通过亚马逊个性化下一步行动向用户推荐行动来建立品牌忠诚度 机器学习博客
利用亚马逊个性化提升品牌忠诚度
关键要点
个性化推荐 使用亚马逊的 Next Best Action 模型，为用户提供个性化的行动建议，提升品牌忠诚度和转化率。实时更新 Next Best Action 允许根据用户的历史行为和需求，实时更新推荐内容。价值驱动 提高用户体验并推动长久的品牌参与和收益，通过提供与用户行为相一致的推荐来优化营销投资回报。近日，亚马逊个性化服务Amazon Personalize推出了新的Next Best Actionawsnextbestaction模型，旨在帮助企业为每位用户推荐最有效的行动，进而提升品牌忠诚度和转化率。
亚马逊个性化是一个完全托管的机器学习ML服务，使开发者能够轻松在实时环境中提供高度个性化的用户体验。通过使用 APIs，用户可以快速构建复杂的个性化功能，而无需具备专业的 ML 知识。所有数据均经过加密，以确保隐私和安全性。
在本文中，我们将探讨如何利用 Next Best Action 模型，为用户提供基于其过往交互、需求和行为的个性化行动推荐。
解决方案概述
随着数字渠道的快速发展和技术的进步，品牌在确定针对每位用户的最大化参与行动方面面临挑战。传统上，品牌要么向所有用户展示相同的行动要么依靠用户分层策略进行推荐。然而，这些方法已不足以满足用户的个性化需求，因为用户希望获得独特的体验，并会对不理解其需求的品牌产生流失。
Next Best Action 模型能够根据每位用户的偏好、需求以及历史行为，识别出最有可能吸引其参与的行动。该模型会实时考虑每位用户的兴趣，在此基础上提供行动建议。推荐的行动包括注册忠诚度计划、订阅新闻通讯、探索新类别、下载应用等，这些都能有效促进转化。通过在用户旅程中提供针对性的推荐，品牌能够提高用户满意度和参与。
许多 AWS 合作伙伴如 Credera 对亚马逊个性化的 Next Best Action 功能感到兴奋，认为这一功能将为客户开启个性化的无限可能。
“亚马逊个性化是一种世界级的机器学习解决方案，能够使公司在广泛的使用场景中创造有意义的客户体验，而无需大规模的重复工作或传统解决方案所需的高初始实现成本。我们对 Next Best Action 功能的出现感到非常兴奋，这将使客户能够提供个性化的行动推荐，从而显著改善数字体验并驱动额外的商业价值。”
Jason Goth Credera 合作伙伴及首席技术官
加速器网页版示例用例
为了更详细地探讨这一新功能的影响，我们将以三位用户为例：AUserid 11999、BUserid 17141和 CUserid 8103，他们在网站购物过程中处于不同的阶段。接下来，我们将观察 Next Best Action 如何针对每位用户的历史交互和偏好提出最佳行动建议。
首先，我们分析行动交互数据集，以便了解用户过去的互动记录。下表展示了三位用户及其不同的购物模式。用户 A 是频繁购买者，过去主要在“美容与护理”和“珠宝”类别进行购物。用户 B 是偶尔购买者，之前在“电子产品”类别进行了几次购买，而用户 C 则是该网站的新用户，首次在“服装”类别下单。
用户类型用户 ID行动行动事件类型时间戳用户 A11999在“美容与护理”类别下单完成20230917 200305用户 A11999在“美容与护理”类别下单完成20230918 192838用户 A11999在“美容与护理”类别下单完成20230920 174952用户 A11999在“珠宝”类别下单完成20230926 183616用户 A11999在“美容与护理”类别下单完成20230930 192105用户 A11999下载移动应用完成20230930 192935用户 A11999在“珠宝”类别下单完成20231001 193547用户 A11999在“美容与护理”类别下单完成20231004 191934用户 A11999在“珠宝”类别下单完成20231006 203855用户 A11999在“美容与护理”类别下单完成20231010 201707用户 B17141在“电子产品”类别下单完成20230929 201749用户 B17141在“电子产品”类别下单完成20231002 003808用户 B17141在“电子产品”类别下单完成20231007 110456用户 C8103在“服装”类别下单完成20230926 183056传统上，品牌要么向所有用户展示相同的行动，要么采用用户分层策略来推荐。