als Vorschauversion verfügbar. In future können zusätzliche Preise anfallen. **Artikelbeschränkungen nach Empfehlungstyp** In der folgenden Tabelle wird die maximale Anzahl von Elementen beschrieben, die je nach verwendetem Empfehlungstyp für die Empfehlungsgenerierung berücksichtigt werden. | **Art der Empfehlung** | **Beschreibung** | **Limit** | | --- | --- | --- | | Für Sie empfohlen | Maximale Anzahl von Elementen, die für prädiktive Erkenntnisse berücksichtigt werden | 40 Millionen | | Ähnliche Artikel | Maximale Anzahl von Elementen, die für prädiktive Erkenntnisse berücksichtigt werden | 10 Millionen | | Alle anderen Geschäftsszenarien | Maximale Anzahl von Elementen, die für prädiktive Erkenntnisse berücksichtigt werden | 750.000 | ## Schritt 4: Nutzung von Predictive Insights auf allen Kanälen zur Kundenbindung ### Empfehlungen für Kundenprofile in Connect Flows verwenden In diesem Abschnitt wird beschrieben, wie Sie den Ablaufblock Kundenprofile abrufen Profilempfehlungen abrufen verwenden können, um die Benutzererfahrung während eines Kontakts zu verbessern, indem KI-gestützte Empfehlungen für ein Profil in Echtzeit generiert werden. **Eigenschaften von Flow-Blocks** Der Flow-Block „**Profilempfehlungen abrufen**“ verfügt über die folgenden Eigenschaften, die konfiguriert werden müssen: 1. **Profil-ID (erforderlich):** Eine Profil-ID ist erforderlich, damit dieser Block funktioniert. Der Flussblock „**Profilempfehlungen abrufen**“ generiert Empfehlungen für die hier angegebene Profil-ID. Sie haben die Möglichkeit, die Profil-ID manuell einzugeben oder einen vordefinierten Wert zu verwenden, der in einem Attribut gespeichert ist. Wenn Sie einen vordefinierten Wert verwenden, stellen Sie sicher, dass Sie die Profil-ID mithilfe eines vorangegangenen Blocks „**Profil abrufen**“ angeben. Verwenden **Sie den Block „Profil abrufen**“, um das spezifische Profil zu ermitteln, bevor Sie mit der Generierung von Empfehlungen im nachfolgenden Block fortfahren. 1. **Name des Empfehlungsgebers (erforderlich):** Ein Empfehlungsname ist erforderlich, damit dieser Block funktioniert. Dies ist der Name des Empfehlungsgebers, den Sie verwenden möchten, um Empfehlungen für die angegebene Profil-ID zu generieren. Sie können nur aktive Empfehlungsgeber verwenden, um Empfehlungen zu generieren. 1. **Max. Ergebnisse (erforderlich):** Die maximale Anzahl von Empfehlungen, die für die angegebene Profil-ID generiert werden sollen. Dies kann zwischen 1 und 3 Empfehlungen liegen. 1. **Empfehlungsattribute (erforderlich):** Definieren Sie, welche Attribute der Antwort auf Empfehlungen im Kontaktattribut beibehalten werden sollen. 1. **Artikel-ID:** Dies ist die Artikel-ID, die als zusätzlicher Kontext zur Generierung von Empfehlungen für die angegebene Profil-ID bereitgestellt wird. Die Artikel-ID ist nur erforderlich, wenn der Empfehlungstyp „*Ähnliche Artikel“* oder „*Häufig gepaarte Artikel“* verwendet wird. Sie haben die Möglichkeit, die Profil-ID manuell einzugeben oder einen vordefinierten Wert zu verwenden, der in einem Attribut gespeichert ist. Wenn Sie einen vordefinierten Wert verwenden, stellen Sie sicher, dass Sie die Artikel-ID mithilfe eines vorherigen Blocks „**Berechnete Attribute abrufen**“ angeben. Verwenden **Sie den Block Berechnete Attribute abrufen**, um die spezifische Artikel-ID zu ermitteln, bevor Sie mit der Generierung von Empfehlungen im nachfolgenden Block fortfahren. **Zweige des Flow Blocks** Der Flow-Block „**Profilempfehlungen abrufen**“ kann Kontakte über die folgenden Zweige weiterleiten: 1. **Erfolg:** Empfehlungen wurden erfolgreich für die angegebene Profil-ID generiert. Ausgewählte Empfehlungsattribute wurden im Kontaktattribut \$1.Customer.Recommendations gespeichert. 1. **Fehler:** Beim Versuch, Empfehlungen zu generieren, ist ein Fehler aufgetreten. Dies kann auf einen Systemfehler oder auf die Konfiguration des Blocks „**Profilempfehlungen abrufen**“ zurückzuführen sein. 1. **Keine gefunden:** Es konnten keine Empfehlungen generiert werden. **Empfehlungen aus dem Block verwenden** Die Antwort auf Empfehlungen wird im Kontaktattribut \$1.Customer.Recommendations JSONPath als JSON-Liste von Empfehlungsobjekten gespeichert. **Jedes Empfehlungsobjekt enthält die ausgewählten Empfehlungsattribute.