예측 인사이트(미리 보기) - Amazon Connect
예측 인사이트 작동 방식사전 조건예측 인사이트 사용의 이점데이터 고려 사항

기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

예측 인사이트(미리 보기)

예측 인사이트(미리 보기)는 인공 지능을 사용하여 고객을 위한 맞춤형 제품 및 콘텐츠 추천을 생성하는 Amazon Connect Customer Profiles의 기능입니다. 고객 상호 작용 데이터를 분석하여 Predictive Insights는 모든 고객 접점에서 더 관련성이 높은 경험을 제공하는 데 도움이 됩니다.

예측 인사이트 작동 방식

Predictive Insights(미리 보기)는 AI 모델을 사용하여 고객 행동 패턴을 분석하고 실시간 권장 사항을 생성합니다. 서비스는 구매 기록 및 브라우징 활동과 같은 고객 상호 작용 데이터를 처리하여 패턴과 기본 설정을 식별합니다.

  • 1단계: 기존 데이터 커넥터를 사용하여 프로필에 상호 작용 데이터 추가를 통해 고객 상호 작용 데이터로 AI 모델 훈련

  • 2단계: Customer Profiles가를 통해 항목 데이터에 액세스할 수 있도록 S3에 항목 카탈로그 추가 AWS Management Console

  • 3단계: 추천 유형(유사 항목, 자주 페어링되는 항목, 인기 항목)을 정의하여 추천 생성

  • 4단계: 에이전트 Workspace, 흐름 및 Connect AI 에이전트를 포함하여 Amazon Connect 에코시스템에 권장 사항 적용

사전 조건

  • 고객 프로필에서 데이터 스토어 활성화

    Customer Profiles를 사용하여 AI 모델을 훈련하려면 데이터 스토어를 활성화해야 합니다. 자세한 내용은 Customer Profile Data Store에서 세부 정보를 참조하세요.

  • KMS

    에서 데이터를 암호화하도록 Customer Profiles를 구성했습니다 AWS KMS key.

  • 보안 프로필

    예측 인사이트가 활성화된 상태에서 보기(예측 인사이트 나열 및 보기), 생성(권장 사항 생성), 삭제(권장 사항 삭제) 및 편집(권장 사항 업데이트) 권한을 지원하도록 보안 프로필을 구성했습니다.

예측 인사이트 사용의 이점

예측 인사이트를 사용하면 다음과 같은 몇 가지 주요 이점이 있습니다.

  • 맞춤형 추천으로 고객 경험 개선

  • 관련 제품 제안을 통해 판매 기회 확대

  • 관련 권장 사항을 자동으로 표시하여 에이전트 시간 절약

  • 모든 고객 접점에서 일관된 권장 사항 제공

  • 고객 행동 변화에 따라 실시간으로 제안 사항 업데이트

데이터 고려 사항

다음 섹션에서는 사용 사례를 일치시키고 예측 인사이트의 데이터 준비 상태를 평가하는 방법에 대한 지침을 제공합니다.

사용 사례를 예측 인사이트와 일치시켰나요?

Predictive Insights 개인화 유형은 다음과 같은 사용 사례를 해결할 수 있습니다.

  • 사용자를 위한 개인 맞춤형 추천 생성

  • 유사 항목 또는 관련 항목 추천

  • 유행 항목 또는 인기 항목 추천

  • 관련성을 기준으로 항목 재정렬

항목 상호 작용 데이터가 충분합니까?

모든 사용 사례 및 개인 맞춤 유형에 대해 각각 두 개 이상의 상호 작용이 있는 25명의 고유 사용자에 대해 최소 1,000개의 항목 상호 작용이 있어야 합니다. 품질 추천의 경우, 각 2번 이상의 항목 상호 작용을 갖는 1,000명 이상의 사용자로부터 50,000건 이상의 항목 상호 작용을 갖는 것이 좋습니다.

실시간 이벤트 스트리밍 아키텍처가 마련되어 있습니까?

실시간 이벤트를 Connect Customer Profiles로 스트리밍할 수 있는 경우 실시간 개인 맞춤을 활용할 수 있습니다. 일부 개인화 유형을 사용하면 Predictive Insights는 사용자의 최신 활동에서 학습하고 애플리케이션을 사용할 때 권장 사항을 업데이트할 수 있습니다.

데이터가 예측 인사이트에 최적화되어 있나요?

데이터에서 다음 사항을 확인하는 것이 좋습니다.

  • 누락된 값이 있는지 확인합니다. 레코드 중 최소 70%에 모든 속성에 대한 데이터를 포함시키는 것이 좋습니다. null 값을 70% 이상 완료할 수 있는 열을 사용하는 것이 좋습니다.

  • 일관되지 않은 명명 규칙, 항목의 중복 범주, 데이터세트의 ID 불일치, ID 중복과 같은 데이터의 부정확성이나 문제를 수정합니다. 이러한 문제는 추천에 부정적인 영향을 미치거나 예기치 않은 동작으로 이어질 수 있습니다. 예를 들어 데이터에 "N/A"와 "해당 없음"이 모두 있지만 "N/A"만 기준으로 추천을 필터링할 수 있습니다. "해당 없음"으로 표시된 항목은 필터를 통해 제거되지 않습니다.

  • 항목, 사용자 또는 작업이 여러 범주를 가질 수 있는 경우(예: 장르가 여러 개 있는 영화) 범주별 값을 하나의 속성으로 결합하고 | 연산자를 사용하여 각 값을 구분합니다. 예를 들어 영화의 GENRES 데이터는 액션 | 어드벤처 | 스릴러일 수 있습니다.

  • 한 열에 사용할 수 있는 범주가 1000개를 넘지 않도록 합니다(열에 필터링 용도로만 사용되는 데이터가 포함된 경우 제외).