Amazon Personalize 常見問答集

頁面主題

一般問題
4
使用 Amazon Personalize
16
使用案例
2
定價
2

一般問題

Amazon Personalize 是一種全受管的機器學習 (ML) 服務，可使用您的資料為使用者產生產品和內容建議。您提供有關終端使用者的資料 (例如年齡、位置、裝置類型)、目錄中的項目 (例如類型、價格)，以及使用者與項目之間互動 (例如點按、購買) 的資料。Personalize 使用此資料來訓練自訂的私有模型，以產生可透過 API 顯示的建議。

該服務使用演算法來分析客戶行為，建議他們可能感興趣的產品，內容和服務。這種增強的客戶體驗方法可以提高客戶參與度、忠誠度和銷售額，從而增加收入和盈利能力。Personalize 採用 Amazon.com 所使用的相同機器學習技術，讓任何開發人員都能輕鬆為現有的應用程式、網站、推送通知、行銷通訊等新增個人化設定，完全不需要任何機器學習經驗。Personalize 使用即時資料洞見，根據使用者的行為立即提供個人化的建議。您可以使用適用於企業網域的使用案例最佳化推薦系統快速開始使用，也可以建立自己的可設定自訂資源。

以下是企業選擇 Amazon Personalize 進行個人化的一些原因：

  • 提高使用者參與度和轉化率：使用者更有可能與根據自己的喜好量身打造的產品和服務進行互動，因此企業可以透過提供個人化建議來提高使用者參與度和轉化率。
  • 提高客戶滿意度：企業可以透過使用個人化來展示與客戶需求和興趣更相關的產品和服務，從而提供更理想的客戶體驗。
  • 以符合成本效益的方式擴展個人化：Amazon Personalize 是雲端機器學習服務，可處理大量使用者資料，為數百萬使用者提供量身打造的建議。因此，對於具有龐大規模或擴展迅速的使用者群體的公司來說，這是一種有效的解決方案。
  • 節省時間和資源：Amazon Personalize 可自動化產生量身打造建議的程序，在數天而非數月內部署建議模型。這可以幫助組織節省用於執行手動分析和建議產生的寶貴資源與時間。

任何數位通道都可以使用 Amazon Personalize 將終端使用者的經驗個人化。範例包含電子商務產品推薦、新聞報導、出版物、媒體與社群網路、旅遊網站的飯店推薦、銀行信用卡推薦、以及交友網站的配對推薦等。當與使用者實體互動時，Amazon Personalize 也可用於創造專屬的使用者經驗，像是送餐服務公司依據訂閱計畫為使用者特製每週餐點即為一例。其他使用案例範例包括下列內容。請參閱我們的客戶參考，了解真實的客戶成功案例。

  • 個人化影片串流應用程式：將多種類型的個人化影片推薦新增至串流應用程式中。例如，最適合您、更類似 X 和最熱門的影片推薦。
  • 將產品推薦新增至電子商務應用程式：為您的零售應用程式新增一系列個人化產品推薦。例如，為您推薦的項目、經常一起購買和檢視 X 的客戶還檢視產品推薦。
  • 建立個人化電子郵件：為電子郵件清單中的所有使用者產生批次推薦。然後，可以使用 AWS 服務或第三方服務向使用者傳送個人化電子郵件，推薦型錄中的項目。
  • 建立目標行銷活動：可以使用 Amazon Personalize 產生最有可能與型錄中項目互動的使用者客群。然後，您可以使用 AWS 服務或第三方服務建立有針對性的行銷活動，將不同的項目推廣到不同的使用者客群。

查閱 Magic Movie Machine，這是一款簡短的互動遊戲，其中您要找出符合個人興趣的電影推薦。親身體會 Amazon Personalize 如何了解您喜歡的內容，然後即時調整給您的建議。立即示範。

使用 Amazon Personalize

Amazon Personalize 具有簡單的三步驟程序，只需在 AWS 管理主控台按幾下滑鼠或执行一組簡單的 API 呼叫。首先，將 Amazon Personalize 指向 Amazon S3 中的使用者互動資料 (檢視、點按、購買等歷史日誌)，使用簡單的 API 呼叫上傳資料，或使用 SageMaker Data Wrangler 來準備和匯入資料。或者，可以提供包含有關型錄和客戶群的其他資訊的項目或使用者資料集。其次，只要在主控台按幾下或執行 API 呼叫，即可訓練資料的自訂私有推薦模型。第三，擷取個人化推薦。觀看此 Amazon Personalize 深度挖掘影片系列了解更多資訊。