** Der folgende Python-Codeausschnitt aus einer Lambda-Funktion zeigt, wie er verwendet werden kann, um Empfehlungen aus dem Block **Get profile recommendations** zu transformieren und in andere Kontaktattribute beizubehalten, sodass die Empfehlungen in nachfolgenden Blöcken verwendet werden können. ``` import boto3 import json # Handle lambda request def lambda_handler(event, context): print("Contact flow data: ", event) # Transform recommendations recommendations = event['Details']['Parameters']['Recommendations'] contact_attributes = {} for i, rec in enumerate(recommendations): contact_attributes.update(flatten(rec, i)) # Set contact attributes using each recommendation attribute value print("Setting contact attributes: ", contact_attributes) try: client = boto3.client('connect', region_name="us-west-2") client.update_contact_attributes( InstanceId=event['Details']['ContactData']['InstanceARN'].rsplit('/', 1)[1], InitialContactId=event['Details']['ContactData']['InitialContactId'], Attributes=contact_attributes ) print("Contact attributes set successfully.") except Exception as e: print("Error setting contact attributes: ", e) # Success response return { 'statusCode': 200, 'body': json.dumps('Success') } # Flatten a nested object into a simple string:string object def flatten(recommendation, index): flat = {} for key, value in recommendation.items(): if isinstance(value, dict): flat.update(flatten(value, index)) else: flat[f"Rec{index}_{key}"] = str(value) return flat ``` Sobald Sie Ihren Flow mit dem Block „**Profilempfehlungen abrufen**“ eingerichtet haben, können Sie ihn verwenden, um Empfehlungen für Ihre Kunden während ihrer Kontakte zu generieren. ### Verwenden von Kundenprofilempfehlungen in ausgehenden Kampagnen Sie können Predictive Insights in ausgehende Amazon Connect Connect-Kampagnen integrieren, um personalisierte Empfehlungen über E-Mail- und SMS-Kanäle bereitzustellen. Wenn Sie eine ereignisgesteuerte Kampagne erstellen, können Sie den Bereich Empfehlungen so konfigurieren, dass automatisch KI-gestützte Empfehlungen für Kundenprofile generiert werden, die mit der Kampagne verknüpft sind. Diese Integration verwendet die Web Analytics-Objektzuordnung als Ereigniskategorie, um Kundeninteraktionsdaten zu erfassen, sodass die Empfehlungsmaschine relevante und gezielte Vorschläge auf der Grundlage des Kundenverhaltens unterbreiten kann. step-by-stepAnweisungen zur Konfiguration von Empfehlungen in ereignisgesteuerten Kampagnen finden Sie unter. [Erstellen einer ausgehenden Kampagne mit Ereignisauslösern](how-to-create-campaigns-using-event-triggers.md) ### Connect AI-Agenten für Verkaufsempfehlungen einrichten Amazon Q in Connect erweitert die Agentenfunktionen durch seinen neuen Agententyp „Orchestration“. Diese Funktion ist besonders nützlich für die Einrichtung eines AI-Vertriebsagenten, der Artikelempfehlungen geben kann. Dies ist besonders nützlich in Upselling- und Cross-Selling-Szenarien. **Erste Schritte** Um mit der Implementierung zu beginnen, greifen Sie auf Amazon Connect zu AWS-Managementkonsole und navigieren Sie zu Amazon Connect. Nachdem Sie sich über die Zugriffs-URL bei Ihrer Connect-Instance angemeldet haben, suchen Sie im Menü auf der linken Seite nach Amazon Q und wählen Sie AI-Agenten aus. Auf der QiC-Seite unter AI Agents finden Sie einen vorkonfigurierten AI-Agenten vom Typ Orchestration (SalesAgent) im Entwurfsstatus. Diese Vorlage enthält alle erforderlichen Konfigurationen für 1P-Tools und enthält Beispielaufforderungen für Empfehlungen. **Erstellen Sie Ihren benutzerdefinierten Agenten** Um einen benutzerdefinierten Vertriebsagenten zu erstellen, erstellen Sie zunächst einen neuen AI-Agenten vom Typ Orchestration und kopieren Sie ihn aus der vorhandenen SalesAgent Vorlage. Bei diesem Vorgang werden alle Tools und Konfigurationen aus der Vorlage auf Ihren neuen Agenten übertragen. **Den Agenten anpassen** Wenn es darum geht, die Eingabeaufforderung des Agenten zu aktualisieren, haben Administratoren zwei Hauptoptionen. Sie können entweder ihre bestehende Agentenaufforderung an die Eingabeaufforderung für Vertriebsmitarbeiter anhängen und Anweisungen zur Upselling-Identifizierung hinzufügen, oder sie können neu beginnen, indem sie die SalesAgent Aufforderung entfernen und eine neue Orchestrierungsaufforderung erstellen, die auf ihrem aktuell veröffentlichten Agenten basiert, und ihr die Vertriebsmitarbeiter-Aufforderung hinzufügen. Diese Flexibilität ermöglicht maßgeschneiderte Lösungen, die auf spezifische