在人工智慧（AI）技術的推動下，顧客個人化體驗已成為企業不可或缺的競爭策略。Amazon Personalize 是 Amazon Web Service（AWS）所推出的機器學習服務，協助企業輕鬆打造顧客個人化體驗，其核心技術採用與 Amazon.com 世界第一大電商品牌同樣的技術，可幫助企業根據顧客的個人資料、行為和偏好，提供高度個人化的產品和服務推薦引擎。
圖／Amazon.com 所提供的電子商務服務。
圖／Amazon.com 的商品個人化推薦頁面。
Amazon Personalize 使用情境
Amazon.com 是亞馬遜旗下的全球最大電商平台，其成功很大程度上可以歸功於其對顧客個人化體驗的重視，從亞馬遜的網站和應用程式上就可以發現他們廣泛使用 Personalize 相關的技術，例如在產品頁面下方，Amazon.com 會根據會員的性別、國別、年齡、瀏覽和購買歷史，推薦可能感興趣的產品。此外，Amazon Prime Video（串流影音平台）也使用了相同的技術，可以從顧客的觀看紀錄分析，並推薦使用者有可能會有興趣的電影或影集，有助於提高訂閱率、留客率、顧客滿意度和品牌忠誠度。
圖／Amazon Prime Video 的影片推薦首頁。
Amazon Personalize 使用各式各樣的機器學習演算法，透過歷史資料進行訓練並找出資料之間相關聯的模式，來預測用戶可能感興趣的項目，讓系統能夠輕鬆地為其應用程式建立個別化的建議，幫助吸引更多潛在客戶並使客戶更輕鬆地找到他們感興趣的內容，常見使用案例如”您可能也會喜歡的產品…” 、”經常與此產品一起購買的產品…” 、”其他客戶也買了什麼…” 。
圖／Amazon Personalize 流程概念。
Amazon Personalize 如何訓練？
Amazon Personalize 使用機器學習來分析用戶資料並找出模式，然後使用這些模式來預測用戶可能感興趣的項目，機器學習訓練資料的準備、訓練及使用步驟可簡單概括為以下三個階段：
數據整理
此階段的目的是準備機器學習模型所需的訓練資料。這包括收集使用者、項目和互動資料、清理資料、及提取資料中重要的特徵，用於訓練的資料種類如下：
-
使用者資料：包括使用者ID、年齡、地區、興趣、偏好等。
-
產品資料：包括產品ID、描述、屬性、價格等。
-
互動資料：包括使用者與產品之間的瀏覽、點擊資訊、購買等互動行為。
圖／範例訓練資料格式。
模型訓練
此階段使用前項所整理的數據進行訓練以建立機器學習模型。Amazon Personalize 提供了多種推薦模型演算法可供使用：
-
推薦模型：根據使用者瀏覽數據，預測其可能會喜歡的項目。
-
排名模型：用於對項目進行排序，以便向使用者推薦最相關的項目。
-
項目相關性模型：從瀏覽的商品分類，推薦使用者可能也會喜歡的其他產品。
圖／根據商務需求，可以選擇使用者推薦/排名推薦/相關產品推薦等機器學習演算法。
部署和推論
此階段將訓練好的模型部署到雲端受管的推論主機，以向最終用戶提供個性化的推薦，主要有兩種部署方式。
-
批次部署：定期更新模型，並向所有使用者推送新的推薦（每次推薦的時間較久，不適合結合應用程式使用，但僅按次數收費）。
- 即時部署：在雲端建置 API 節點，在使用者每次瀏覽或互動時，實時生成相關推薦（可整合應用系統即時推薦，但有固定端點費）。
圖／Personalize 的推薦 API 程式化推薦結果（左）、渲染成使用者網頁的推薦結果（右）。
在 AWS 上建置 Personalize 個性化推薦系統的優勢，儘管您沒有機器學習相關專業知識背景， AWS 提供預建模型和工具，可助您快速建立和部署推薦系統，且由 AWS 所托管的雲端基礎設施，可為您的系統提供強大的運算能力和儲存容量，無需擔心基礎設施的管理和維護，能全心專注於創造商務方面的價值！
想了解更多如何運用 Amazon Personalize 創造更多業績？立即聯繫您的雲端數位長銓鍇國際 CKmates ，帶您成功實現 AI 時代的企業數位轉型！