建立帳號、進入 Amazon Personalize 開發人員主控台完成直覺式設定精靈後便可開始使用。您可選擇使用 JavaScript API 和 Server-Side SDK，將即時活動串流資料寄至 Amazon Personalize，或透過使用者事件的歷史記錄引導服務。也可以透過 Amazon Simple Storage Service (S3) 或使用 SageMaker Data Wrangler 匯入資料。然後，可利用一些 API 呼叫執行個人化模型訓練，或由服務以 AutoML 選擇適合資料集的演算法，亦或由服務從數個演算法選項中手動選取。模型經過訓練後，可透過單一 API 呼叫部署，然後用於生產應用程式。部署之後，從您的產品服務呼叫服務，取得即時推薦，此時 Amazon Personalize 會自動擴展以符合要求。

使用者應提供 Amazon Personalize 以下資料：

  • 使用者活動串流或事件資料：在網站/應用程式上的使用者互動歷史日誌會以事件形式擷取並寄給 Amazon Personalize，會透過含有一行程式碼的整合寄送。其中包含例如點擊、購買、關注、放進購物車、讚好等主要事件。在服務上線啟用後，您還可提供所有事件/活動串流的歷史紀錄檔 (僅限能夠取得者)。
  • 型錄 (項目) 資料：型錄類型不限，書籍、影片、新聞報導或產品皆可。包括項目 ids 以及關於每一項目的中繼資料。
  • 使用者資料：使用者概述資料，包含使用者性別、年齡等人口統計資料。此資料並非必須。

Amazon Personalize 會根據此資料執行模型訓練及部署。然後，您可使用簡單的推論 API，在執行階段取得個人化推薦，並根據個人化模型的類型 (例如，使用者個人化、相關項目或個人化重新排名) 為最終使用者產生個人化體驗。

下列資料有助於改善您的推薦相關性，並強烈建議包括：

  • 事件類型 (所有網域資料集群組使用案例都需要)
  • 事件值
  • 內容中繼資料
  • 項目和使用者中繼資料

如需 Amazon Personalize 可使用資料類型的詳細資訊，請參閱可以匯入 Amazon Personalize 的資料類型。

Amazon Personalize 可讓您透過 Amazon SageMaker Data Wrangler 輕鬆匯入和準備資料，然後再在 Amazon Personalize 中使用這些資料。使用 SageMaker Data Wrangler，您可以從 40 多個支援的資料來源匯入資料，在單一使用者界面中執行端對端資料準備 (包括資料選取、清理、探索、視覺化和大規模處理)，並且只需少量 (或完全不需要) 程式碼。這可讓您使用 Amazon SageMaker Data Wrangler 快速準備使用者、項目或互動資料集，方法是利用 Amazon Personalize 特定轉換和 300 多種一般內建資料轉換，擷取資料洞見，並快速地反覆修正資料問題。只要造訪 Amazon Personalize 主控台、從資料集群組中開啟資料集、選取「匯入並準備資料」，然後選擇「使用 Data Wrangler 準備資料」即可。 請注意，使用 Amazon SageMaker Data Wrangler 的客戶將根據其用量產生額外費用。查看其定價頁。

是。Amazon Personalize 可讓您指定「新項目探索權重」，協助使用者探索新產品和項目。 然後，Amazon Personalize 會使用此輸入，在向使用者展示新內容和提供最相關的推薦之間自動取得適當的平衡。Amazon Personalize 也會考量有關使用者接觸過哪些項目、但選擇不與之互動的相關資料。 

Amazon Personalize 提供資料分析，讓您輕鬆入門。它可以分析您提供的資料，並且提供建議以協助您改善資料準備工作。個人化系統的效能取決於為模型提供有關使用者及其與型錄中項目互動的高品質資料。透過識別潛在的資料缺陷並提供建議以協助客戶進行修復，Amazon Personalize 可讓訓練效能模型更輕鬆，並且減少需要執行的疑難排解。

Amazon Personalize 已推出與自我管理 OpenSearch 的整合，讓您能夠針對每位使用者個人化搜尋結果，並協助預測您的搜尋需求。OpenSearch 中的 Amazon Personalize 搜尋排名外掛程式可協助您善用 Amazon Personalize 提供的深度學習功能，並將個人化重新排名套用至 OpenSearch 搜尋結果，而無需任何機器學習專業知識。藉助個人化搜尋，您可以超越傳統的關鍵字比對方法，並根據特定使用者的興趣、關聯內容和過去的互動，即時改善搜尋結果中的相關項目。此外，您還可以微調每個搜尋查詢的個人化層級，以更好地控制搜尋體驗，從而改善最終使用者參與度和搜尋轉換率。 

Amazon Personalize Search Ranking 外掛程式可用於自我管理和 Amazon OpenSearch。若您正在使用 Amazon OpenSearch，要開始使用，只需設定一個 OpenSearch 域，然後使用 AWS 個人化排名配方，設定 Amazon Personalize 行銷活動。接下來，將 Amazon Personalize Search Ranking 外掛程式與您的域關聯，最後設定該外掛程式。您還可以使用 OpenSearch 儀表板來比較搜尋結果。

