本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

开始使用预测性见解

要开始使用预测见解，请按照以下步骤操作：

步骤 1：将互动数据添加到客户资料中

您可以利用客户档案中的现有数据连接器将交互数据映射到标准的 Web Analytics 对象中。

有关更多信息，请参阅 Web 分析对象的对象类型映射。

步骤 2：添加商品目录数据

您可以使用标准目录数据来表示域内目录中的单个商品。此目录数据存在于域级别，与任何特定的客户档案无关。它可以结构化地呈现您的产品，可用于个性化功能。您可以使用数据连接器将产品或商品信息作为域对象导入到客户档案中，这些数据连接器为提取和维护目录信息提供了灵活的选项，从而确保您的产品数据保持最新且可在系统中访问。

有关更多信息，请参阅 商品目录的对象类型映射。

第 3 步：创建预测性见解

Amazon Connect 使您能够构建和部署根据您的特定产品推荐需求量身定制的专用 AI 模型。这些模型可以通过 Connect Web UI 进行配置，也可以通过编程方式进行配置 APIs ，以匹配您的独特业务场景。预测见解提供了几种类型的建议：

按推荐类型划分的项目限制

下表说明了生成建议时考虑的最大项目数，具体取决于所使用的建议类型。

第 4 步：在客户互动渠道中使用预测性见解

在 Connect 流程中使用客户资料推荐

本节介绍如何使用 “客户档案获取个人资料推荐” 流程区块通过实时为个人资料生成人工智能驱动的推荐，从而丰富联系期间的用户体验。

流块属性

“获取配置文件推荐” 流程块具有以下属性可供配置：

流块分支

“获取个人资料推荐” 流程块可以将联系人路由到以下分支：

使用区块中的推荐

推荐回复 JSONPath 作为推荐对象的 JSON 列表保留在 $.Customer.Recompordations 联系人属性中。每个推荐对象都将包含选定的推荐属性。

以下来自 Lambda 函数的 Python 示例代码片段展示了如何使用它来转换来自获取个人资料推荐区块的推荐并将其保留为其他联系人属性，以便在后续区块中使用这些推荐。

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

使用 “获取个人资料推荐” 区块设置流程后，您就可以开始使用它在客户联系期间为他们生成推荐。

在出站促销活动中使用客户资料建议

您可以将 Predictive Insights 与 Amazon Connect 出站活动集成，通过电子邮件和短信渠道提供个性化推荐。创建事件触发的活动时，您可以将 “推荐” 部分配置为针对与该活动关联的客户资料自动生成基于人工智能的推荐。

此集成使用 Web Analytics 对象映射作为事件类别来捕获客户互动数据，从而使推荐引擎能够根据客户行为提供相关且有针对性的建议。

有关在事件触发的活动中配置推荐的 step-by-step说明，请参阅。使用事件触发器创建出站活动

为销售推荐设置 Connect 人工智能代理

Amazon Q in Connect 通过其新的 “编排” 代理类型增强了代理功能。此功能对于创建可以提供商品推荐的 Sales AI 代理特别有用，在追加销售和交叉销售场景中尤其有用。

开始使用

要开始实施，请访问 AWS 管理控制台 并导航至 Amazon Connect。通过访问网址登录您的 Connect 实例后，从左侧菜单中找到 Amazon Q，然后选择 AI 代理。在 QiC 页面的 AI Agent 下，你可以找到一个处于草稿状态的 Orchestration (SalesAgent) 类型的预先配置的 AI 代理。此模板包含了 1P 工具的所有必要配置和推荐示例提示。

创建您的自定义代理

要创建自定义销售代理，请先创建一个编排类型的新 AI 代理，然后从现有 SalesAgent 模板中复制。此过程将所有工具和配置从模板传输到您的新代理。

自定义代理

在更新代理的提示时，管理员有两个主要选择。他们可以将现有的代理提示附加到销售代理提示并添加追加销售标识说明，也可以通过删除 SalesAgent 提示并根据当前发布的代理创建新的 Orchestration 提示并在其中添加销售代理提示来重新开始。这种灵活性允许根据特定的业务需求和领域要求提供量身定制的解决方案。

流程配置和集成

完成代理配置并发布后，下一步是在 Flows 下创建 Amazon Lex 机器人。需要更新入站流以包含已创建的 Lex bot 的 GetCustomerInput 区块，并且 SalesAgent 应在其他选项中选择新的方块。您需要添加用于检索配置文件 ID 的客户资料流程块和设置联系人属性流程块，将配置文件 ID 和值设置 CustomerId 为 $Customer 的密钥。 ProfileId。

该实现支持聊天联系人和语音通话，客户输入的内容可以无缝传递给 Lex 机器人上的 QIC 代理。这种全面的设置可在您的 Amazon Connect 环境中提供人工智能驱动的销售建议和追加销售机会。该系统的灵活性允许根据特定的行业需求进行定制，同时保持智能销售辅助的核心功能。该解决方案提供了一个框架，用于通过人工智能驱动的推荐来增强客户互动，最终支持更有效的销售和客户服务运营。管理员可以通过添加特定领域的说明和自定义建议类型来进一步完善实施，以满足其业务需求。

配置 SalesAgent 为用于代理协助

您可以将配置 SalesAgent 为在座席工作区的 Q in connect 聊天控件中使用。要做到这一点，你需要修改两个主要内容。

现在，您可以将此流程用作常规入站流程，而 Q in connect 聊天小部件应该能够提供建议来帮助处理用户的请求。