Amazon Personalize – häufig gestellte Fragen

Themen der Seite

Allgemeines
4
Amazon Personalize verwenden
16
Anwendungsfälle
2
Preise
2

Allgemeines

Amazon Personalize ist ein vollständig verwalteter Service für Machine Learning (ML), der Ihre Daten verwendet, um Produkt- und Inhaltsempfehlungen für Ihre Benutzer zu generieren. Sie geben Daten über Ihre Endnutzer (z. B. Alter, Standort, Gerätetyp), Artikel in Ihrem Katalog (z. B. Genre, Preis) und Interaktionen zwischen Benutzern und Artikeln (z. B. Klicks, Käufe) an. Personalize verwendet diese Daten, um benutzerdefinierte, private Modelle zu trainieren, die Empfehlungen generieren, die über eine API angezeigt werden können.

Der Service verwendet Algorithmen, um das Kundenverhalten zu analysieren und Produkte, Inhalte und Dienstleistungen zu empfehlen, die für sie wahrscheinlich von Interesse sind. Dieser Ansatz zur Verbesserung des Kundenerlebnisses kann die Kundenbindung, die Loyalität und den Umsatz erhöhen, was zu einer Steigerung von Umsatz und Rentabilität führen kann. Personalize basiert auf derselben ML-Technologie, die auch von Amazon.com verwendet wird, und ermöglicht es jedem Entwickler, bestehende Anwendungen, Websites, Push-Benachrichtigungen, Marketing-Kommunikation und vieles mehr einfach zu personalisieren – und das ohne ML-Erfahrung. Personalize verwendet Datenerkenntnisse in Echtzeit, um Empfehlungen zu geben, die je nach Nutzerverhalten sofort personalisiert werden. Mit für Anwendungsfälle optimierten Empfehlungen für Ihre Geschäftsdomäne können Sie schnell loslegen oder Ihre eigenen konfigurierbaren, benutzerdefinierten Ressourcen erstellen.

Hier sind einige Gründe, warum Unternehmen Amazon Personalize für die Personalisierung wählen:

  • Verbessern Sie die Nutzerbindung und die Konversionsraten: Es ist wahrscheinlicher, dass Benutzer mit Produkten und Dienstleistungen interagieren, die auf ihre Präferenzen zugeschnitten sind. Daher können Unternehmen die Nutzerbindung und die Konversionsraten steigern, indem sie personalisierte Empfehlungen anbieten.
  • Steigern Sie die Kundenzufriedenheit: Unternehmen können ein besseres Kundenerlebnis bieten, indem sie Personalisierung nutzen, um Produkte und Dienstleistungen anzubieten, die ihren Bedürfnissen und Interessen besser entsprechen.
  • Skalieren Sie die Personalisierung auf kostengünstige Weise: Amazon Personalize ist ein cloudbasierter ML-Service, der riesige Mengen an Benutzerdaten verarbeiten kann, um maßgeschneiderte Empfehlungen für Millionen von Benutzern zu erstellen. Es ist somit eine effektive Lösung für Unternehmen mit einer großen oder schnell wachsenden Benutzerbasis.
  • Sparen Sie Zeit und Ressourcen: Amazon Personalize automatisiert den Prozess der Generierung maßgeschneiderter Vorschläge und stellt Empfehlungsmodelle innerhalb von Tagen statt Monaten bereit. Dies kann Unternehmen dabei helfen, wertvolle Ressourcen und Zeit zu sparen, die sonst für manuelle Analysen und die Generierung von Empfehlungen aufgewendet würden.