Geschäftsanforderungen und Domänenanforderungen zugeschnitten sind. **Konfiguration und Integration von Abläufen** Nachdem Sie die Agentenkonfiguration abgeschlossen und veröffentlicht haben, besteht der nächste Schritt darin, einen Amazon Lex Lex-Bot unter Flows zu erstellen. Der eingehende Flow muss aktualisiert werden, sodass er den GetCustomerInput Block mit dem erstellten Lex-Bot enthält, und der neue Block SalesAgent sollte in zusätzlichen Optionen ausgewählt werden. Sie müssen sowohl den Flow-Block Kundenprofil für den Abruf der Profil-ID als auch den Flow-Block Set-Contact Attributes hinzufügen und CustomerId als Schlüssel für die Profil-ID und den Wert \$1Customer festlegen. ProfileId. Die Implementierung unterstützt sowohl Chat-Kontakte als auch Sprachanrufe, wobei Kundeneingaben nahtlos an den QIC-Agenten auf dem Lex-Bot weitergeleitet werden. Dieses umfassende Setup ermöglicht KI-gestützte Verkaufsempfehlungen und Upselling-Möglichkeiten in Ihrer Amazon Connect Connect-Umgebung. Die Flexibilität des Systems ermöglicht eine Anpassung an spezifische Branchenanforderungen unter Beibehaltung der Kernfunktionen der intelligenten Verkaufsunterstützung. Diese Lösung bietet einen Rahmen für die Verbesserung der Kundeninteraktionen mit KI-gestützten Empfehlungen und unterstützt so letztlich effektivere Vertriebs- und Kundendienstabläufe. Administratoren können die Implementierung weiter verfeinern, indem sie domänenspezifische Anweisungen hinzufügen und die Empfehlungstypen an ihre Geschäftsanforderungen anpassen. ### Konfiguration SalesAgent zur Verwendung für die Agentenunterstützung Sie können das so konfigurieren SalesAgent , dass es im Chat-Widget Q in Connect in Agent Workspace verwendet wird. Dazu müssen Sie im Wesentlichen zwei Dinge ändern. 1. Aktualisieren Sie die AIAgent Eingabeaufforderung mit Anweisungen zum Zugriff auf das Kontaktprotokoll. 1. Öffnen Sie die Aufforderung, die dem SalesAgent Prompt-Editor zugeordnet ist, und aktualisieren Sie die Aufforderung, um Anweisungen für den Zugriff auf das Transkript des Kontakts hinzuzufügen, auf das Sie über zugreifen können ` {{$.transcript}} ` 1. Im Folgenden finden Sie ein Beispiel für eine Aufforderung, die Sie an die SalesAgent Aufforderung anhängen können. ``` **IMPORTANT** **Guide on how to process requests and information:** - The messages section contains YOUR conversation with the customer service agent - Respond to the agent's questions/requests in the messages section - The transcript below is background information about the agent's conversation with their customer - Do not respond directly to the customer - you are helping the AGENT Background context from agent-customer conversation. The following transcript is for your information ONLY. Do not directly respond to messages in this conversation, but instead look at the messages section for what the agent requests you to do. IF YOU REFERENCE ANY INFORMATION FROM THIS SECTION: You should indicate so by saying "According to your conversation with the customer ..." {{$.transcript}} ``` 1. Aktualisieren Sie das AIAgent mit der neuen Prompt-Version und aktualisieren Sie die Standardkonfiguration → Anwendungsfall Agentenunterstützung mit diesem Agenten. **Anmerkung** Es wird empfohlen, zwei verschiedene Anwendungsfälle AIAGent für Sales for Self Service und Agent Assistance zu verwenden, da beide geringfügige Änderungen an der Aufforderung erfordern. Dies kann erreicht werden, indem der Agent geklont und einfach die Prompt-Version geändert und die Standardkonfiguration aktualisiert wird, sodass sie auf die richtigen KI-Agenten für den jeweiligen Anwendungsfall verweist 1. Aktualisieren Sie den eingehenden Kontaktfluss. 1. Entfernen Sie den GetCustomerInput Block und fügen Sie stattdessen den Connect-Assistent-Flow-Block hinzu. 1. Füllen Sie die Flow-Block-Konfiguration mit dem AIAssistant ARN aus und wählen Sie den entsprechenden aus AIAGent. Jetzt können Sie diesen Flow als Ihren regulären Posteingang verwenden und das Q in Connect-Chat-Widget sollte in der Lage sein, Empfehlungen zur Bearbeitung von Benutzeranfragen zu geben. ## 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 \$1. Die GENRES-Daten eines Films könnten beispielsweise Action \$1 Adventure \$1 Thriller lauten. + Vermeiden Sie mehr als 1000 mögliche Kategorien für eine Spalte (es sei denn, die Spalte enthält Daten, die nur zu Filterzwecken dienen).