Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra. # Predictive Insights (version préliminaire) *Predictive Insights* (version préliminaire) est une fonctionnalité d'Amazon Connect Customer Profiles qui utilise l'intelligence artificielle pour générer des recommandations de produits et de contenus personnalisées pour vos clients. En analysant les données d'interaction avec les clients, Predictive Insights vous aide à proposer des expériences plus pertinentes sur tous les points de contact avec les clients. ## Comment fonctionne Predictive Insights Predictive Insights (version préliminaire) utilise des modèles d'IA pour analyser les modèles de comportement des clients et générer des recommandations en temps réel. Le service traite les données d'interaction avec vos clients, telles que l'historique des achats et l'activité de navigation, afin d'identifier les modèles et les préférences. + **Étape 1 :** Ajoutez des données d'interaction aux profils à l'aide des connecteurs de données existants pour former des modèles d'IA avec les données d'interaction avec vos clients + **Étape 2 :** Ajoutez le catalogue d'articles à S3 pour permettre aux profils clients d'accéder aux données de vos articles via AWS Management Console + **Étape 3 :** créer des recommandations en définissant des types de recommandations (articles similaires, articles fréquemment associés, articles populaires) + **Étape 4 :** appliquer les recommandations à l'ensemble de l'écosystème Amazon Connect, y compris les agents Agent Workspace, Flows et Connect AI ## Conditions préalables + **Activer le stockage des données dans les profils clients** Pour entraîner des modèles d'IA à l'aide de vos profils clients, vous devez activer le stockage des données. Pour en savoir plus, reportez-vous à la section Customer Profile Data Store pour en savoir plus. + **KMS** Vous avez configuré les profils clients pour chiffrer vos données sous un AWS KMS key. + **Profils de sécurité** Vous avez configuré les profils de sécurité pour prendre en charge les autorisations Afficher (répertorier et afficher les informations prédictives), Créer (créer des recommandations), Supprimer (supprimer des recommandations) et Modifier (mettre à jour les recommandations) lorsque les informations prédictives sont activées. ## Avantages de l'utilisation de Predictive Insights L'utilisation de Predictive Insights présente plusieurs avantages clés : + Améliorez l'expérience client grâce à des recommandations personnalisées + Augmentez les opportunités de vente grâce à des suggestions de produits pertinentes + Gagnez du temps aux agents en faisant apparaître automatiquement les recommandations pertinentes + Fournir des recommandations cohérentes sur tous les points de contact avec les clients + Mettez à jour les suggestions en temps réel à mesure que le comportement des clients change # Commencez avec Predictive Insights Pour commencer à utiliser Predictive Insights, procédez comme suit : **Topics** + [Étape 1 : ajout de données d'interaction dans les profils clients](#add-interaction-data) + [Étape 2 : ajout des données du catalogue d'articles](#add-item-catalog-data) + [Étape 3 : Création d'informations prédictives](#create-predictive-insights) + [Étape 4 : Utilisation de Predictive Insights sur les canaux d'engagement client](#use-across-customer-engagement-channels) ## Étape 1 : ajout de données d'interaction dans les profils clients Vous pouvez tirer parti des connecteurs de données existants dans les profils clients pour mapper les données d'interactions dans un objet d'analyse Web standard. Pour de plus amples informations, veuillez consulter [Mappage du type d'objet pour Web Analytics Object](standard-loyalty-promotion-object-mapping-web-analytics.md). ## Étape 2 : ajout des données du catalogue d'articles Vous pouvez représenter les produits individuels de votre catalogue au sein du domaine à l'aide des données du catalogue standard. Les données de ce catalogue existent au niveau du domaine et ne sont liées à aucun profil client spécifique. Il s'agit d'une représentation structurée de vos produits qui peut être exploitée pour des fonctionnalités de personnalisation. Vous pouvez importer les informations de votre produit ou