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

예측 인사이트 시작하기

Predictive Insights 사용을 시작하려면 다음 단계를 따르세요.

1단계: 고객 프로필에 상호 작용 데이터 추가

Customer Profiles의 기존 데이터 커넥터를 활용하여 상호 작용 데이터를 표준 웹 분석 객체에 매핑할 수 있습니다.

자세한 내용은 Web Analytics 객체에 대한 객체 유형 매핑 단원을 참조하십시오.

2단계: 항목 카탈로그 데이터 추가

표준 카탈로그 데이터를 사용하여 도메인 내 카탈로그의 개별 제품을 나타낼 수 있습니다. 이 카탈로그 데이터는 도메인 수준에서 존재하며 특정 고객 프로필과 연결되지 않습니다. 개인화 기능에 활용할 수 있는 제품의 구조화된 표현 역할을 합니다. 카탈로그 정보를 수집 및 유지 관리하기 위한 유연한 옵션을 제공하는 데이터 커넥터를 사용하여 제품 또는 항목 정보를 도메인 객체로 Customer Profiles로 가져와서 제품 데이터를 시스템 내에서 최신 상태로 유지하고 액세스할 수 있도록 할 수 있습니다.

자세한 내용은 항목 카탈로그의 객체 유형 매핑 단원을 참조하십시오.

3단계: 예측 인사이트 생성

Amazon Connect를 사용하면 특정 제품 권장 사항에 맞는 특수 AI 모델을 구축하고 배포할 수 있습니다. 이러한 모델은 Connect 웹 UI를 통해 구성하거나 고유한 비즈니스 시나리오에 맞게 APIs 통해 프로그래밍 방식으로 구성할 수 있습니다. Predictive Insights는 몇 가지 유형의 권장 사항을 제공합니다.

권장 사항 유형별 항목 제한

다음 표에서는 사용된 권장 사항 유형에 따라 권장 사항 생성에 고려되는 최대 항목 수를 설명합니다.

4단계: 고객 참여 채널에서 예측 인사이트 사용

Connect 흐름에서 고객 프로필 권장 사항 사용

이 섹션에서는 고객 프로필 추천 받기 흐름 블록을 사용하여 프로필에 대한 AI 기반 추천을 실시간으로 생성하여 고객 응대 중에 사용자 경험을 강화하는 방법을 설명합니다.

흐름 블록 속성

프로필 추천 가져오기 흐름 블록에는 구성할 수 있는 다음과 같은 속성이 있습니다.

흐름 블록 브랜치

프로필 추천 가져오기 흐름 블록은 연락처를 다음 브랜치로 라우팅할 수 있습니다.

블록의 권장 사항 사용

권장 사항 응답은 $.Customer.Recommendations 연락처 속성 JSONPath에 권장 사항 객체의 JSON 목록으로 유지됩니다. 각 권장 사항 객체에는 선택한 권장 사항 속성이 포함됩니다.

Lambda 함수의 다음 샘플 Python 코드 조각은 프로파일 권장 사항 가져오기 블록에서 권장 사항을 변환하고 후속 블록에서 권장 사항을 사용할 수 있도록 다른 연락 속성으로 유지하는 데 사용할 수 있는 방법을 보여줍니다.

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

프로필 추천 받기 블록으로 흐름을 설정한 후에는 이를 사용하여 고객 응대 중에 고객을 위한 추천을 생성할 수 있습니다.

아웃바운드 캠페인에서 고객 프로필 권장 사항 사용

Predictive Insights를 Amazon Connect 아웃바운드 캠페인과 통합하여 이메일 및 SMS 채널을 통해 맞춤형 추천을 제공할 수 있습니다. 이벤트 트리거 캠페인을 생성할 때 캠페인과 연결된 고객 프로필에 대한 AI 기반 추천을 자동으로 생성하도록 추천 섹션을 구성할 수 있습니다.

이 통합은 Web Analytics 객체 매핑을 이벤트 범주로 사용하여 고객 상호 작용 데이터를 캡처합니다. 이를 통해 추천 엔진은 고객 행동에 따라 관련성이 높고 타겟팅된 제안을 제공할 수 있습니다.

