Mérje meg az Amazon személyre szabott ajánlásainak üzleti hatását

Izgatottan közöljük ezt Az Amazon testreszabása most megengedi mérje fel, hogyan segíthetnek személyre szabott ajánlásai üzleti céljai elérésében. A nyomon követni kívánt mutatók megadása után azonosíthatja, mely kampányok és ajánlók a leghatékonyabbak, és megértheti az ajánlások hatását az üzleti mutatókra.

Minden ügyfél szeretné nyomon követni azt a mutatót, amely a legfontosabb vállalkozása számára. Például egy online vásárlási alkalmazás két mérőszámot szeretne nyomon követni: az átkattintási arányt (CTR) az ajánlásokhoz és a vásárlások teljes számát. Egy lekérhető videó-platform, amely különböző ajánlásokat tartalmazó körhintákat kínál, érdemes lehet összehasonlítani a CTR-t vagy a megtekintési időtartamot. Figyelemmel kísérheti egy adott eseménytípus teljes bevételét vagy árrését is, például amikor egy felhasználó vásárol egy terméket. Ezzel az új lehetőséggel mérheti az Amazon Personalize kampányok és ajánlók hatását, valamint a harmadik féltől származó megoldások által generált interakciókat.

Ebben a bejegyzésben bemutatjuk, hogyan követheti nyomon a mutatóit, és hogyan értékelheti a személyre szabott javaslatok hatását egy e-kereskedelmi felhasználási esetben.

Megoldás áttekintése

Korábban a személyre szabott ajánlások hatásának megértéséhez manuálisan kellett megszerveznie a munkafolyamatokat az üzleti metrikák adatainak rögzítéséhez, majd az összehasonlításokhoz értelmes ábrázolásokban kellett bemutatnia azokat. Az Amazon Personalize megszüntette ezt a többletköltséget, lehetővé téve a nyomon követni kívánt mutatók meghatározását és figyelemmel kísérését. Az Amazon Personalize teljesítményadatokat küldhet a következőnek amazonfelhőóra vizualizációhoz és monitorozáshoz, vagy alternatívaként egy Amazon Simple Storage Service (Amazon S3) vödör, ahol elérheti a mérőszámokat, és integrálhatja azokat más üzleti intelligencia eszközökbe. Ez lehetővé teszi, hogy hatékonyan mérje, hogy az események és az ajánlások hogyan hatnak az üzleti célokra, és megfigyelheti bármely olyan esemény kimenetelét, amelyet ellenőrizni szeretne.

Az ajánlások hatásának méréséhez meg kell határoznia a „metrikus hozzárendelést”, amely azon eseménytípusok listája, amelyekről jelentést szeretne készíteni az Amazon Personalize konzol vagy az API-k használatával. Minden eseménytípushoz egyszerűen meg kell határoznia a kiszámítani kívánt mérőszámot és függvényt (összeg vagy mintaszám), és az Amazon Personalize elvégzi a számítást, és elküldi a generált jelentéseket a CloudWatch vagy az Amazon S3 számára.

A következő diagram bemutatja, hogyan követheti nyomon egyetlen ajánló vagy kampány mutatóit:

1. ábra Funkció áttekintése: Az interakciós adatkészlet egy ajánló vagy kampány betanítására szolgál. Ezután, amikor a felhasználók interakcióba lépnek az ajánlott elemekkel, ezek az interakciók elküldésre kerülnek az Amazon Personalize szolgáltatásnak, és hozzárendelődnek a megfelelő ajánlóhoz vagy kampányhoz. Ezután ezeket a mutatókat exportálják az Amazon S3-ba és a CloudWatch-ba, így figyelemmel kísérheti őket, és összehasonlíthatja az egyes ajánlók vagy kampányok mutatóit.