article sous forme d'objets de domaine dans les profils clients à l'aide de connecteurs de données qui fournissent des options flexibles pour l'ingestion et la gestion des informations de votre catalogue, garantissant ainsi que les données de vos produits restent à jour et accessibles dans le système. Pour de plus amples informations, veuillez consulter [Cartographie des types d'objets pour le catalogue d'articles](standard-loyalty-promotion-object-mapping-item-catalog.md). ## Étape 3 : Création d'informations prédictives Amazon Connect vous permet de créer et de déployer des modèles d'IA spécialisés adaptés à vos besoins spécifiques en matière de recommandation de produits. Ces modèles peuvent être configurés via l'interface utilisateur Web Connect ou par programmation APIs pour correspondre à vos scénarios commerciaux uniques. Predictive Insights propose plusieurs types de recommandations : 1. **Recommandé pour vous** : fournit des recommandations personnalisées adaptées à un utilisateur spécifique. Les recommandations sont basées sur le comportement passé de l'utilisateur, tel que les événements liés au flux de clics, les événements d'achat, le contenu consommé, etc. 1. **Articles similaires** : utilise l'IA générative pour trouver des articles thématiquement similaires à un article existant dans le catalogue. Il est idéal pour les cas d'utilisation liés à la vente incitative ou à la substitution lorsque les clients souhaitent proposer des recommandations d'articles alternatifs à leurs utilisateurs. 1. **Articles fréquemment associés** : recommande des articles qui interagissent fréquemment avec un article existant dans le catalogue. Il est idéal pour les cas d'utilisation liés à la vente croisée ou à la recommandation d'articles complémentaires. 1. **Articles populaires** : conçus pour recommander les éléments avec lesquels les utilisateurs interagissent le plus souvent. 1. **Tendance actuelle** : recommande les articles ayant connu la plus forte augmentation de la vitesse d'engagement au cours de la période récente. Il est conçu pour faire apparaître des éléments présentant une viralité lors des interactions avec les utilisateurs. **Note** L'activation des modèles d'IA avec Predictive Insights est disponible en version préliminaire. Des prix supplémentaires peuvent s'appliquer à l'avenir. **Limites d'articles par type de recommandation** Le tableau suivant décrit le nombre maximum d'éléments pris en compte pour la génération de recommandations, en fonction du type de recommandation utilisé. | **Type de recommandation** | **Description** | **Limite** | | --- | --- | --- | | Recommandé pour vous | Nombre maximum d'éléments pris en compte pour les informations prédictives | 40 millions | | Objets similaires | Nombre maximum d'éléments pris en compte pour les informations prédictives | 10 millions | | Tous les autres scénarios commerciaux | Nombre maximum d'éléments pris en compte pour les informations prédictives | 750 000 | ## Étape 4 : Utilisation de Predictive Insights sur les canaux d'engagement client ### Utilisation des recommandations relatives au profil client dans Connect Flows Cette section décrit comment vous pouvez utiliser le bloc de flux Profils clients Obtenir des recommandations de profil pour enrichir l'expérience utilisateur lors d'un contact en générant des recommandations basées sur l'IA pour un profil en temps réel. **Propriétés du bloc de flux** Le bloc de flux **Get profile recommendations** possède les propriétés suivantes à configurer : 1. **ID de profil (obligatoire) :** Un identifiant de profil est requis pour que ce bloc fonctionne. Le bloc de flux **Obtenir des recommandations de profil** génère des recommandations pour l'ID de profil fourni ici. Vous avez la possibilité de saisir manuellement l'ID du profil ou d'utiliser une valeur prédéfinie stockée dans un attribut. Si vous utilisez une valeur prédéfinie, assurez-vous de fournir l'ID du profil en utilisant le bloc **Get profile** précédent. Utilisez le bloc **Get profile** pour identifier le profil spécifique avant de générer des recommandations dans le bloc suivant. 