若您正在使用自我管理的 OpenSearch，要開始使用，只需設定 OpenSearch 叢集，然後使用 AWS 個人化排名方法設定 Amazon Personalize 行銷活動，最後在 OpenSearch 中安裝並設定 Amazon Personalize 搜尋排名外掛程式。您可以使用 OpenSearch 儀表板來比較搜尋結果。

要進一步了解，請參閱我們的文件。

藉助 Amazon Personalize 下一個最佳動作 (aws-next-best-action) 配方，您可以根據每個使用者的偏好、興趣和歷史記錄，即時確定要推薦給每個使用者的下一個最佳操作。您可以推薦諸如附加服務、加入客戶忠誠度計畫、訂閱電子報等鼓勵轉化的動作。這使您可以透過促使每個使用者在使用者旅程中採取某些動作來改善體驗，將有助於促進長期的品牌參與度。它還使您可以透過推薦與使用者具有高度相關性的動作，以提高行銷投資回報率，從而增加收入和忠誠度。 進一步了解。

配方是針對特定個人化使用案例的 Amazon Personalize 演算法，包括產品或內容建議、個人化排名和使用者細分。每個配方提供 Amazon Personalize 在模型訓練和組態中使用的演算法。

要進一步了解，請參閱我們的文件。

Amazon Personalize 下一個最佳動作 (NBA) 讓品牌能推薦其個人使用者應採取的最佳行動，以即時提高品牌忠誠度和轉化率。客戶先定義動作清單並上傳所需的資料集。接下來他們訓練自訂 NBA 模特。然後，他們將透過 API 將建議整合到自己應用程式或行銷技術工具中。當一般使用者觸發即時推薦時，Personalize NBA 模型將傳回每個使用者的動作排名列表，及其傾向分數。由於動作可能僅適用於特定時間 (例如註冊假期旅行優惠)，或者客戶可能希望限制向最終使用者顯示的動作數量 (例如，在 Y 天內不顯示超過 X 次的相同動作)，因此客戶將能夠對其動作建議施加限制 (例如篩選器)。 

Amazon Personalize 為客戶提供兩個推論 API：getRecommendations 以及 getPersonalizedRanking。這些 API 為使用者返回推薦項目 ID 清單、項目的類似項目清單或使用者的重新排名項目清單。項目 ID 可以是產品識別符、影片 ID 等。然後，您應使用這些項目 ID，經由取得影像和敘述、透過畫面演繹等步驟，產生最終使用者體驗。某些情況下，客戶可能會藉由整合 AWS 或第三方電子郵件寄送服務、或通知服務等方式產生最終使用者體驗。

查看 Personalization API 解決方案，其中說明位於應用程式和推薦系統 (例如 Amazon Personalize) 之間的即時低延遲 API 架構。此解決方案也提供回應快取、API 閘道組態、使用 Amazon CloudWatch Evidently 進行 A/B 測試、推論時間項目中繼資料、自動關聯式推薦等方面的最佳實務實作。

Amazon Personalize 內建的一些功能可做為檢查點，協助您確保針對高品質推薦進行最佳化。

  • 線上測試 (A/B 測試)：這始終是模型對業務指標所產生影響的最佳衡量標準。這也是最常見的方法。您應該根據業務指標評估推薦。如果尚未使用 A/B 測試工具，請考慮使用 Amazon CloudWatch Evidently。 Personalization APIs 專案提供可部署的解決方案和參考架構。
  • 離線指標：Amazon Personalize 會運算每個解決方案版本和推薦系統的離線指標，以衡量模型預測的準確性。可以使用這些指標，針對其他版本提供解決方案版本品質的改進方向。離線指標的計算方式是將 Personalize 資料集分割為訓練和測試集。這樣就可檢視修改用於訓練模型的超參數和演算法的效果，根據歷史資料計算得到。
  • 線上指標：這些是在使用者與實際環境中所提供推薦的互動過程中觀察到的實證結果。將 Amazon Personalize 模型與現有推薦系統進行比較時，歷史資料一開始會偏向於現有方法。因此，建議您在實際開始測試以衡量結果之前執行幾週的線上測試，以便透過查看 Amazon Personalize 的推薦，在已產生的互動資料上訓練和評估模型。

您可以使用傳送至系統的任何事件衡量任何 Amazon Personalize 推薦帶來的業務成果。然後，可以視覺化並評估一個或多個推薦產生的影響，以開發更加資料驅動的個人化策略。在 Amazon Personalize 主控台或 API 中，定義「指標歸因」，這是您要評估和報告的互動清單 (事件類型)。例如，您可能想要追蹤兩個指標：推薦的點進率 (CTR) 和購買總數。對於每種事件類型，您只需定義要評估的指標和函數 (總和或計數)，Amazon Personalize 就會執行計算並將報告傳送到您的 CloudWatch 或 S3 帳戶。