A metrikus hozzárendelések segítségével megadhat egy eventAttributionSource, minden egyes interakcióhoz, amely azt a forgatókönyvet határozza meg, amelyet a felhasználó tapasztalt, amikor interakcióba lépett egy elemmel. A következő diagram bemutatja, hogyan követheti nyomon két különböző ajánló mérőszámait az Amazon Personalize metrika-hozzárendelés használatával.

2. ábra: Az ajánlások üzleti hatásának mérése két forgatókönyvben: Az interakciós adatkészlet két ajánló vagy kampány betanítására szolgál, ebben az esetben „kék” és „narancssárga” jelöléssel. Ezután, amikor a felhasználók interakcióba lépnek az ajánlott elemekkel, ezek az interakciók elküldésre kerülnek az Amazon Personalize szolgáltatásnak, és hozzárendelődnek a megfelelő ajánlóhoz, kampányhoz vagy forgatókönyvhöz, amelynek a felhasználó ki volt téve az elemmel való interakció során. Ezután ezeket a mutatókat exportálják az Amazon S3-ba és a CloudWatch-ba, így figyelemmel kísérheti őket, és összehasonlíthatja az egyes ajánlók vagy kampányok mutatóit.

Ebben a példában végigvezetjük az Amazon Personalize interakciós adataihoz tartozó metrika-hozzárendelések meghatározásának folyamatát. Először importálja az adatokat, és két hozzárendelési mutatót hoz létre az ajánlások üzleti hatásának mérésére. Ezután létrehoz két kiskereskedelmi ajánlót – ez ugyanaz a folyamat, ha egyéni ajánlási megoldást használ –, és elküldi az eseményeket a mérőszámok segítségével követendő nyomon követésre. A kezdéshez csak az interakciós adatkészletre van szüksége. Mivel azonban az ebben a példában követett mérőszámok egyike a margó, megmutatjuk, hogyan importálhatja az elemek adatkészletét. A kódminta ehhez a használati esethez elérhető a következő címen: GitHub.

Előfeltételek

Használhatja az AWS konzolt vagy támogatott API-k ajánlások létrehozásához az Amazon Personalize használatával, például a AWS parancssori interfész or AWS SDK Pythonhoz.

Az ajánlások hatásának kiszámításához és jelentéséhez először be kell állítania néhány AWS-erőforrást.

Létre kell hoznia egy AWS Identity and Access Management (IAM) szerepkört, amelyet az Amazon Personalize a megfelelő szerepvállalási szabályzat dokumentumával felvesz. Szabályzatokat is csatolnia kell ahhoz, hogy az Amazon Personalize hozzáférjen az S3-tárolóból származó adatokhoz, és adatokat küldjön a CloudWatch-nak. További információkért lásd Hozzáférés biztosítása az Amazon személyre szabásához az Amazon S3 tárolóhoz és a Hozzáférés biztosítása az Amazon Personalize számára a CloudWatch-hez.

Ezután létre kell hoznia néhány Amazon Personalize erőforrást. Hozzon létre adatkészlet-csoportot, töltse be az adatokat, és képezze ki az ajánlókat. A teljes útmutatásért lásd Az első lépések.

1. Hozzon létre egy adatkészlet-csoportot. Itt használhatja a metrikus hozzárendeléseket tartományi adatkészlet-csoportok és a egyéni adatkészlet-csoportok.
2. Létrehozása Interactions adatkészlet a következő használatával séma:

   { "type": "record", "name": "Interactions", "namespace": "com.amazonaws.personalize.schema", "fields": [ { "name": "USER_ID", "type": "string" }, { "name": "ITEM_ID", "type": "string" }, { "name": "TIMESTAMP", "type": "long" }, { "name": "EVENT_TYPE", "type": "string" }
   ], "version": "1.0" }

3. Létrehozása Items adatkészlet a következő használatával séma:

   { "type": "record", "name": "Items", "namespace": "com.amazonaws.personalize.schema", "fields": [ { "name": "ITEM_ID", "type": "string" }, { "name": "PRICE", "type": "float" }, { "name": "CATEGORY_L1", "type": ["string"], "categorical": True }, { "name": "CATEGORY_L2", "type": ["string"], "categorical": True }, { "name": "MARGIN", "type": "double" } ], "version": "1.0"
   }

Mielőtt importálnánk adatainkat az Amazon Personalize szolgáltatásba, meghatározzuk a metrikák hozzárendelését.

Metrika-hozzárendelések létrehozása

A mutatók létrehozásának megkezdéséhez meg kell adnia azoknak az eseményeknek a listáját, amelyekhez mérőszámokat szeretne gyűjteni. A kiválasztott eseménytípusok mindegyikéhez meg kell határozni, hogy az Amazon Personalize milyen funkciót fog alkalmazni az adatgyűjtés során – a két elérhető funkció  SUM(DatasetType.COLUMN_NAME) és a SAMPLECOUNT(), Ahol DatasetType lehet az INTERACTIONS or ITEMS adatkészlet. Az Amazon Personalize elküldheti a mérőszámadatokat a CloudWatch-nek megjelenítés és megfigyelés céljából, vagy exportálhatja azokat egy S3 tárolóba.

A metrika-hozzárendelés létrehozása és az események rögzítése vagy a tömeges növekményes adatok importálása után bizonyos havi CloudWatch-költségeket kell fizetnie mutatónként. A CloudWatch áraival kapcsolatos információkért lásd a CloudWatch árazás oldalon. Ha le szeretné állítani a mérőszámok küldését a CloudWatch számára, törölje a metrika hozzárendelését.

Ebben a példában két metrika-hozzárendelést fogunk létrehozni:

1. Számolja meg a „View” események teljes számát a gombbal SAMPLECOUNT(). Ehhez a funkcióhoz csak a INTERACTIONS adatkészlet.
2. Számítsa ki a teljes árrést, amikor vásárlási események következnek be a SUM(DatasetType.COLUMN_NAME) Ebben az esetben a DatasetType is ITEMS és az oszlop az MARGIN mert nyomon követjük a tétel árrését a vásárláskor. A Purchase esemény rögzítve van a INTERACTIONS adatkészlet. Vegye figyelembe, hogy annak érdekében, hogy az árrést a vásárlási esemény váltsa ki, minden megvásárolt cikk minden egyes egységéhez vásárlási eseményt kell küldenie, még akkor is, ha azok ismétlődnek – például két azonos típusú ing esetében. Ha a felhasználók az egyes tételek többszörösét is megvásárolhatják fizetéskor, és Ön csak egy vásárlási eseményt küld mindegyikükhöz, akkor egy másik mérőszám megfelelőbb lesz.

A mintaszám kiszámítására szolgáló funkció csak a INTERACTIONS adatkészlet. A teljes árrés azonban megköveteli, hogy rendelkezzen a ITEMS adatkészlethez és a számítás konfigurálásához. Mindegyiknél megadjuk a eventType amit követni fogunk, a használt függvényt, és megadjuk a metricName amely azonosítja a mutatókat, miután exportáltuk őket. Ebben a példában a „countViews” és a „sumMargin” nevet adtuk nekik.

A kódminta Pythonban van.

import boto3 personalize = boto3.client('personalize') metrics_list = [{ "eventType": "View", "expression": "SAMPLECOUNT()", "metricName": "countViews" }, { "eventType": "Purchase", "expression": "SUM(ITEMS.MARGIN)", "metricName": "sumMargin"
}]

Azt is meghatározzuk, hogy az adatok hova kerüljenek exportálásra. Ebben az esetben egy S3-as vödörhöz.

output_config = { "roleArn": role_arn, "s3DataDestination": { "path": path_to_bucket }
}

Ezután létrehozzuk a metrika hozzárendelését.

response = personalize.create_metric_attribution(
name = metric_attribution_name,
datasetGroupArn = dataset_group_arn,
metricsOutputConfig = output_config,
metrics = metrics_list
)

metric_attribution_arn = response['metricAttributionArn']

Meg kell adnia a name a metrika-hozzárendeléshez, valamint a datasetGroupArn, És a metricsOutputConfig és a metrics korábban létrehozott objektumok.

A létrehozott metrika-hozzárendeléssel folytathatja az adatkészlet-importálási feladatot, amely betölti a tételeinket és az interakciós adatkészleteinket az S3-csoportunkból az általunk korábban konfigurált adatkészlet-csoportokba.

A meglévő metrika-hozzárendelés módosításával vagy törlésével kapcsolatos információkért lásd: Mutató-hozzárendelés kezelése.

Adatok importálása és ajánlások létrehozása

Először is, importálja az interakciós adatokat az Amazon Personalize az Amazon S3-ból. Ebben a példában a következőt használjuk adatfájl. A szintetikus adatokat a kód alapján generáltuk Kiskereskedelmi Demo Store projekt. Tekintse meg a GitHub adattárat, ha többet szeretne megtudni a szintetikus adatokról és a lehetséges felhasználásokról.

Ezután hozzon létre egy ajánlót. Ebben a példában két ajánlót hozunk létre:

1. „Önnek ajánlott” ajánló. Az ilyen típusú ajánlók személyre szabott ajánlásokat hoznak létre az Ön által megadott felhasználó alapján.
2. Azok az ügyfelek, akik megtekintették X-et, szintén megtekintették. Az ilyen típusú ajánlók javaslatokat hoznak létre az ügyfelek által megtekintett tételekhez az Ön által megadott tételek alapján.

Küldje el az eseményeket az Amazon Personalize szolgáltatásnak, és rendelje hozzá az ajánlókhoz

Ha interakciókat szeretne küldeni az Amazon Personalize szolgáltatásnak, létre kell hoznia egy Eseménykövető.

Az Amazon Personalize minden egyes eseménynél rögzítheti a eventAttributionSource. Arra lehet következtetni a recommendationId vagy kifejezetten megadhatja, és azonosíthatja a jelentésekben a EVENT_ATTRIBUTION_SOURCE oszlop. An eventAttributionSource lehet az oldal ajánlója, forgatókönyve vagy harmadik fél által kezelt része, ahol interakciók történtek.

• Ha megadja a recommendationId, akkor az Amazon Personalize automatikusan kikövetkezi a forráskampányt vagy ajánlót.
• Ha mindkét attribútumot megadja, akkor az Amazon Personalize csak a forrást használja.
• Ha nem ad meg forrást vagy a recommendationId, majd az Amazon Personalize felcímkézi a forrást SOURCE_NAME_UNDEFINED jelentésekben.

A következő kód megmutatja, hogyan kell megadni egy eventAttributionSource egy eseményhez a PutEvents működését.

response = personalize_events.put_events(
trackingId = 'eventTrackerId',
userId= 'userId',
sessionId = 'sessionId123',
eventList = [{ 'eventId': event_id, 'eventType': event_type, 'itemId': item_id, 'metricAttribution': {"eventAttributionSource": attribution_source}, 'sentAt': timestamp_in_unix_format
}
}]
)
print (response)

A mutatók megtekintése

Az Amazon Personalize elküldi a mutatókat az Amazon CloudWatch vagy az Amazon S3 számára:

Ha minden tömeges adat esetében megad egy Amazon S3-csoportot a metrika-hozzárendelés létrehozásakor, dönthet úgy, hogy közzéteszi a metrikajelentéseket az Amazon S3-csoportjában. Ezt minden alkalommal meg kell tennie, amikor létrehoz egy adatkészlet-importálási feladatot az interakciós adatokhoz.

import boto3 personalize = boto3.client('personalize') response = personalize.create_dataset_import_job( jobName = 'YourImportJob', datasetArn = 'dataset_arn', dataSource = {'dataLocation':'s3://bucket/file.csv'}, roleArn = 'role_arn', importMode = 'INCREMENTAL', publishAttributionMetricsToS3 = True
) print (response)

Az adatok importálásakor válassza ki a megfelelő importálási módot INCREMENTAL or FULL és utasítsa az Amazon Personalize-t a mérőszámok beállítással történő közzétételére publishAttributionMetricsToS3 nak nek True. A metrikajelentések Amazon S3-on való közzétételével kapcsolatos további információkért lásd: Mutatók közzététele az Amazon S3-ban.