1. **Nom du recommandant (obligatoire) :** Un nom de recommandation est requis pour que ce bloc fonctionne. Il s'agit du nom du recommandeur que vous souhaitez utiliser pour générer des recommandations pour l'ID de profil donné. Vous ne pouvez utiliser que des recommandateurs actifs pour générer des recommandations. 1. **Nombre maximum de résultats (obligatoire) :** Le nombre maximum de recommandations à générer pour l'ID de profil donné. Cela peut aller de 1 à 3 recommandations. 1. **Attributs de recommandation (obligatoires) :** Définissez les attributs de la réponse aux recommandations qui doivent être conservés dans l'attribut contact. 1. **Identifiant de l'article :** Il s'agit de l'ID d'élément fourni comme contexte supplémentaire pour générer des recommandations pour l'ID de profil donné. L'identifiant de l'article n'est requis que si vous utilisez un type de recommandation « *Articles similaires »* ou « *Articles fréquemment jumelés ».* Vous avez la possibilité de saisir manuellement l'ID du profil ou d'utiliser une valeur prédéfinie stockée dans un attribut. Si vous utilisez une valeur prédéfinie, assurez-vous de fournir l'ID de l'article en utilisant le bloc **Obtenir les attributs calculés** précédent. Utilisez le bloc **Obtenir les attributs calculés** pour identifier l'ID d'article spécifique avant de générer des recommandations dans le bloc suivant. **Branches Flow Block** Le bloc de flux **Obtenir des recommandations de profil** peut acheminer les contacts vers les branches suivantes : 1. **Succès :** Les recommandations ont été générées avec succès pour l'ID de profil fourni. Les attributs de recommandation sélectionnés ont été conservés dans l'attribut de contact \$1.Customer.Recommendations. 1. **Erreur :** Une erreur s'est produite lors de la tentative de génération de recommandations. Cela peut être dû à une erreur système ou à la configuration du bloc **Get profile recommendations**. 1. **Aucune n'a été trouvée :** Aucune recommandation n'a pu être générée. **Utilisation des recommandations du bloc** La réponse aux recommandations est conservée dans l'attribut de contact \$1.Customer.Recommendations JSONPath sous forme de liste JSON d'objets de recommandation. Chaque objet de recommandation contiendra les **attributs de recommandation** sélectionnés. L'exemple d'extrait de code Python suivant issu d'une fonction Lambda montre comment il peut être utilisé pour transformer les recommandations du bloc **Get profile recommendations** et les conserver dans d'autres attributs de contact afin que les recommandations puissent être utilisées dans les blocs suivants. ``` 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 ``` Une fois que vous avez configuré votre flux avec le bloc **Obtenir des recommandations de profil**, vous pouvez commencer à l'utiliser pour générer des recommandations pour vos clients lors de leurs contacts. ### Utilisation des recommandations relatives au profil client dans les campagnes sortantes Vous pouvez intégrer Predictive Insights aux campagnes sortantes Amazon Connect afin de fournir des recommandations personnalisées par e-mail et SMS. Lorsque vous créez une campagne déclenchée par un événement, vous pouvez configurer la section Recommandations pour générer automatiquement des recommandations basées sur l'IA pour les profils clients associés à la campagne. Cette intégration utilise le mappage d'objets Web Analytics comme catégorie d'événements pour capturer les données d'interaction avec les clients, ce qui permet au moteur de recommandation de fournir des suggestions pertinentes et ciblées en fonction du comportement du client. Pour step-by-step obtenir des instructions sur la configuration des recommandations dans le cadre de campagnes déclenchées par des événements, consultez. [Création d’une campagne sortante à l’aide de déclencheurs d’événements](how-to-create-campaigns-using-event-triggers.md) ### Configuration des agents Connect AI pour les recommandations commerciales Amazon Q in Connect améliore les capacités des agents grâce à son nouveau type d'agent « d'orchestration ». Cette fonctionnalité est particulièrement utile pour créer un agent commercial basé sur l'intelligence artificielle capable de fournir des recommandations d'articles, particulièrement utiles dans les scénarios de vente incitative et de vente