Amazon Personalize kann dazu verwendet werden, die Endbenutzererfahrung über einen beliebigen digitalen Kanal zu personalisieren. Beispiele sind Produktempfehlungen für E-Commerce, Nachrichtenartikel und Inhaltsempfehlungen zur Veröffentlichung, Medien und soziale Netzwerke, Hotelempfehlungen für Reisewebseiten, Kreditkartenempfehlungen für Banken und Partnervorschläge für Datingseiten. Amazon Personalize kann auch zur Anpassung der Nutzererfahrung verwendet werden, wenn die Benutzerinteraktion über einen physischen Kanal erfolgt, z. B. könnte ein Lieferservice Benutzern mit einem Abonnement jede Woche eine individuelle Speisekarte anbieten. Zu den weiteren Anwendungsbeispielen gehören die folgenden. In unseren Kundenreferenzen finden Sie echte Erfolgsgeschichten von Kunden.

  • Personalisieren Sie eine Video-Streaming-App: Fügen Sie Ihrer Streaming-App mehrere Arten personalisierter Videoempfehlungen hinzu. Zum Beispiel Top-Picks für dich, Mehr wie dieses X und Die beliebtesten Videoempfehlungen.
  • Fügen Sie Produktempfehlungen zu einer E-Commerce-App hinzu: Fügen Sie Ihrer Einzelhandels-App eine Reihe personalisierter Produktempfehlungen hinzu. Zum Beispiel Für Sie empfohlen, Häufig zusammen gekauft und Kunden, die X angesehen haben, haben sich auch Produktempfehlungen angesehen.
  • Personalisierte E-Mails erstellen: Generieren Sie Batch-Empfehlungen für alle Benutzer auf einer E-Mail-Liste. Sie können dann einen AWS-Service oder einen Drittanbieter-Service verwenden, um Benutzern personalisierte E-Mails zu senden, in denen Artikel in Ihrem Katalog empfohlen werden.
  • Erstellen Sie eine gezielte Marketingkampagne: Sie können Amazon Personalize verwenden, um Benutzersegmente zu generieren, die mit hoher Wahrscheinlichkeit mit Artikeln in Ihrem Katalog interagieren werden. Anschließend können Sie einen AWS-Service oder einen Drittanbieter-Service verwenden, um eine gezielte Marketingkampagne zu erstellen, mit der verschiedene Artikel für verschiedene Benutzersegmente beworben werden.

Schauen Sie sich Magic Movie Machine an, ein kurzes, interaktives Spiel, in dem Sie nach Filmempfehlungen suchen, die Ihren persönlichen Interessen entsprechen. Sehen Sie selbst, wie Amazon Personalize lernt, was Sie mögen und dann Ihre Empfehlungen in Echtzeit anpasst. Demo jetzt ansehen.

Amazon Personalize verwenden

Amazon Personalize verfügt über einen einfachen, dreistufigen Prozess, für den nur wenige Klicks in der AWS-Managementkonsole oder eine Reihe einfacher API-Aufrufe erforderlich sind. Zeigen Sie Amazon Personalize zunächst auf Ihre Benutzerinteraktionsdaten (historisches Protokoll von Aufrufen, Klicks, Käufen usw.) in Amazon S3, laden Sie die Daten mit einem einfachen API-Aufruf hoch oder verwenden Sie SageMaker Data Wrangler, um Ihre Daten vorzubereiten und zu importieren. Optional können Sie einen Artikel- oder Benutzerdatensatz bereitstellen, der zusätzliche Informationen zu Ihrem Katalog und Kundenstamm enthält. Zweitens können Sie mit nur wenigen Klicks in der Konsole oder einem API-Aufruf ein benutzerdefiniertes privates Empfehlungsmodell für Ihre Daten trainieren. Drittens: Rufen Sie personalisierte Empfehlungen ab. Sehen Sie sich diese vertiefende Videoserie zu Amazon Personalize an, um mehr zu erfahren.

Entwickler erstellen als erstes einen Account und greifen auf die Amazon-Personalize-Entwicklerkonsole zu, die sie durch einen intuitiven Einrichtungsassistenten führt. Entwickler haben die Möglichkeit, eine JavaScript-API und Server-Side-SDKs zu verwenden, um Informationen über die Aktivitätenliste in Echtzeit an Amazon Personalize zu senden oder den Service mit einem historischen Protokoll von Benutzerereignissen zu booten. Sie können Ihre Daten auch über Amazon Simple Storage Service (S3) oder mithilfe von SageMaker Data Wrangler importieren. Mit nur wenigen API-Aufrufen können Entwickler dann ein Personalisierungsmodell trainieren, entweder indem sie den Service den richtigen Algorithmus für ihr Dataset mit AutoML auswählen lassen oder indem sie manuell einen der vielen zur Verfügung stehenden Algorithmen auswählen. Einmal geschult, können die Modelle mit einem einzigen API-Aufruf eingesetzt werden und können dann von Produktionsanwendungen genutzt werden. Nach der Bereitstellung rufen Sie den Service von Ihren Produktionsservices aus auf, um Empfehlungen in Echtzeit zu erhalten, und Amazon Personalize wird automatisch an die Nachfrage angepasst.

Benutzer sollten Amazon Personalize die folgenden Daten zur Verfügung stellen:

  • Liste der Benutzeraktivität oder Ereignisdaten: Informationen zur Benutzerinteraktion auf der Website bzw. in der Anwendung werden als Ereignisse erfasst und an Amazon Personalize gesendet. Dies geschieht über eine Integration, die eine einzelne Codezeile enthält. Dazu gehören wichtige Ereignisse wie Klicks, Einkäufe, Beobachtungen, zum Einkaufswagen hinzugefügte Artikel, positive Bewertungen usw. Beim Einführen des Services können Sie auch ein historisches Protokoll aller Ereignis-/Aktivitätsdaten zur Verfügung stellen, sofern verfügbar.
  • Katalog(artikel)daten: Dabei kann es sich um jede Art von Katalog handeln, z. B. für Bücher, Videos, Nachrichtenartikel oder Produkte. Dazu gehören Artikel-IDs und Metadaten mit jedem Artikel.
  • Benutzerdaten: Profilinformationen der Benutzer, z. B. demografische Angaben wie Geschlecht und Alter. Diese Daten sind optional.

Amazon Personalize trainiert und stellt ein Modell auf Grundlage dieser Daten bereit. Sie können dann eine einfache Inference-API verwenden, um individuelle Empfehlungen während der Laufzeit zu erhalten und ein personalisiertes Erlebnis für die Endverbraucher nach der Art des Personalisierungs-Modells zu generieren (z. B. Benutzerpersonalisierung, verwandte Artikel oder personalisiertes neues Ranking).

Die folgenden Daten können dazu beitragen, die Relevanz Ihrer Empfehlungen zu verbessern. Es wird dringend empfohlen, sie mit aufzunehmen:

  • Ereignistyp (erforderlich für alle Anwendungsfälle von Domain-Datensatzgruppen)
  • Wert des Ereignisses
  • Kontextuelle Metadaten
  • Objekt- und Benutzermetadaten

Weitere Informationen zu den Datentypen, die Amazon Personalize verwenden kann, finden Sie unter Datentypen, die Sie in Amazon Personalize importieren können.

Amazon Personalize macht es Ihnen leicht, Ihre Daten über Amazon SageMaker Data Wrangler zu importieren und vorzubereiten, bevor Sie sie in Amazon Personalize verwenden. Mit SageMaker Data Wrangler können Sie Daten aus mehr als 40 unterstützten Datenquellen importieren und eine durchgängige Datenaufbereitung (einschließlich Datenauswahl, -bereinigung, -exploration, -visualisierung und -verarbeitung im großen Maßstab) in einer einzigen Benutzeroberfläche mit wenig bis gar keinem Code durchführen. Auf diese Weise können Sie mithilfe von Amazon SageMaker Data Wrangler schnell Benutzer-, Artikel- oder Interaktionsdatensätze vorbereiten, indem Sie Amazon-Personalize-spezifische Transformationen und über 300 allgemeine integrierte Datentransformationen nutzen, Dateneinblicke abrufen und schnell iterieren, indem Datenprobleme behoben werden. Besuchen Sie einfach die Amazon-Personalize-Konsole, öffnen Sie einen Datensatz aus den Datensatzgruppen, wählen Sie die Option „Daten importieren und vorbereiten“ und dann die Option „Daten mit Data Wrangler vorbereiten“ aus. Bitte beachten Sie, dass für Kunden, die Amazon SageMaker Data Wrangler verwenden, je nach Nutzung zusätzliche Gebühren anfallen. Rufen Sie die Seite mit der Preisübersicht auf.

