Amazon Personalize

Amazon Personalize ist so, als hätten Sie Ihr eigenes Empfehlungssystem für maschinelles Lernen, das den ganzen Tag läuft. Basierend auf mehr als 20 Jahren Erfahrung mit Empfehlungen ermöglicht Ihnen Amazon Personalize, das Customer-Engagement zu verbessern, indem es personalisierte Produkt- und Inhaltsempfehlungen in Echtzeit sowie gezielte Marketing-Aktionen ermöglicht.

Diese Integration wird von Amazon Personalize gepflegt.

Über die Integration

Mithilfe von maschinellem Lernen und einem Algorithmus, den Sie mit definieren, kann Amazon Personalize Ihnen helfen, ein Modell zu trainieren, das hochwertige Empfehlungen für Ihre Websites und Anwendungen ausgibt. Mit diesen Modellen können Sie Empfehlungslisten auf der Grundlage des bisherigen Verhaltens der Nutzer:innen erstellen, Artikel nach Relevanz sortieren und andere Artikel auf der Grundlage von Ähnlichkeiten empfehlen. Die von der Amazon Personalize API erhaltenen Listen können dann in Braze Connected-Content verwendet werden, um personalisierte Braze-Empfehlungskampagnen durchzuführen. Durch die Integration mit Amazon Personalize haben Kund:innen die Freiheit, die Parameter zu kontrollieren, die zum Trainieren der Modelle verwendet werden, und optionale Geschäftsziele zu definieren, die die Ausgabe des Algorithmus optimieren.

In diesem Referenzartikel erfahren Sie, welche Anwendungsfälle Amazon Personalize bietet, mit welchen Daten es arbeitet, wie Sie den Dienst konfigurieren und wie Sie ihn in Braze integrieren können.

Voraussetzungen

• anwendungsfälle
• datensätze

Modelle erstellen

1. Schritt: Training

Sobald die Datensätze importiert sind, können Sie eine Lösung erstellen. Eine Lösung verwendet eines der Amazon Personalize Rezepte (Algorithmen), um ein Modell zu trainieren. In unserem Fall werden wir das Rezept USER_PERSONALIZATION verwenden. Durch das Trainieren der Lösung wird eine Lösungsversion (trainiertes Modell) erstellt, die Sie anhand der Performance-Metriken des Modells bewerten können.

Mit Amazon Personalize können Sie die Hyperparameter anpassen, die das Modell beim Training verwendet. Zum Beispiel:

• Mit dem Parameter „Perzentil der Länge des Nutzer:innen-Verlaufs“ in der Amazon Personalize-Konsole können Sie das Perzentil des Nutzer:innen-Verlaufs anpassen, das beim Training berücksichtigt werden soll:
  
  
  • min_user_history_length_percentile: Schließt einen Prozentsatz der Nutzer:innen mit sehr kurzen Verläufen aus, was hilfreich sein kann, um beliebte Artikel zu eliminieren und Empfehlungen zu erstellen, die auf tiefer liegenden Mustern basieren.
  • max_user_history_length_percentile: Passt den Prozentsatz der Nutzer:innen an, der beim Training mit sehr langen Verläufen berücksichtigt werden soll.

Die Anzahl der verborgenen Dimensionen hilft, kompliziertere Muster für komplexe Datensätze zu erkennen, während die Back-Propagation-Through-Time-Technik (BPTT) die Rewards für ein frühes Ereignis anpasst, nachdem eine Kette von Ereignissen stattgefunden hat, die zu einer hochwertigen Aktion geführt haben.

Zusätzlich bietet Amazon Personalize eine automatische Abstimmung der Hyperparameter, indem mehrere Versionen der Lösung mit unterschiedlichen Werten gleichzeitig ausgeführt werden. Um die Abstimmung zu nutzen, aktivieren Sie Perform HPO, wenn Sie eine Lösung erstellen.

2. Schritt: Auswerten und vergleichen

Sobald eine Lösung fertig trainiert ist, können Sie sie bewerten und verschiedene Versionen vergleichen. Jede Lösungsversion zeigt berechnete Metriken an. Einige der verfügbaren Metriken sind:

• Normalisierter diskontierter kumulativer Gewinn: Vergleicht die empfohlene Reihenfolge der Artikel mit der tatsächlichen Liste der Artikel und gibt jedem Artikel ein Gewicht, das seiner Position in der Liste entspricht
• Präzision @k: Die Anzahl der richtig empfohlenen Artikel geteilt durch die Anzahl aller empfohlenen Artikel, wobei k die Anzahl der Artikel ist
• Mittlerer reziproker Rang: Konzentriert sich auf die erste, höchstrangige Empfehlung und berechnet, wie viele empfohlene Artikel gesehen werden, bevor die erste übereinstimmende Empfehlung erscheint
• Abdeckungsgrad: Der Anteil der eindeutig empfohlenen Artikel an der Gesamtzahl der eindeutigen Artikel im Datensatz