croisée. **Prise en main** Pour commencer la mise en œuvre, accédez au AWS Management Console et naviguez jusqu'à Amazon Connect. Après vous être connecté à votre instance Connect via l'URL d'accès, recherchez Amazon Q dans le menu de gauche et sélectionnez AI agents. Vous trouverez un agent AI préconfiguré de type Orchestration (SalesAgent) à l'état de brouillon sur la page QiC sous Agents IA. Ce modèle est fourni avec toutes les configurations nécessaires pour les outils 1P et des exemples d'instructions pour les recommandations. **Création de votre agent personnalisé** Pour créer un agent commercial personnalisé, commencez par créer un nouvel agent AI de type orchestration et copiez-le à partir du SalesAgent modèle existant. Ce processus transfère tous les outils et configurations du modèle à votre nouvel agent. **Personnalisation de l'agent** Lorsqu'il s'agit de mettre à jour l'invite de l'agent, les administrateurs disposent de deux options principales. Ils peuvent soit ajouter leur invite d'agent existante à l'invite d'agent commercial et ajouter des instructions d'identification de vente incitative, soit repartir à zéro en supprimant l' SalesAgent invite et en créant une nouvelle invite d'orchestration basée sur leur agent publié actuel et en y ajoutant l'invite de l'agent commercial. Cette flexibilité permet de proposer des solutions sur mesure qui répondent aux besoins spécifiques de l'entreprise et aux exigences du domaine. **Configuration et intégration des flux** Après avoir finalisé la configuration de l'agent et l'avoir publiée, l'étape suivante consiste à créer un bot Amazon Lex sous Flows. Le flux entrant doit être mis à jour pour inclure le GetCustomerInput bloc avec le bot Lex créé, et le nouveau SalesAgent doit être sélectionné dans les options supplémentaires. Vous devrez ajouter à la fois le bloc de flux Customer Profile pour la récupération de l'ID de profil et le bloc de flux Set-Contact Attributes, en définissant CustomerId comme clé pour l'ID de profil et la valeur comme \$1Customer. ProfileId. L'implémentation prend en charge à la fois les contacts par chat et les appels vocaux, les informations du client étant transmises facilement à l'agent QIC sur le robot Lex. Cette configuration complète permet des recommandations commerciales basées sur l'IA et des opportunités de ventes incitatives au sein de votre environnement Amazon Connect. La flexibilité du système permet une personnalisation en fonction des besoins spécifiques du secteur tout en conservant les fonctionnalités de base de l'assistance commerciale intelligente. Cette solution fournit un cadre permettant d'améliorer les interactions avec les clients grâce à des recommandations basées sur l'IA, afin de soutenir des opérations de vente et de service client plus efficaces. Les administrateurs peuvent affiner davantage la mise en œuvre en ajoutant des instructions spécifiques au domaine et en personnalisant les types de recommandations en fonction de leurs besoins commerciaux. ### Configuration SalesAgent à utiliser pour l'assistance des agents Vous pouvez configurer le SalesAgent à utiliser dans le widget de chat Q in connect dans Agent Workspace. Pour ce faire, vous devez modifier 2 éléments principaux. 1. Mettez à jour l' AIAgent invite avec des instructions pour accéder à la transcription du contact. 1. Ouvrez l'invite associée à l'éditeur SalesAgent in Prompt et mettez-la à jour pour ajouter des instructions permettant d'accéder à la transcription du contact accessible par ` {{$.transcript}} ` 1. Vous trouverez ci-dessous un exemple d'invite que vous pouvez ajouter à l' SalesAgentinvite. ``` **IMPORTANT** **Guide on how to process requests and information:** - The messages section contains YOUR conversation with the customer service agent - Respond to the agent's questions/requests in the messages section - The transcript below is background information about the agent's conversation with their customer - Do not respond directly to the customer - you are helping the AGENT Background context from agent-customer conversation. The following transcript is for your information ONLY. Do not directly respond to messages in this conversation, but instead look at the messages section for