所有 Amazon Personalize 模型對於客戶的資料集來說都是獨一無二的，不會與其他 AWS 帳戶或 Amazon Retail、Amazon Prime 或任何其他業務單位共用。不會使用該資料為其他客戶訓練或傳播模型，客戶模型的輸入和輸出全歸該帳戶所有。客戶與 Amazon Personalize 的所有互動都受到加密保護。Amazon Personalize 處理的任何使用者、項目或互動資料都可透過 AWS Key Management Service 使用客戶金鑰進一步加密，並在客戶使用該服務的 AWS 區域進行靜態和傳輸中加密。系統管理員還可以透過 AWS Identity and Access Management (IAM) 許可政策控制 Amazon Personalize 的存取，以確保敏感資訊的安全性和機密性。

使用案例

  • 使用者個人化：針對使用者的設定檔、行為、偏好和歷程記錄量身打造的推薦。這是最常用的案例，可以提升客戶參與度和滿意度。此類案例還可以推動更高的轉化率。
  • 個人化排名：根據使用者的偏好或歷程記錄，在類別或搜尋回應中重新排名項目。此使用案例用於向特定使用者顯示相關項目或內容，以確保更理想的客戶體驗。Amazon Personalize 支援重新排名，同時針對營收、促銷或趨勢項目等業務優先順序進行最佳化。
  • 類似項目：推薦相關項目，以鼓勵探索、追加銷售和交叉銷售機會。類似項目推薦可協助使用者探索新內容或比較型錄中的現有項目。
  • 下一個最佳動作：根據他們的個人行為和需求，即時向合適的使用者推薦正確的動作。這將使您能夠最大限度地提高使用者參與度，並帶來更高的轉化率。
  • 流行趨勢：推薦最受使用者歡迎的物品，例如突發新聞文章、熱門社交內容或新發佈的電影。
  • 使用者細分：針對特定項目或類別最感興趣的使用者傳送簡訊和通知。這可以幫助公司提高行銷活動的參與度，以及透過超定向的簡訊提高保留率。

在我們努力進行最佳化以輕鬆布設和使用時期間，Amazon Personalize 會根據客戶意見回饋和長期發展藍圖目標持續改進。您可在此列出的清單中找到多個超越基本 ML 實務的有影響力 Amazon Personalize 功能。有關功能的完整清單，請查看我們的功能頁面。

  • 使用者細分：依據最終使用者的偏好智慧地細分最終使用者，同時建立會與特定客戶群組產生共鳴的有針對性資訊。 觀看此示範以進一步了解。
  • 網域最佳化推薦系統：使用一般商業使用案例的預先建置推薦系統加快產品上市時間。 查看此示範以進一步了解。
  • 新項目推薦：當使用者偏好的相關資料稀缺時，針對新產品和內容建立品質推薦。
  • 即時或批次推薦：即時回應不斷變化的意圖，或提供批次導向工作流程的大量推薦。
  • 行動建議：透過將您的建議擴展到項目或內容以外，提高使用者忠誠度和轉化率。根據個人使用者的喜好、需求和過去的行為，確定向其建議的最佳動作。
  • 個人化搜尋：根據使用者的獨特興趣、喜好和過去的互動，即時顯示相關搜尋結果，從而改善使用者搜尋體驗。
  • 非結構化文字支援：自然語言處理和基於關注的建模，以自動擷取關鍵資訊。
  • 內容相關推薦：透過使用者客群、裝置類型、位置或一天中的時間點等內容產生推薦，藉此進行改進。
  • 業務規則：套用業務規則，包括篩選條件和促銷活動，以控制每位使用者的促銷內容百分比。
  • 趨勢推薦：推薦項目以最快的速度推薦在使用者中廣受歡迎的項目
  • 推薦影響：衡量任何事件的總業務影響，例如頁面檢視、影片開始、點按、加入購物車、購買等。

定價

請參閱 Amazon Personalize 定價頁面了解最新的定價資訊。

使用 Amazon Personalize，只需按實際用量付費；既沒有最低費用，也沒有前期承諾。以下是有關如何管理成本的一些提示。

依據您對即時更新的需求，可考慮快取結果

 僅依據業務需求重新訓練模型

透過將最低佈建的 TPS 設定為低來大量依賴自動擴展，除非自動擴展會對輸送量/延遲目標產生負面影響

當使用案例與下游批次程序 (例如電子郵件行銷) 保持一致時，請考慮使用批次推薦。由於批次推薦會針對解決方案版本執行，因此不需要行動活動。注意：批次推薦僅適用於自訂推薦資料集。

Amazon Personalize Monitor 專案提供一些成本最佳化功能，用於最佳化行銷活動佈建，以及提醒和刪除閒置/放棄的行銷活動。