Ja. Mit Amazon Personalize können Sie Ihren Benutzern helfen, neue Produkte und Artikel zu entdecken, indem Sie ein „Gewicht für die Erkundung neuer Artikel“ angeben können. Diese Eingabe wird dann von Amazon Personalize verwendet, um automatisch das richtige Gleichgewicht zwischen der Bereitstellung neuer Inhalte für Benutzer und dem Angebot der relevantesten Empfehlungen zu finden. Amazon Personalize berücksichtigt auch Daten darüber, welchen Elementen Benutzer ausgesetzt waren, mit denen sie jedoch nicht interagieren wollten. 

Amazon Personalize bietet Analysen Ihrer Daten, um den Einstieg zu erleichtern. Es kann die von Ihnen bereitgestellten Daten analysieren und Vorschläge zur Verbesserung Ihrer Datenaufbereitung unterbreiten. Die Leistung von Personalisierungssystemen hängt von der Bereitstellung hochwertiger Daten über Benutzer und deren Interaktionen mit Artikeln in Ihrem Katalog ab. Durch die Identifizierung potenzieller Datenmängel und die Bereitstellung von Vorschlägen zur Unterstützung der Kunden bei der Behebung erleichtert Amazon Personalize das Training leistungsfähiger Modelle und reduziert den Bedarf an Problembehebungen.

Amazon Personalize hat eine Integration mit der selbstverwalteten OpenSearch eingeführt, die es Ihnen ermöglicht, die Suchergebnisse für jeden Benutzer zu personalisieren und die Vorhersage Ihrer Suchanforderungen zu unterstützen. Das Plugin Amazon-Personalize-Search-Ranking in OpenSearch hilft Kunden dabei, die von Amazon Personalize angebotenen Deep-Learning-Funktionen zu nutzen und OpenSearch-Suchergebnisse zu personalisieren, ganz ohne ML-Kenntnisse. Mit der personalisierten Suche können Kunden über den traditionellen Keyword-Matching-Ansatz hinausgehen und relevante Elemente in den Suchergebnissen eines bestimmten Nutzers auf der Grundlage seiner Interessen, seines Kontextes und früherer Interaktionen in Echtzeit hervorheben. Kunden können auch den Grad der Personalisierung für jede Suchanfrage anpassen, um eine bessere Kontrolle über ihr Sucherlebnis zu haben und so das Engagement der Endnutzer und die Konversionsrate aus ihrer Suche zu verbessern. 

Das Amazon-Personalize-Search-Ranking-Plugin ist sowohl für selbstverwaltete als auch für Amazon OpenSearch verfügbar. Wenn Sie Amazon OpenSearch verwenden, richten Sie zunächst einfach eine OpenSearch-Domain ein und richten Sie dann die Amazon-Personalize-Kampagne mit dem AWS-Personalized-Ranking-Rezept ein. Als Nächstes verknüpfen Sie das Amazon-Personalize-Search-Ranking-Plugin mit Ihrer Domain und konfigurieren Sie das Plugin anschließend. Sie können das OpenSearch-Dashboard verwenden, um Ihre Suchergebnisse zu vergleichen.