Empfehlungen erhalten

Sobald Sie eine Lösungsversion erstellt haben, mit der Sie zufrieden sind, ist es an der Zeit, die Empfehlungen in die Tat umzusetzen. Es gibt zwei Möglichkeiten, auf die Empfehlungen zuzugreifen:

1. Realtime-Kampagne
   Eine Kampagne ist eine eingesetzte Lösungsversion mit einem definierten Mindestdurchsatz an Transaktionen. Eine Transaktion ist ein einzelner API-Aufruf, um die Ausgabe einer Empfehlung zu erhalten. Sie ist definiert als TPS oder Transaktionen pro Sekunde mit einem Mindestwert von eins. Die Kampagne skaliert die Ressourcen im Falle einer erhöhten Belastung, fällt aber nicht unter Ihren Mindestwert. Sie können die Empfehlungen in der Konsole, der AWS CLI oder über AWS SDKs in Ihrem Code abfragen.
   
   
2. Batch-Auftrag
   Ein Batch-Auftrag exportiert die Empfehlungen in einen S3-Bucket. Der Auftrag nimmt als Eingabe eine JSON-Datei mit einer Liste von Nutzer-IDs, für die Sie die Empfehlungen exportieren möchten. Nachdem Sie die richtigen Berechtigungen und das Ausgabeziel angegeben haben, können Sie den Auftrag ausführen. Die Laufzeit hängt von der Größe Ihrer Datensätze und der Länge der Empfehlungsliste ab.

Filter

Mit Filtern können Sie die Ausgabe der Empfehlungen anpassen, indem Sie Artikel auf der Grundlage der Artikel-ID, des Ereignistyps oder der Metadaten ausschließen. Sie können Nutzer:innen auch anhand ihrer Metadaten filtern, z. B. Alter oder Status der Treue-Mitgliedschaft. Filter können nützlich sein, um zu verhindern, dass Artikel empfohlen werden, mit denen Nutzer:innen bereits interagiert haben.

Integration der Ergebnisse in Braze

Mit dem erstellten Modell und der Empfehlungskampagne sind Sie bereit, eine Braze-Kampagne für Ihre Nutzer:innen mit Content Cards und Connected-Content durchzuführen. Bevor Sie eine Braze-Kampagne starten, müssen Sie einen Dienst erstellen, der diese Empfehlungen über eine API bereitstellen kann. Sie können Schritt 3 des Workshop-Artikels befolgen, um den Dienst mithilfe der AWS-Dienste bereitzustellen. Sie können auch Ihren eigenen unabhängigen Backend-Dienst einsetzen, der die Empfehlungen bereitstellt.

Anwendungsfall: Content-Card-Kampagne

Lassen Sie uns eine Content-Card-Kampagne mit dem ersten empfohlenen Artikel aus der Liste durchführen.

In den folgenden Beispielen werden wir den Endpunkt GET http://<service-endpoint.com>/recommendations?user_id=user123 mit einem user_id-Parameter abfragen, der eine Liste der empfohlenen Artikel zurückgibt:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
[
  {
    "id": "abc123",
    "url": "http://productpage.com/product/abc123",
    "name": "First Item",
    "price": 39.99,
    "image": "http://pp.cdn.com/abvh3321pjb1j"
  },
  {
    "id": "xyz987",
    "url": "http://productpage.com/product/xyz987",
    "name": "Great Item",
    "price": 19.99,
    "image": "http://pp.cdn.com/234bjl1gioj1b2b"
  },
  ...
]

Erstellen Sie im Braze-Dashboard eine neue Content-Card-Kampagne. Erstellen Sie im Feld für den Nachrichtentext einen Connected-Content-Liquid-Block, um die API abzufragen und die Antwort in der Variablen recommendations zu speichern:

1
{% connected_content https:/<service-endpoint.com>/recommendations?user_id={{${user_id}}} :save recommendations %}

Sie können dann den ersten Artikel im resultierenden Array referenzieren und den Nutzer:innen den Inhalt anzeigen:

1
2
3
This seems like a great fit for you:
{% recommendations[0].name %}
{% recommendations[0].price %}

Einschließlich des Titels, des Bildes und der Verlinkung der URL würde die komplette Content-Card so aussehen: