Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Predictive Insights (Vorschau)
Predictive Insights (Preview) ist eine Funktion von Amazon Connect Customer Kundenprofilen, die mithilfe künstlicher Intelligenz personalisierte Produkt- und Inhaltsempfehlungen für Ihre Kunden generiert. Durch die Analyse von Kundeninteraktionsdaten hilft Ihnen Predictive Insights dabei, relevantere Erlebnisse an allen Kundenkontaktpunkten bereitzustellen.
So funktioniert Predictive Insights
Predictive Insights (Vorschau) verwendet KI-Modelle, um Verhaltensmuster von Kunden zu analysieren und Empfehlungen in Echtzeit zu generieren. Der Service verarbeitet Ihre Kundeninteraktionsdaten wie Kaufhistorie und Surfaktivitäten, um Muster und Präferenzen zu identifizieren.
-
Schritt 1: Fügen Sie mithilfe vorhandener Datenkonnektoren Interaktionsdaten zu Profilen hinzu, um KI-Modelle mit Ihren Kundeninteraktionsdaten zu trainieren
-
Schritt 2: Fügen Sie den Artikelkatalog zu S3 hinzu, damit Kundenprofile über den AWS-Managementkonsole
-
Schritt 3: Erstellen Sie Empfehlungen, indem Sie Empfehlungstypen definieren (ähnliche Artikel, häufig gepaarte Artikel, beliebte Artikel)
-
Schritt 4: Wenden Sie Empfehlungen im gesamten Connect Customer-Ökosystem an, einschließlich Agent Workspace, Flows und Connect AI-Agenten
Voraussetzungen
-
Aktivieren Sie den Datenspeicher in Kundenprofilen
Um KI-Modelle mithilfe Ihrer Kundenprofile zu trainieren, müssen Sie den Datenspeicher aktivieren. Einzelheiten finden Sie unter Datenspeicher für Kundenprofile, um mehr zu erfahren.
-
KMS
Sie haben Kundenprofile so konfiguriert, dass Ihre Daten unter einem AWS KMS key verschlüsselt werden.
-
Sicherheitsprofile
Sie haben Sicherheitsprofile so konfiguriert, dass sie die Berechtigungen „Anzeigen“ (Auflisten und Anzeigen von prädiktiven Erkenntnissen), „Erstellen“ (Empfehlungen erstellen), „Löschen“ (Empfehlungen löschen) und „Bearbeiten“ (Empfehlungen aktualisieren) unterstützen, wenn prädiktive Einblicke aktiviert sind.
Vorteile der Verwendung von Predictive Insights
Die Verwendung von Predictive Insights bietet mehrere wichtige Vorteile:
-
Verbessern Sie das Kundenerlebnis mit personalisierten Empfehlungen
-
Erhöhen Sie die Verkaufschancen durch relevante Produktvorschläge
-
Sparen Sie Zeit für Ihre Mitarbeiter, indem Sie automatisch relevante Empfehlungen anzeigen
-
Geben Sie konsistente Empfehlungen an allen Kundenkontaktpunkten ab
-
Aktualisieren Sie Vorschläge in Echtzeit, wenn sich das Kundenverhalten ändert
Überlegungen zu Daten
In den folgenden Abschnitten finden Sie Anleitungen zum Abgleich von Anwendungsfällen und zur Bewertung der Eignung der Daten für Predictive Insights.
Haben Sie Ihre Anwendungsfälle mit Predictive Insights abgeglichen?
Die Personalisierungstypen von Predictive Insights können die folgenden Anwendungsfälle abdecken:
-
Generierung personalisierter Empfehlungen für einen Benutzer
-
Empfehlung ähnlicher oder verwandter Artikel
-
Empfehlung von trendigen oder beliebten Artikeln
-
Re-ordering Artikel nach Relevanz
Haben Sie genügend Daten zur Interaktion mit Artikeln?
Für alle Anwendungsfälle und Personalisierungstypen müssen Sie mindestens 1.000 Artikelinteraktionen für 25 einzelne Benutzer mit jeweils mindestens zwei Interaktionen haben. Für Qualitätsempfehlungen empfehlen wir, mindestens 50.000 Artikelinteraktionen von mindestens 1.000 Benutzern mit jeweils zwei oder mehr Artikelinteraktionen durchzuführen.
Haben Sie eine Architektur für das Event-Streaming in Echtzeit eingerichtet?
Wenn Sie die Möglichkeit haben, Ereignisse in Echtzeit in Connect-Kundenprofile zu streamen, können Sie die Vorteile der Personalisierung in Echtzeit nutzen. Bei einigen Personalisierungsarten kann Predictive Insights aus den letzten Aktivitäten Ihrer Nutzer lernen und Empfehlungen aktualisieren, während diese Ihre Anwendung verwenden.
Sind Ihre Daten für Predictive Insights optimiert?
Wir empfehlen Ihnen, Ihre Daten auf Folgendes zu überprüfen:
-
Prüfen Sie, ob Werte fehlen. Wir empfehlen, dass mindestens 70% Ihrer Datensätze Daten für jedes Attribut enthalten. Wir empfehlen, dass Spalten, die Nullwerte zulassen, zu mindestens 70% vollständig sind.
-
Korrigieren Sie alle Ungenauigkeiten oder Probleme in Ihren Daten, z. B. inkonsistente Benennungskonventionen, doppelte Kategorien für ein Element, nicht übereinstimmende IDs in Datensätzen oder doppelte IDs. Diese Probleme können sich negativ auf Empfehlungen auswirken oder zu unerwartetem Verhalten führen. Beispielsweise könnten Ihre Daten sowohl „N/A“ als auch „Nicht zutreffend“ enthalten, aber Sie filtern Empfehlungen heraus, die nur auf „N/A“ basieren. Als „Nicht zutreffend“ markierte Elemente würden durch den Filter nicht entfernt.
-
Wenn ein Objekt, ein Benutzer oder eine Aktion mehrere Kategorien haben kann, z. B. ein Film mit mehreren Genres, kombinieren Sie die kategorialen Werte zu einem Attribut und trennen Sie jeden Wert mit dem Operator |. Beispielsweise könnten die GENRES-Daten eines Films Action | Abenteuer | Thriller lauten.
-
Vermeiden Sie es, mehr als 1000 mögliche Kategorien für eine Spalte zu verwenden (es sei denn, die Spalte enthält Daten, die nur zu Filterzwecken verwendet werden).