Wenn Sie selbstverwaltetes OpenSearch verwenden, richten Sie, um loszulegen, einfach einen OpenSearch-Cluster ein, richten Sie dann die Amazon-Personalize-Kampagne mit AWS-Personalized-Ranking-Rezept ein und installieren und konfigurieren Sie schließlich das Search-Ranking-Plugin von Amazon Personalize in OpenSearch. Sie können das OpenSearch-Dashboard verwenden, um Ihre Suchergebnisse zu vergleichen.

Weitere Informationen finden Sie in unserer Dokumentation.

Mit dem Rezept Amazon Personalize Next-Best-Action (aws-next-best-action) können Sie anhand seiner Präferenzen, Interessen und Historie in Echtzeit die nächstbeste Aktion ermitteln, die Sie jedem einzelnen Benutzer empfehlen können. Sie können Aktionen wie einen Zusatzservice, die Teilnahme an einem Kundenbindungsprogramm, das Abonnieren eines Newsletters usw. empfehlen, die die Konversion fördern. Auf diese Weise können Sie das Nutzererlebnis verbessern, indem Sie sie dazu anregen, während ihrer gesamten Nutzerreise bestimmte Maßnahmen zu ergreifen, die zur Förderung der langfristigen Markenbindung beitragen. Es ermöglicht Ihnen auch, die Rendite Ihrer Marketinginvestitionen zu verbessern, indem Sie Aktionen empfehlen, die für den Benutzer von hoher Relevanz sind, was zu mehr Umsatz und Loyalität führt. Weitere Informationen.

Bei Rezepten handelt es sich um Amazon-Personalize-Algorithmen für bestimmte Anwendungsfälle der Personalisierung, einschließlich Produkt- oder Inhaltsempfehlungen, personalisiertes Ranking und Benutzersegmentierung. Jedes Rezept stellt einen Algorithmus bereit, den Amazon Personalize beim Training und der Konfiguration von Modellen verwendet.

Weitere Informationen finden Sie in unserer Dokumentation.

Amazon Personalize Next Best Action (NBA) ermöglicht es Marken, die besten Maßnahmen zu empfehlen, die ihre einzelnen Nutzer ergreifen sollten, um die Loyalität und Konversionsrate zu ihrer Marke in Echtzeit zu erhöhen. Kunden definieren zunächst eine Liste von Aktionen und laden die erforderlichen Datensätze hoch. Als nächstes trainieren sie ihr benutzerdefiniertes NBA-Modell. Anschließend integrieren sie Empfehlungen über eine API in ihre Anwendungen oder Marketingtechnologietools. Wenn ein Endbenutzer eine Empfehlung in Echtzeit auslöst, gibt das Modell Personalize NBA eine Rangliste der Aktionen für jeden Benutzer zusammen mit seinen Neigungswerten zurück. Da Aktionen möglicherweise nur für einen bestimmten Zeitraum relevant sind (z. B. für Urlaubsreiseangebote anmelden) oder Kunden die Anzahl der Aktionen, die Endbenutzern angezeigt werden, einschränken möchten (z. B. dieselbe Aktion innerhalb von Y Tagen nicht öfter als X Mal anzeigen), können Kunden ihre Handlungsempfehlungen einschränken (z. B. Filter). 

Amazon Personalize bietet Kunden zwei Inference-APIs: getRecommendations und getPersonalizedRanking. Diese APIs geben eine Liste der empfohlenen itemIDs für einen Benutzer, eine Liste ähnlicher Artikel für einen Artikel oder eine neu eingeordnete Liste von Artikeln für einen Benutzer zurück. Die itemID kann ein Produktidentifikator, eine videoID usw. sein. Es wird dann erwartet, dass Sie diese itemIDs verwenden, um die Endbenutzererfahrung durch Schritte wie das Abrufen von Bild und Beschreibung und das anschließende Rendern einer Anzeige zu erzeugen. In einigen Fällen nutzen Kunden AWS, E-Mail-Services von Drittanbietern oder Benachrichtigungsservices zur Integration, um die Endbenutzererfahrung zu erzeugen.

