翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

# 予測インサイト (プレビュー)
<a name="customer-profiles-predictive-insights"></a>

*Predictive Insights* (プレビュー) は、人工知能を使用して顧客向けにパーソナライズされた製品とコンテンツのレコメンデーションを生成する Amazon Connect Customer Profiles の機能です。顧客とのインタラクションデータを分析することで、Predictive Insights は、すべての顧客とのタッチポイントでより関連性の高いエクスペリエンスを提供するのに役立ちます。

## Predictive Insights の仕組み
<a name="predictive-insights-how-it-works"></a>

Predictive Insights (プレビュー) は AI モデルを使用して顧客の行動パターンを分析し、リアルタイムのレコメンデーションを生成します。サービスは、購入履歴やブラウジングアクティビティなどのカスタマーインタラクションデータを処理し、パターンや好みを特定します。
+ **ステップ 1: **既存のデータコネクタを使用してインタラクションデータをプロファイルに追加し、顧客インタラクションデータを使用して AI モデルをトレーニングする 
+ **ステップ 2:** S3 に項目カタログを追加して、Customer Profiles が を介して項目データにアクセスできるようにする AWS マネジメントコンソール
+ **ステップ 3:** レコメンデーションタイプ (類似アイテム、頻繁にペアリングされるアイテム、人気アイテム) を定義してレコメンデーションを作成する 
+ **ステップ 4:** エージェントワークスペース、フロー、Connect AI エージェントを含む Amazon Connect エコシステム全体にレコメンデーションを適用する 

## 前提条件
<a name="predictive-insights-prereqs"></a>
+ **Customer Profiles でデータストアを有効にする**

  Customer Profiles を使用して AI モデルをトレーニングするには、データストアを有効にする必要があります。詳細については、Customer Profile Data Store の詳細を参照してください。
+ **KMS**

  でデータを暗号化するように Customer Profiles を設定しました AWS KMS key。
+ **セキュリティプロファイル**

  予測インサイトを有効にして、表示 (予測インサイトのリストと表示）、レコメンデーションの作成 (レコメンデーションの作成）、削除 (レコメンデーションの削除）、編集 (レコメンデーションの更新) のアクセス許可をサポートするようにセキュリティプロファイルを設定しました。

## Predictive Insights を使用する利点
<a name="predictive-insights-benefits"></a>

Predictive Insights の使用には、いくつかの主な利点があります。
+ パーソナライズされたレコメンデーションによるカスタマーエクスペリエンスの向上
+ 関連する製品の提案を通じて販売機会を増やす
+ 関連するレコメンデーションを自動的に表示してエージェントの時間を節約する
+ すべての顧客のタッチポイントで一貫したレコメンデーションを提供する
+ 顧客の行動の変化に応じてリアルタイムで提案を更新する

## データに関する考慮事項
<a name="data-considerations"></a>

以下のセクションでは、ユースケースを照合し、Predictive Insights のデータ準備状況を評価する方法に関するガイダンスを提供します。

### ユースケースを Predictive Insights に一致させましたか?
<a name="data-consideration-1"></a>

Predictive Insights のパーソナライゼーションタイプは、次のユースケースに対処できます。
+ ユーザー向けにパーソナライズされたレコメンデーションの生成
+ 類似商品や関連商品のレコメンド
+ トレンド商品や人気商品のレコメンド
+ 関連性による項目の順序変更

### アイテムインタラクションデータは十分ですか?
<a name="data-consideration-2"></a>

すべてのユースケースとパーソナライゼーションタイプについて、それぞれ少なくとも 2 つのインタラクションを持つ 25 人の一意のユーザーに対して、少なくとも 1,000 件のアイテムインタラクションが必要です。質の高いレコメンデーションを行うには、1,000 人以上のユーザーからのアイテムインタラクションが少なくとも 50,000 件あり、それぞれ 2 回以上のアイテムインタラクションがあることが推奨されます。

### リアルタイムのイベントストリーミングアーキテクチャは導入されていますか?
<a name="data-consideration-3"></a>

Connect Customer Profiles にリアルタイムイベントをストリーミングできる場合は、リアルタイムのパーソナライゼーションを活用できます。一部のパーソナライゼーションタイプでは、Predictive Insights はユーザーの最新のアクティビティから学習し、アプリケーションを使用するときにレコメンデーションを更新できます。

### データは Predictive Insights 用に最適化されていますか?
<a name="data-consideration-4"></a>

データ内の以下の点を確認することをお勧めします。
+ 欠落している値を確認します。レコードの少なくとも 70% にすべての属性のデータを含めることをおすすめします。NULL 値を許容する列は 70% 以上記入しておくことをお勧めします。
+ 命名規則の不一致、アイテムのカテゴリの重複、データセット間の ID の不一致、ID の重複など、データ内の不正確さや問題を修正します。これらの問題は、レコメンデーションに悪影響を及ぼしたり、予期しない動作につながる可能性があります。例えば、データには「N/A」と「該当なし」の両方が含まれていても、「N/A」のみに基づいてレコメンデーションを除外している場合があります。「該当なし」とマークされたアイテムはフィルターでは削除されません。
+ 複数のジャンルの映画など、アイテム、ユーザー、またはアクションが複数のカテゴリを持つことができる場合は、カテゴリ値を 1 つの属性にまとめ、それぞれの値を \| 演算子で区切ります。例えば、映画のジャンルデータは、アクション \| アドベンチャー \| スリラーなどです。
+ 1 つの列に使用できるカテゴリは 1000 個以上にならないようにしてください (列にフィルタリングのみを目的としたデータが含まれている場合を除く)。