Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Wawasan Prediktif (Pratinjau)
Prediktif Wawasan (Pratinjau) adalah fitur Profil Amazon Connect Customer Pelanggan yang menggunakan kecerdasan buatan untuk menghasilkan rekomendasi produk dan konten yang dipersonalisasi untuk pelanggan Anda. Dengan menganalisis data interaksi pelanggan, Predictive Insights membantu Anda memberikan pengalaman yang lebih relevan di semua titik kontak pelanggan.
Cara kerja Predictive Insights
Prediktif Wawasan (pratinjau) menggunakan model AI untuk menganalisis pola perilaku pelanggan dan menghasilkan rekomendasi real-time. Layanan memproses data interaksi pelanggan Anda, seperti riwayat pembelian dan aktivitas penelusuran, untuk mengidentifikasi pola dan preferensi.
-
Langkah 1: Tambahkan data interaksi ke profil menggunakan konektor data yang ada untuk melatih model AI dengan data interaksi pelanggan Anda
-
Langkah 2: Tambahkan katalog item ke S3 untuk memungkinkan Profil Pelanggan mengakses data item Anda melalui Konsol Manajemen AWS
-
Langkah 3: Buat rekomendasi dengan menentukan jenis rekomendasi (item serupa, item yang sering dipasangkan, item populer)
-
Langkah 4: Ter apkan rekomendasi di seluruh ekosistem Connect Customer termasuk Agen Workspace, Flows, dan Connect AI agen
Prasyarat
-
Aktifkan Penyimpanan Data di Profil Pelanggan
Untuk melatih model AI menggunakan Profil Pelanggan Anda, Anda perlu mengaktifkan penyimpanan data. Lihat detail di bawah Toko Data Profil Pelanggan untuk mempelajari lebih lanjut.
-
KMS
Anda telah mengonfigurasi Profil Pelanggan untuk mengenkripsi data Anda di bawah a AWS KMS key.
-
Profil Keamanan
Anda telah mengonfigurasi Profil Keamanan untuk mendukung izin Tampilan (daftar dan lihat wawasan prediktif), Buat (buat rekomendasi), Hapus (hapus rekomendasi), dan Edit (perbarui rekomendasi) dengan Wawasan prediktif diaktifkan.
Manfaat menggunakan Prediktif Wawasan
Menggunakan Prediktif Wawasan memberikan beberapa manfaat utama:
-
Tingkatkan pengalaman pelanggan dengan rekomendasi yang dipersonalisasi
-
Meningkatkan peluang penjualan melalui saran produk yang relevan
-
Hemat waktu agen dengan menampilkan rekomendasi yang relevan secara otomatis
-
Memberikan rekomendasi yang konsisten di semua titik kontak pelanggan
-
Perbarui saran secara real time saat perilaku pelanggan berubah
Pertimbangan Data
Bagian berikut memberikan panduan tentang cara mencocokkan kasus penggunaan dan menilai kesiapan data untuk Prediktif Wawasan.
Sudahkah Anda mencocokkan kasus penggunaan Anda dengan Prediktif Wawasan?
Jenis personalisasi Prediktif Wawasan dapat mengatasi kasus penggunaan berikut:
-
Menghasilkan rekomendasi yang dipersonalisasi untuk pengguna
-
Merekomendasikan item serupa atau terkait
-
Merekomendasikan item yang sedang tren atau populer
-
Re-ordering item berdasarkan relevansi
Apakah Anda memiliki cukup data interaksi item?
Untuk semua kasus penggunaan dan jenis personalisasi, Anda harus memiliki minimal 1.000 interaksi item untuk 25 pengguna unik dengan masing-masing setidaknya dua interaksi. Untuk rekomendasi kualitas, sebaiknya Anda memiliki minimal 50.000 interaksi item dari setidaknya 1.000 pengguna dengan masing-masing dua atau lebih interaksi item.
Apakah Anda memiliki arsitektur streaming acara real-time?
Jika Anda memiliki kemampuan untuk melakukan streaming acara real-time ke Connect Customer Profiles, Anda akan dapat memanfaatkan personalisasi real-time. Dengan beberapa jenis personalisasi, Prediktif Wawasan dapat belajar dari aktivitas terbaru pengguna Anda dan memperbarui rekomendasi saat mereka menggunakan aplikasi Anda.
Apakah data Anda dioptimalkan untuk Prediktif Wawasan?
Kami sarankan Anda memeriksa hal-hal berikut dalam data Anda:
-
Periksa nilai yang hilang. Sebaiknya minimal 70% catatan Anda memiliki data untuk setiap atribut. Kami merekomendasikan kolom yang memungkinkan nilai nol setidaknya 70% lengkap.
-
Perbaiki ketidakakuratan atau masalah dalam data Anda, seperti konvensi penamaan yang tidak konsisten, kategori duplikat untuk item, ID yang tidak cocok di seluruh kumpulan data, atau ID duplikat. Masalah-masalah ini dapat berdampak negatif pada rekomendasi atau menyebabkan perilaku yang tidak terduga. Misalnya, Anda mungkin memiliki “N/A” dan “Tidak Berlaku” dalam data Anda, tetapi menyaring rekomendasi hanya berdasarkan “N/A”. Item yang ditandai “Tidak Berlaku” tidak akan dihapus oleh filter.
-
Jika item, pengguna, atau tindakan dapat memiliki beberapa kategori, seperti film dengan beberapa genre, gabungkan nilai kategoris menjadi satu atribut dan pisahkan setiap nilai dengan operator |. Misalnya, data GENRES film mungkin Action | Adventure | Thriller.
-
Hindari memiliki lebih dari 1000 kemungkinan kategori untuk kolom (kecuali kolom berisi data hanya untuk tujuan pemfilteran).