Schauen Sie sich die Personalisierungs-API-Lösung an, die das API-Framework mit niedriger Latenz in Echtzeit erklärt, das sich zwischen Ihren Anwendungen und Empfehlungssystemen wie Amazon Personalize befindet. Die Lösung bietet außerdem Implementierungen bewährter Methoden von Antwort-Caching, API-Gateway-Konfigurationen, A/B-Tests mit Amazon CloudWatch Evidently, Metadaten von Elementen zur Inferenzzeit, automatische kontextuelle Empfehlungen und mehr.

In Amazon Personalize sind einige Funktionen integriert, die als Prüfpunkte dienen, anhand derer Sie sicherstellen können, dass Sie für qualitativ hochwertige Empfehlungen optimieren.

  • Online-Tests (A/B-Tests): Dies wird immer das beste Maß für die Auswirkung eines Modells auf Geschäftskennzahlen sein. Es ist auch die gebräuchlichste Methode. Sie sollten Ihre Empfehlungen anhand von Geschäftskennzahlen bewerten. Wenn Sie noch kein A/B-Test-Tool haben, sollten Sie erwägen, Amazon CloudWatch Evidently zu verwenden. Das Personalization-APIs- Projekt bietet eine implementierbare Lösung und Referenzarchitektur.
  • Offline-Metriken: Amazon Personalize berechnet Offline-Metriken für jede Lösungsversion und jeden Empfehlungsgeber, mit denen die Genauigkeit der Vorhersagen aus dem Modell gemessen wird. Sie können diese Metriken verwenden, um ein direktes Bild von der Qualität einer Lösungsversion im Vergleich zu anderen Versionen zu erhalten. Offline-Metriken werden berechnet, indem die Personalize-Datensätze in einen Trainings- und Testsatz aufgeteilt werden. Es ermöglicht Ihnen, die Auswirkungen der Änderung von Hyperparametern und Algorithmen, die zum Trainieren Ihrer Modelle verwendet wurden, anhand historischer Daten zu betrachten.
  • Online-Metriken: Dies sind empirische Ergebnisse, die bei den Interaktionen Ihres Benutzers mit Empfehlungen in Echtzeit beobachtet wurden, die in einer Live-Umgebung bereitgestellt wurden. Wenn Sie Amazon Personalize-Modelle mit einem bestehenden Empfehlungssystem vergleichen, orientieren sich die historischen Daten zunächst an dem bestehenden Ansatz. Daher wird empfohlen, vor Beginn eines Tests einige Wochen lang einen Online-Test durchzuführen, um die Ergebnisse zu messen, damit das Modell anhand von Interaktionsdaten trainiert und bewertet wird, die anhand der Empfehlungen von Amazon Personalize generiert wurden.

Sie können das Geschäftsergebnis jeder Amazon Personalize-Empfehlung anhand jedes an das System gesendeten Ereignisses messen. Anschließend können Sie die Auswirkungen einer oder mehrerer Empfehlungen visualisieren und bewerten, um eine stärker datengestützte Personalisierungsstrategie zu entwickeln. Über die Amazon Personalize-Konsole oder die API können Sie eine „metrische Attribution“ definieren, d. h. eine Liste von Interaktionen (also Ereignistypen), über die Sie berichten möchten. Sie können zum Beispiel zwei Kennzahlen verfolgen: die Klickrate (CTR) für Empfehlungen und die Gesamtzahl der Käufe. Für jeden Ereignistyp definieren Sie einfach die Metrik und die Funktion, die Sie auswerten möchten (Summe oder Anzahl), Amazon Personalize führt die Berechnung durch und sendet Berichte an Ihr CloudWatch- oder S3-Konto.