이벤트 트리거 캠페인에서 권장 사항을 구성하는 step-by-step 지침은 섹션을 참조하세요이벤트 트리거를 사용하여 아웃바운드 캠페인 생성.

판매 권장 사항을 위한 Connect AI 에이전트 설정

Amazon Q in Connect는 새로운 "오케스트레이션" 에이전트 유형을 통해 에이전트 기능을 개선합니다. 이 기능은 항목 추천을 제공할 수 있는 Sales AI 에이전트를 생성하는 데 특히 유용하며, 업셀링 및 크로스셀링 시나리오에서 특히 유용합니다.

시작하기

구현을 시작하려면에 액세스 AWS Management Console 하고 Amazon Connect로 이동합니다. 액세스 URL을 통해 Connect 인스턴스에 로그인한 후 왼쪽 메뉴에서 Amazon Q를 찾아 AI 에이전트를 선택합니다. QiC 페이지의 AI 에이전트에서 사전 구성된 AI 에이전트 유형 오케스트레이션(SalesAgent) 초안 상태를 확인할 수 있습니다. 이 템플릿에는 1P 도구에 필요한 모든 구성과 권장 사항 프롬프트 예제가 포함되어 있습니다.

사용자 지정 에이전트 생성

사용자 지정 판매 에이전트를 생성하려면 먼저 오케스트레이션 유형의 새 AI 에이전트를 생성하고 기존 SalesAgent 템플릿에서 복사합니다. 이 프로세스는 템플릿의 모든 도구 및 구성을 새 에이전트로 전송합니다.

에이전트 사용자 지정

에이전트의 프롬프트를 업데이트할 때 관리자는 두 가지 기본 옵션을 사용할 수 있습니다. 기존 에이전트 프롬프트를 판매 에이전트 프롬프트에 추가하고 식별 지침을 추가하거나, SalesAgent 프롬프트를 제거하고 현재 게시된 에이전트를 기반으로 새 오케스트레이션 프롬프트를 생성하고 판매 에이전트 프롬프트를 추가하여 새로 시작할 수 있습니다. 이러한 유연성을 통해 특정 비즈니스 요구 사항 및 도메인 요구 사항에 맞는 맞춤형 솔루션을 사용할 수 있습니다.

흐름 구성 및 통합

에이전트 구성을 완료하고 게시한 후 다음 단계에서는 흐름 아래에 Amazon Lex 봇을 생성합니다. 생성된 Lex 봇과 함께 GetCustomerInput 블록을 포함하도록 인바운드 흐름을 업데이트해야 하며, 추가 옵션에서 새 SalesAgent를 선택해야 합니다. 프로필 ID 검색을 위한 Customer Profile 흐름 블록과 고객 응대 속성 설정 흐름 블록을 모두 추가하여 CustomerId를 프로필 ID의 키로 설정하고 값을 $Customer.ProfileId로 설정해야 합니다.

이 구현은 고객 입력이 Lex 봇의 QIC 에이전트로 원활하게 전달되도록 채팅 고객 응대와 음성 통화를 모두 지원합니다. 이 포괄적인 설정을 통해 Amazon Connect 환경 내에서 AI 기반 판매 권장 사항 및 업셀링 기회를 사용할 수 있습니다. 시스템의 유연성을 통해 지능형 영업 지원의 핵심 기능을 유지하면서 특정 업계 요구 사항에 따라 사용자 지정할 수 있습니다. 이 솔루션은 AI 기반 권장 사항으로 고객 상호 작용을 향상하여 궁극적으로 보다 효과적인 영업 및 고객 서비스 운영을 지원하기 위한 프레임워크를 제공합니다. 관리자는 도메인별 지침을 추가하고 비즈니스 요구 사항에 맞게 권장 유형을 사용자 지정하여 구현을 더욱 세분화할 수 있습니다.

에이전트 지원에 사용할 SalesAgent 구성

에이전트 Workspace의 Q in Connect 채팅 위젯 내에서 사용할 SalesAgent를 구성할 수 있습니다. 이렇게 하려면 두 가지 주요 사항을 수정해야 합니다.

이제이 흐름을 일반 인바운드로 사용할 수 있으며 Q in Connect 채팅 위젯은 사용자의 요청에 도움이 되는 권장 사항을 제공할 수 있어야 합니다.