Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Wawasan Prediktif (Pratinjau)
Predictive Insights (Preview) adalah fitur Profil Pelanggan Amazon Connect yang menggunakan kecerdasan buatan untuk menghasilkan rekomendasi produk dan konten yang dipersonalisasi untuk pelanggan Anda. Dengan menganalisis data interaksi pelanggan, Predictive Insights membantu Anda memberikan pengalaman yang lebih relevan di semua titik kontak pelanggan.
Cara kerja Predictive Insights
Predictive Insights (pratinjau) menggunakan model AI untuk menganalisis pola perilaku pelanggan dan menghasilkan rekomendasi waktu nyata. Layanan memproses data interaksi pelanggan Anda, seperti riwayat pembelian dan aktivitas penelusuran, untuk mengidentifikasi pola dan preferensi.
-
Langkah 1: Tambahkan data interaksi ke profil menggunakan konektor data yang ada untuk melatih model AI dengan data interaksi pelanggan Anda
-
Langkah 2: Tambahkan katalog item ke S3 untuk memungkinkan Profil Pelanggan mengakses data item Anda melalui Konsol Manajemen AWS
-
Langkah 3: Buat rekomendasi dengan mendefinisikan jenis rekomendasi (item serupa, item yang sering dipasangkan, item populer)
-
Langkah 4: Menerapkan rekomendasi di seluruh ekosistem Amazon Connect termasuk agen Agent Workspace, Flows, dan Connect AI
Prasyarat
-
Aktifkan Penyimpanan Data di Profil Pelanggan
Untuk melatih model AI menggunakan Profil Pelanggan Anda, Anda harus mengaktifkan penyimpanan data. Lihat detail di bawah Toko Data Profil Pelanggan untuk mempelajari lebih lanjut.
-
KMS
Anda telah mengonfigurasi Profil Pelanggan untuk mengenkripsi data Anda di bawah file. AWS KMS key
-
Profil Keamanan
Anda telah mengonfigurasi Profil Keamanan untuk mendukung izin Lihat (daftar dan lihat wawasan prediktif), Buat (buat rekomendasi), Hapus (hapus rekomendasi), dan Edit (perbarui rekomendasi) dengan wawasan Prediktif diaktifkan.
Manfaat menggunakan Predictive Insights
Menggunakan Predictive Insights memberikan beberapa manfaat utama:
-
Tingkatkan pengalaman pelanggan dengan rekomendasi yang dipersonalisasi
-
Tingkatkan peluang penjualan melalui saran produk yang relevan
-
Hemat waktu agen dengan secara otomatis menampilkan rekomendasi yang relevan
-
Memberikan rekomendasi yang konsisten di semua titik kontak pelanggan
-
Perbarui saran secara real time saat perilaku pelanggan berubah
Pertimbangan Data
Bagian berikut memberikan panduan tentang cara mencocokkan kasus penggunaan dan menilai kesiapan data untuk Wawasan Prediktif.
Sudahkah Anda mencocokkan kasus penggunaan Anda dengan Predictive Insights?
Jenis personalisasi Predictive Insights dapat mengatasi kasus penggunaan berikut:
-
Menghasilkan rekomendasi yang dipersonalisasi untuk pengguna
-
Merekomendasikan item serupa atau terkait
-
Merekomendasikan item yang sedang tren atau populer
-
Mengurutkan ulang item berdasarkan relevansi
Apakah Anda memiliki data interaksi item yang cukup?
Untuk semua kasus penggunaan dan jenis personalisasi, Anda harus memiliki minimal 1.000 interaksi item untuk 25 pengguna unik dengan setidaknya dua interaksi masing-masing. Untuk rekomendasi kualitas, kami sarankan Anda memiliki minimal 50.000 interaksi item dari setidaknya 1.000 pengguna dengan dua atau lebih interaksi item masing-masing.
Apakah Anda memiliki arsitektur streaming acara waktu nyata?
Jika Anda memiliki kemampuan untuk melakukan streaming acara real-time ke Connect Customer Profiles, Anda akan dapat memanfaatkan personalisasi real-time. Dengan beberapa jenis personalisasi, Predictive Insights dapat belajar dari aktivitas terbaru pengguna Anda dan memperbarui rekomendasi saat mereka menggunakan aplikasi Anda.
Apakah data Anda dioptimalkan untuk Predictive Insights?
Kami sarankan Anda memeriksa hal-hal berikut dalam data Anda:
-
Periksa nilai yang hilang. Kami merekomendasikan bahwa minimal 70% dari catatan Anda memiliki data untuk setiap atribut. Kami merekomendasikan kolom yang memungkinkan nilai null setidaknya 70% selesai.
-
Memperbaiki ketidakakuratan atau masalah dalam data Anda, seperti konvensi penamaan yang tidak konsisten, kategori duplikat untuk item, IDs ketidakcocokan di seluruh kumpulan data, atau duplikat. IDs Masalah-masalah ini dapat berdampak negatif pada rekomendasi atau mengarah pada perilaku yang tidak terduga. Misalnya, Anda mungkin memiliki keduanya “N/A” and “Not Applicable” in your data, but filter out recommendations based on only “N/A”. Item bertanda “Tidak Berlaku” tidak akan dihapus oleh filter.
-
Jika item, pengguna, atau tindakan dapat memiliki beberapa kategori, seperti film dengan beberapa genre, gabungkan nilai kategoris menjadi satu atribut dan pisahkan setiap nilai dengan operator |. Misalnya, data GENRES film mungkin Action | Adventure | Thriller.
-
Hindari memiliki lebih dari 1000 kategori yang mungkin untuk kolom (kecuali kolom berisi data hanya untuk tujuan penyaringan).