Alle Amazon-Personalize-Modelle sind für den Datensatz des Kunden einzigartig und werden nicht mit anderen AWS-Konten oder mit Amazon Retail, Amazon Prime oder einer anderen Geschäftseinheit gemeinsam genutzt. Es werden keine Daten verwendet, um Modelle für andere Kunden zu trainieren oder zu propagieren. Die Modelleingaben und -ausgaben des Kunden sind vollständig im Besitz des jeweiligen Kontos. Alle Kunden-Interaktionen mit Amazon Personalize werden durch eine Verschlüsselung geschützt. Alle Benutzer-, Artikel- oder Interaktionsdaten, die von Amazon Personalize verwendet werden, können zusätzlich mit Kundenschlüsseln über den AWS Key Management Service verschlüsselt werden und werden im Ruhezustand und bei der Übertragung in der AWS-Region verschlüsselt, in der der Kunde den Service nutzt. Administratoren können den Zugriff auf Amazon Personalize auch über eine AWS Identity und Access Management (IAM)-Berechtigungsrichtlinie steuern. Dadurch wird sichergestellt, dass vertrauliche Informationen sicher und vertraulich beibehalten werden.

Anwendungsfälle

  • Benutzerpersonalisierung: Empfehlungen, die auf das Profil, das Verhalten, die Präferenzen und den Verlauf eines Benutzers zugeschnitten sind. Diese wird am häufigsten verwendet, um die Kundenbindung und -zufriedenheit zu steigern. Sie kann auch zu höheren Konversionsraten führen.
  • Personalisiertes Ranking: Artikel wurden in einer Kategorie oder in einer Suchantwort auf der Grundlage der Benutzerpräferenzen oder des Verlaufs neu bewertet. Dieser Anwendungsfall wird verwendet, um einem bestimmten Benutzer relevante Artikel oder Inhalte anzuzeigen und so ein besseres Kundenerlebnis zu gewährleisten. Amazon Personalize unterstützt Neueinstufungen und optimiert gleichzeitig die Geschäftsprioritäten wie Umsatz, Werbeaktionen oder Trendartikel.
  • Ähnliche Artikel: Empfehlenswerte ähnliche Artikel, um die Erkundung, Upselling- und Cross-Selling-Möglichkeiten zu fördern. Empfehlungen für ähnliche Artikel helfen Nutzern, neue Inhalte zu entdecken oder vorhandene Artikel in Ihrem Katalog zu vergleichen.
  • Nächstbeste Aktion: Empfehlen Sie dem richtigen Benutzer in Echtzeit die richtigen Aktionen, basierend auf seinem individuellen Verhalten und seinen Bedürfnissen. Auf diese Weise können Sie das Nutzerengagement maximieren und zu höheren Konversionsraten führen.
  • Jetzt im Trend: Empfehlen Sie Artikel, die bei Ihren Nutzern am schnellsten an Beliebtheit gewinnen, z. B. aktuelle Nachrichtenartikel, beliebte soziale Inhalte oder neu veröffentlichte Filme.
  • Benutzersegmentierung: Gezielte Nachrichten und Benachrichtigungen an die Benutzer, die sich am meisten für einen Artikel oder eine Kategorie interessieren. Dies kann Unternehmen dabei helfen, die Interaktion mit Marketingkampagnen zu steigern und die Bindungsraten durch zielgerichtete Botschaften zu erhöhen.

Amazon Personalize wird auf der Grundlage von Kundenfeedback und langfristigen Roadmap-Zielen ständig verbessert, um das Onboarding und die einfache Nutzung zu optimieren. Hier finden Sie mehrere wirkungsvolle Amazon-Personalize-Funktionen, die über die grundlegenden ML-Praktiken hinausgehen. Eine vollständige Liste der Funktionen finden Sie auf unserer Funktionen-Seite.