A PutEvents adatok az Eseménykövetőn keresztül küldött és a számára növekményes tömeges adatimportálás, az Amazon Personalize automatikusan elküldi a mutatókat a CloudWatch-nak. Megtekintheti az előző 2 hét adatait az Amazon CloudWatch szolgáltatásban – a régebbi adatokat figyelmen kívül hagyja.

Tudod ábrázoljon egy metrikát közvetlenül a CloudWatch konzolon annak a névnek a megadásával, amelyet a mutatónak a metrika-hozzárendelés létrehozásakor adott keresési kifejezésként. További információért arról, hogyan tekintheti meg ezeket a mutatókat a CloudWatch szolgáltatásban, lásd: A mérőszámok megtekintése a CloudWatch szolgáltatásban.

ábra 3: Példa a CloudWatch Console-ban megtekintett két ajánló két CTR-jének összehasonlítására.

Mutatók importálása és közzététele az Amazon S3-ba

Amikor feltölti adatait az Amazon Personalize szolgáltatásba egy adatkészlet-importálási feladaton keresztül, és megadta az Amazon S3-csoport elérési útját a metrika-hozzárendelésben, megtekintheti mérőszámait az Amazon S3-ban, amikor a feladat befejeződik.

A mérőszámok közzétételekor az Amazon Personalize új fájlt hoz létre az Amazon S3 tárolójában. A fájlnév megadja az importálás módját és dátumát. Területén EVENT_ATTRIBUTION_SOURCE megadja az esemény forrását, azaz azt, hogy melyik forgatókönyv szerint történt az interakció. Az Amazon Personalize segítségével megadhatja a EVENT_ATTRIBUTION_SOURCE Ha kifejezetten ezt a mezőt használja, ez lehet harmadik féltől származó ajánló. További információkért lásd Mutatók közzététele az Amazon S3-ban.

Összegzésként

A mérőszám-hozzárendelés hozzáadásával nyomon követheti, hogy az ajánlások milyen hatást gyakorolnak az üzleti mutatókra. Ezeket a mutatókat úgy hozhatja létre, hogy hozzáad egy metrika-hozzárendelést az adatkészlet-csoporthoz, és kiválasztja a nyomon követni kívánt eseményeket, valamint az események számlálására vagy egy adatkészletmező összesítésére szolgáló funkciót. Ezt követően láthatja, hogy mely mérőszámok érdeklik a CloudWatch vagy az Amazon S3 exportált fájlja.

Az Amazon Personalize szolgáltatással kapcsolatos további információkért lásd: Mi az Amazon Personalize?

A szerzőkről

Grüebler Anna az AWS megoldások specialistája, a mesterséges intelligencia területére összpontosítva. Több mint 10 éves tapasztalattal rendelkezik abban, hogy segítse ügyfeleit gépi tanulási alkalmazások fejlesztésében és üzembe helyezésében. Szenvedélye az új technológiák átvétele és mindenki kezébe adása, valamint a nehéz problémák megoldása, kihasználva az AI felhőben való használatának előnyeit.

Gabrielle Dompreh az AWS megoldások specialistája a mesterséges intelligencia és a gépi tanulás területén. Szereti megismerni a gépi tanulás új innovációit, és jól megtervezett megoldásokkal segít ügyfeleinek teljes képességeik kiaknázásában.

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. Hozzáférés itt.
• Forrás: https://aws.amazon.com/blogs/machine-learning/measure-the-business-impact-of-amazon-personalize-recommendations/