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.

Beginnen Sie mit Predictive Insights

Gehen Sie folgendermaßen vor, um mit der Verwendung von Predictive Insights zu beginnen:

Schritt 1: Hinzufügen von Interaktionsdaten zu Kundenprofilen

Sie können die vorhandenen Datenkonnektoren in Kundenprofilen verwenden, um Interaktionsdaten einem Standard-Web Analytics-Objekt zuzuordnen.

Weitere Informationen finden Sie unter Objekttyp-Zuordnung für die Standard-Webanalyse.

Schritt 2: Artikelkatalogdaten hinzufügen

Sie können einzelne Produkte in Ihrem Katalog innerhalb der Domain mithilfe von Standardkatalogdaten darstellen. Diese Katalogdaten existieren auf Domain-Ebene und sind nicht an ein bestimmtes Kundenprofil gebunden. Sie dienen als strukturierte Darstellung Ihrer Produkte, die für Personalisierungsfunktionen genutzt werden kann. Sie können Ihre Produkt- oder Artikelinformationen als Domänenobjekte in Kundenprofile importieren, indem Sie Datenkonnektoren verwenden, die flexible Optionen für die Aufnahme und Verwaltung Ihrer Kataloginformationen bieten. So stellen Sie sicher, dass Ihre Produktdaten im System aktuell und zugänglich bleiben.

Weitere Informationen finden Sie unter Objekttypzuordnung für den Artikelkatalog.

Schritt 3: Erstellung prädiktiver Erkenntnisse

Mit Connect Customer können Sie spezielle KI-Modelle erstellen und bereitstellen, die auf Ihre spezifischen Produktempfehlungsanforderungen zugeschnitten sind. Diese Modelle können entweder über die Connect Web-Benutzeroberfläche oder programmgesteuert über APIs konfiguriert werden, um Ihren individuellen Geschäftsszenarien gerecht zu werden. Predictive Insights bietet verschiedene Arten von Empfehlungen:

Artikellimits nach Empfehlungstyp

In der folgenden Tabelle wird die maximale Anzahl von Elementen beschrieben, die je nach verwendetem Empfehlungstyp für die Generierung von Empfehlungen in Betracht gezogen werden.

Schritt 4: Einsatz von Predictive Insights auf allen Kanälen zur Kundenbindung

Verwenden von Empfehlungen aus Kundenprofilen in Connect Flows

In diesem Abschnitt wird beschrieben, wie Sie den Flow-Block „Kundenprofile — Profilempfehlungen abrufen“ verwenden können, um das Nutzererlebnis während eines Kontakts zu verbessern, indem Sie AI-powered Empfehlungen für ein Profil in Echtzeit generieren.

Eigenschaften des Flow-Blocks

Für den Flow-Block „Profilempfehlungen abrufen“ müssen die folgenden Eigenschaften konfiguriert werden:

Flow, Block, Zweige

Der Flow-Block „Profilempfehlungen abrufen“ kann Kontakte entlang der folgenden Zweige weiterleiten:

Empfehlungen aus dem Block verwenden

Die Antwort auf die Empfehlungen wird auf $ gespeichert. Customer.RecommendationsKontaktattribut JSONPath als JSON-Liste von Empfehlungsobjekten. Jedes Empfehlungsobjekt enthält die ausgewählten Empfehlungsattribute.

Der folgende Python-Beispielcodeausschnitt aus einer Lambda-Funktion zeigt, wie er verwendet werden kann, um Empfehlungen aus dem Block „Profilempfehlungen abrufen“ umzuwandeln und in andere Kontaktattribute zu übertragen, sodass die Empfehlungen in nachfolgenden Blöcken verwendet werden können.

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

Nachdem Sie Ihren Flow mit dem Block „Profilempfehlungen abrufen“ eingerichtet haben, können Sie damit beginnen, Empfehlungen für Ihre Kunden während ihrer Kontakte zu generieren.

Verwenden von Kundenprofilempfehlungen in ausgehenden Kampagnen

Sie können Predictive Insights in ausgehende Kampagnen von Connect Customer integrieren, um personalisierte Empfehlungen über E-Mail- und SMS-Kanäle abzugeben. Wenn Sie eine durch Ereignisse ausgelöste Kampagne erstellen, können Sie den Abschnitt „Empfehlungen“ so konfigurieren, dass automatisch AI-powered Empfehlungen für Kundenprofile generiert werden, die der Kampagne zugeordnet sind.

Diese Integration verwendet die Web Analytics-Objektzuordnung als Ereigniskategorie zur Erfassung von Kundeninteraktionsdaten. Dadurch kann die Empfehlungsmaschine relevante und gezielte Vorschläge auf der Grundlage des Kundenverhaltens unterbreiten.