  • Benutzersegmentierung: Segmentieren Sie Endnutzer intelligent anhand ihrer Präferenzen und erstellen Sie gezielte Botschaften, die bei bestimmten Kundengruppen Anklang finden. Sehen Sie sich diese Demo an, um mehr zu erfahren.
  • Domainoptimierte Empfehlungsprogramme: Beschleunigen Sie die Markteinführung mit vorgefertigten Empfehlungsfunktionen für gängige Geschäftsanwendungen. Schauen Sie sich diese Demo an, um mehr zu erfahren.
  • Empfehlungen für neue Artikel: Erstellen Sie Qualitätsempfehlungen für neue Produkte und Inhalte, wenn Daten über Benutzerpräferenzen knapp sind.
  • Echtzeit- oder Batch-Empfehlungen: Reagieren Sie in Echtzeit auf veränderte Absichten oder geben Sie massenweise Empfehlungen an stapelorientierte Workflows weiter.
  • Handlungsempfehlungen: Erhöhen Sie Ihre Nutzerbindung und Konversionsrate, indem Sie Ihre Empfehlungen über Artikel oder Inhalte hinaus erweitern. Ermitteln Sie die beste Aktion, die Sie einzelnen Benutzern vorschlagen können, basierend auf ihren Präferenzen, Bedürfnissen und ihrem Verhalten in der Vergangenheit.
  • Personalisierte Suche: Verbessern Sie das Sucherlebnis Ihrer Nutzer, indem Sie relevante Suchergebnisse auf der Grundlage ihrer individuellen Interessen, Vorlieben und vergangenen Interaktionen in Echtzeit anzeigen.
  • Unterstützung für unstrukturierten Text: Natürliche Sprachverarbeitung und aufmerksamkeitsbasierte Modellierung zur automatischen Extraktion wichtiger Informationen.
  • Kontextuelle Empfehlungen: Verbessern Sie Empfehlungen, indem Sie sie mit einem Kontext wie Benutzersegment, Gerätetyp, Standort oder Tageszeit generieren.
  • Geschäftsregeln: Wenden Sie Geschäftsregeln an, einschließlich Filtern und Werbeaktionen, die den Prozentsatz der beworbenen Inhalte für jeden Nutzer steuern.
  • Trendempfehlungen: Empfehlen Sie Artikel, die bei Ihren Nutzern am schnellsten an Beliebtheit gewinnen
  • Auswirkung von Empfehlungen: Messen Sie die Gesamtauswirkung eines beliebigen Ereignisses auf das Unternehmen, z. B. eines Seitenaufrufs, des Starts eines Videos, eines Klicks, des Hinzufügens in den Einkaufswagen, eines Kaufs usw.

Preise

Aktuelle Preisinformationen finden Sie auf der Seite Amazon Personalize – Preise.

Mit Amazon Personalize zahlen Sie nur für das, was Sie auch nutzen. Es fallen keine Mindestgebühren oder Vorauszahlungen an. Hier finden Sie einige Tipps zum Kostenmanagement.

Erwägen Sie, die Ergebnisse auf der Grundlage Ihrer Anforderungen an Echtzeit-Updates zwischenzuspeichern

 Traineren Sie nur auf der Grundlage von Geschäftsanforderungen neu

Verlassen Sie sich stark auf automatische Skalierung, indem Sie die bereitgestellte Mindest-TPS niedrig ansetzen, es sei denn, dies wirkt sich negativ auf Ihre Durchsatz-/Latenzziele aus

Erwägen Sie die Verwendung von Batch-Empfehlungen, wenn der Anwendungsfall mit einem nachgeschalteten Batch-Prozess wie E-Mail-Marketing übereinstimmt. Da Batch-Empfehlungen mit einer Lösungsversion verglichen werden, ist für sie keine Kampagne erforderlich. Hinweis: Batch-Empfehlungen sind nur in benutzerdefinierten Empfehlungsdatensätzen verfügbar.

Das Projekt Amazon Personalize Monitor bietet einige Funktionen zur Kostenoptimierung zur Optimierung der Kampagnenbereitstellung sowie zur Benachrichtigung und zum Löschen von ungenutzten oder verlassenen Kampagnen.