what the agent requests you to do. IF YOU REFERENCE ANY INFORMATION FROM THIS SECTION: You should indicate so by saying "According to your conversation with the customer ..." {{$.transcript}} ``` 1. Mettez à jour le AIAgent avec la nouvelle version d'invite et mettez à jour le cas d'utilisation de la configuration par défaut → Assistance de l'agent avec cet agent. **Note** Il est recommandé d'utiliser deux scénarios d'utilisation différents AIAGent pour la vente en libre-service et l'assistance aux agents, car les deux cas nécessitent des modifications mineures de l'invite. Pour ce faire, il suffit de cloner l'agent, de modifier simplement la version demandée et de mettre à jour la configuration par défaut pour qu'elle pointe vers les agents AI appropriés pour chaque cas d'utilisation. 1. Mettez à jour le flux de contacts entrants. 1. Supprimez le GetCustomerInput bloc et ajoutez le bloc de flux de l'assistant Connect à la place 1. Renseignez la configuration du bloc de flux avec l' AIAssistant ARN et sélectionnez le paramètre approprié AIAGent. Vous pouvez désormais utiliser ce flux comme flux entrant habituel et le widget de chat Q in connect devrait être en mesure de fournir des recommandations pour aider à répondre à la demande de l'utilisateur. ## Considérations relatives aux données Les sections suivantes fournissent des conseils sur la manière de faire correspondre les cas d'utilisation et d'évaluer l'état de préparation des données pour Predictive Insights. ### Avez-vous adapté vos cas d'utilisation à Predictive Insights ? Les types de personnalisation de Predictive Insights peuvent répondre aux cas d'utilisation suivants : + Génération de recommandations personnalisées pour un utilisateur + Recommander des articles similaires ou connexes + Recommander des articles tendance ou populaires + Réorganisation des articles par ordre de pertinence ### Disposez-vous de suffisamment de données sur les interactions entre les articles ? Pour tous les cas d'utilisation et types de personnalisation, vous devez avoir au moins 1 000 interactions avec des éléments pour 25 utilisateurs uniques avec au moins deux interactions chacun. Pour des recommandations de qualité, nous vous recommandons d'avoir au moins 50 000 interactions entre articles provenant d'au moins 1 000 utilisateurs, avec au moins deux interactions avec des articles chacun. ### Disposez-vous d'une architecture de diffusion d'événements en temps réel ? Si vous avez la possibilité de diffuser des événements en temps réel sur Connect Customer Profiles, vous pourrez profiter de la personnalisation en temps réel. Avec certains types de personnalisation, Predictive Insights peut tirer des leçons de l'activité la plus récente de vos utilisateurs et mettre à jour les recommandations lorsqu'ils utilisent votre application. ### Vos données sont-elles optimisées pour Predictive Insights ? Nous vous recommandons de vérifier les informations suivantes dans vos données : + Vérifiez les valeurs manquantes. Nous recommandons qu'au moins 70 % de vos enregistrements contiennent des données pour chaque attribut. Nous recommandons que les colonnes qui autorisent les valeurs nulles soient remplies à au moins 70 %. + Corrigez les inexactitudes ou les problèmes liés à vos données, tels que des conventions de dénomination incohérentes, des catégories dupliquées pour un élément, des incohérences IDs entre les ensembles de données ou des doublons. IDs Ces problèmes peuvent avoir un impact négatif sur les recommandations ou entraîner des comportements inattendus. Par exemple, vous pourriez avoir les deux « N/A” and “Not Applicable” in your data, but filter out recommendations based on only “N/A ». Les éléments marqués « Non applicable » ne seraient pas supprimés par le filtre. + Si un élément, un utilisateur ou une action peut comporter plusieurs catégories, comme un film comportant plusieurs genres, combinez les valeurs catégorielles dans un seul attribut et séparez chaque valeur par l'opérateur \$1. Par exemple, les données GENRES d'un film peuvent être Action \$1 Aventure \$1 Thriller. + Évitez d'avoir plus de 1 000 catégories possibles pour une colonne (sauf si la colonne contient des données uniquement à des fins de filtrage).