Eine schrittweise Anleitung zur Konfiguration von Empfehlungen in ereignisgesteuerten Kampagnen finden Sie unter. Erstellen einer ausgehenden Kampagne mit Ereignisauslösern

Connect AI Agents für Vertriebsempfehlungen einrichten

Amazon Q in Connect erweitert die Agentenfunktionen durch den neuen Agententyp „Orchestration“. Diese Funktion ist besonders nützlich für die Einrichtung eines Sales AI Agents, der Artikelempfehlungen aussprechen kann. Dies ist besonders nützlich in Upselling- und Cross-Sell-Szenarien.

Erste Schritte

Um mit der Implementierung zu beginnen, greifen Sie auf Connect Customer zu AWS-Managementkonsole und navigieren Sie zu Connect Customer. Nachdem Sie sich über die Access-URL bei Ihrer Connect-Instance angemeldet haben, suchen Sie im linken Navigationsbereich nach Amazon Q und wählen Sie AI Agents aus. Auf der QiC-Seite unter AI Agents finden Sie einen vorkonfigurierten AI-Agenten vom Typ Orchestration (SalesAgent) im Entwurfsstatus. Diese Vorlage enthält alle notwendigen Konfigurationen für 1P-Tools und Beispielaufforderungen für Empfehlungen.

Erstellen Sie Ihren benutzerdefinierten Agenten

Um einen benutzerdefinierten Vertriebsagenten zu erstellen, erstellen Sie zunächst einen neuen AI-Agenten vom Typ Orchestration und kopieren Sie ihn aus der vorhandenen SalesAgent Vorlage. Bei diesem Vorgang werden alle Tools und Konfigurationen von der Vorlage auf Ihren neuen Agenten übertragen.

Den Agenten anpassen

Administratoren haben zwei Hauptoptionen, wenn es darum geht, die Eingabeaufforderung des Agenten zu aktualisieren. Sie können entweder ihren vorhandenen Agenten-Prompt an den Vertriebsagenten-Prompt anhängen und Anweisungen zur Upsell-Identifizierung hinzufügen, oder sie können von vorne beginnen, indem sie den SalesAgent Prompt entfernen und einen neuen Orchestration-Prompt erstellen, der auf dem aktuell veröffentlichten Agenten basiert, und diesem den Vertriebsagenten-Prompt hinzufügen. Diese Flexibilität ermöglicht maßgeschneiderte Lösungen, die spezifischen Geschäftsanforderungen und Domänenanforderungen entsprechen.

Konfiguration und Integration von Flow

Nachdem Sie die Agentenkonfiguration abgeschlossen und veröffentlicht haben, besteht der nächste Schritt darin, einen Amazon Lex-Bot unter Flows zu erstellen. Der eingehende Flow muss aktualisiert werden, um den GetCustomerInput Block mit dem erstellten Lex-Bot einzubeziehen. Das Neue SalesAgent sollte in den zusätzlichen Optionen ausgewählt werden. Sie müssen sowohl den Flussblock „Kundenprofil“ für den Abruf der Profil-ID als auch den Flow-Block „ Set-ContactAttribute“ hinzufügen, wobei Sie CustomerId als Schlüssel für die Profil-ID und den Wert $ Customer.ProfileId festlegen.

Die Implementierung unterstützt sowohl Chat-Kontakte als auch Sprachanrufe, wobei Kundeneingaben nahtlos an den QIC-Agenten auf dem Lex-Bot weitergeleitet werden. Dieses umfassende Setup ermöglicht AI-driven Verkaufsempfehlungen und Upselling-Möglichkeiten in Ihrer Connect-Kundenumgebung. Die Flexibilität des Systems ermöglicht eine Anpassung an spezifische Branchenanforderungen, wobei die Kernfunktionen der intelligenten Verkaufsunterstützung erhalten bleiben. Diese Lösung bietet einen Rahmen für die Verbesserung der Kundeninteraktionen anhand von AI-powered Empfehlungen und unterstützt letztendlich effektivere Vertriebs- und Kundenservice-Abläufe. Administratoren können die Implementierung weiter verfeinern, indem sie domänenspezifische Anweisungen hinzufügen und die Empfehlungstypen an ihre Geschäftsanforderungen anpassen.

Konfiguration SalesAgent zur Verwendung für die Agentenunterstützung

Sie können das so konfigurieren SalesAgent , dass es im Q in Connect-Chat-Widget im Arbeitsbereich für Agenten verwendet wird. Dazu müssen Sie zwei wichtige Dinge ändern.

Jetzt können Sie diesen Flow als Ihren regulären Inbound verwenden und das Q in Connect-Chat-Widget sollte in der Lage sein, Empfehlungen zu geben, die bei der Bearbeitung von Benutzeranfragen helfen.