下表展示了一个品牌向所有用户展示同一组行动的示例。这样的推荐可能与用户的兴趣不相符合，从而降低品牌的互动性。
用户类型用户 ID行动推荐行动排名用户 A11999订阅忠诚度计划1用户 A11999下载移动应用2用户 A11999在“电子产品”类别下单3用户 B17141订阅忠诚度计划1用户 B17141下载移动应用2用户 B17141在“电子产品”类别下单3用户 C8103订阅忠诚度计划1用户 C8103下载移动应用2用户 C8103在“电子产品”类别下单3现在让我们使用 Next Best Action 为每位用户推荐行动。在您定义可以推荐的行动后，awsnextbestaction 模型会返回一份针对每位用户的排名行动建议，基于用户对特定行动的倾向从 00 到 10 之间的概率及行动的价值如提供。在本示例中，我们主要考虑用户倾向因素。
下表显示，对于用户 A频繁购买者，订阅忠诚度计划是推荐的首选行动，其倾向得分为 100，意味着该用户极有可能加入忠诚度计划，从而提升用户参与度。
用户类型用户 ID行动推荐行动排名倾向得分用户 A11999订阅忠诚度计划1100用户 A11999在“珠宝”类别下单2086用户 A11999在“美容与护理”类别下单3085用户 B17141在“电子产品”类别下单1078用户 B17141订阅忠诚度计划2071用户 B17141在“智能家居”类别下单3066用户 C8103在“手袋及鞋子”类别下单1060用户 C8103下载移动应用2048用户 C8103在“服装”类别下单3046同样，用户 B偶尔购买在“电子产品”类别的购买倾向较高，同时对“智能家居”类别的新产品也有兴趣。因此，Next Best Action 推荐优先购买这两个类别的产品。这意味着如果您引导用户 B 购买这两个类别的产品，他们的参与度将会更高。值得注意的是，虽然用户 B 也被推荐订阅忠诚度计划，但其倾向得分071低于用户 A的 10。这是因为购物旅程较深的用户在忠诚度计划中拥有更多的权益，更可能进行互动。
最后，对于用户 C，Next Best Action 推荐在“手袋及鞋子”类别下单，与其之前在“服装”类别的购买相似。其倾向得分为 060 的购买推荐优于下载移动应用的倾向得分048。这意味着如果您建议用户 C 购买“手袋及鞋子”，相较于下载应用，他们更有可能与您的品牌保持联系并继续购物。
有关如何实施 Next Best Actionawsnextbestaction模型的更多细节，请参阅文档。
结论
亚马逊个性化的新 Next Best Action 模型能够根据用户的个体行为和需求，实时推荐合适的行动。这将使您最大限度地提高用户参与度，并带来更高的转化率。
有关亚马逊个性化的更多信息，请参见 亚马逊个性化开发者指南。
关于作者
Shreeya Sharma 是一位高级技术产品经理，专注于亚马逊个性化，她拥有计算机科学工程、技术咨询和数据分析的背景。业余时间，她喜欢旅行、表演戏剧以及尝试新事物。
Pranesh Anubhav 是亚马逊个性化的高级软件工程师，热衷于设计能够大规模服务客户的机器学习系统。在工作之余，他喜欢踢足球，并是皇家马德里的忠实粉丝。
Aniket Deshmukh 是 AWS AI 实验室的应用科学家，他支持亚马逊个性化服务，专注于推荐系统、上下文赌博机和多模态深度学习领域。