亚马逊AWS官方博客
使用 Amazon Personalize 建立个性化优惠券，借此提高客户参与度与忠诚度
本文为乐天玛特公司大数据分析师Sungoh Park撰写的客座文章。援引他的表述，“作为乐天有限公司下辖子公司，乐天玛特是韩国领先的零售商，销售各类日用百货、服装、玩具、电子产品及其他商品。”
如今，消费者们拥有着极为丰富的日用品购买渠道，包括大卖场、电商平台、便利店以及超市等等。韩国大型超市乐天玛特则决定使用Amazon Personalize为老客户们提供个性化推荐，借此提高其参与度、增强新产品购买率，并最终强化客户忠诚度。本文将与大家分享乐天玛特在使用Amazon Personalize之前面临的困境，以及如何改进产品推荐机制以增加新产品购买率。
乐天玛特在韩国、印度尼西亚以及越南的多达189家实体店面售卖各类日用百货、服装、玩具、电子产品及其他商品，其日均到店顾客60万，2019年的营收达到51亿美元。
乐天玛特拥有独家手机优惠券系统M-coupon，旨在通过提供店内优惠信息鼓励顾客购物。由于客户在大卖场中的单次平均到店消费支出一般在50到200美元之间，因此客户前往实体店面的频率直接影响到乐天玛特的运营绩效。
从传统角度来看，M-coupon会根据客户的以往购买记录进行推荐。例如，如果客户以往曾购买过某品牌方便面，则下一次再次向其推荐该产品。这类基于购买历史的规则性推荐是有意义的，能够帮助客户使用即时发放的优惠券完成商品回购，从而提高重复购买率并保持良好的客户忠诚度。但这种方式无法推动新产品的消费率，也无法根据客户需求的不断变化创造出更具个性化的消费体验。面对每天增加的众多新产品，卖场方面必须迅速生成针对这些产品的新需求。但为了保证客户体验，卖场方面又不能用狂轰滥炸的方式向客户一股脑发布新产品信息。这种盲目的宣传策略只会让客户感到不知所措。因此，乐天玛特需要制定长期发展战略，以增加店面客流量并引导新产品的购买决策。为此，乐天玛特决定选择Amazon Personalize作为解决方案，借此为M-coupon用户提供精心设计的个性化产品推荐内容，借此提高客户忠诚度并增强其对于新产品的购买意愿。
使用统计方法生成规模化推荐
传统上，乐天玛特会使用客户资料中的销售历史与用户偏好，以发放优惠券的形式推动有针对性的产品推荐。这种方法在正确设置复购频率、用户喜爱品牌等条件的情况下是有效的。然而，这并不足以针对每一位购物者提供个性化推荐，而且仅仅适用于以往曾经购买过的产品。在向顾客推荐新产品时，优惠券的使用率可以体现用户对推荐内容的兴趣度，而实际结果是新产品的购买率非常低。
此外，建立并维护这种基于统计学的针对性营销引擎不仅极度耗时，而且会浪费掉大量宝贵的大数据工程团队资源。整个流程要求工程团队手动计算每种产品的购买周期，并估计优惠券的影响程度，并将这一切与相关产品的具体情况进行关联分析。
尽管付出了不少时间和精力，但其性能仍未能达到运营期望。对乐天玛特来说，最重要的指标就是优惠券浏览量、使用量、重复购买率以及使用个性化优惠券的具体比例。而比例的增加，则表示当前优惠券确实发掘出了客户的隐藏需求。基于以上种种原因，乐天玛特决定开始探索Amazon Personalize方案。
下图所示为乐天玛特之前基于统计规则生成推荐的架构。
通过量身定制的推荐，改善客户体验
借助Amazon Personalize，乐天玛特可以经济高效地推荐那些难以通过传统方法宣传推广的新产品。以此为基础，优惠券命中率（即促销优惠券的使用率）有所增加，月度销售额也开始显著攀升。
这一切也很快转化为实际价值。与以往的方法相比，Amazon Personalize消除了繁琐而复杂的数据手动分析需求，同时将开发时间缩短达50%。乐天玛特只需要提供预定义的“交互”、“用户”与“商品”数据集。与以往的方法相比，工程团队只需一半的时间即可生成更准确的预测结果。
当然，节约时间只是Amazon Personalize成就卓越解决方案的指标之一。乐天玛特还希望客户能够更频繁地关注并购买新产品，同时不对最佳客户体验造成影响。Amazon Personalize提供易于使用的不同数据集schema，借此降低操作难度。随着试验的推进， schema也可进行更新，例如通过增加或替换一些特征以提高优惠券的整体响应率。在完成数据准备之后，乐天玛特开始着手测试各种算法。
最后，Amazon Personalize开始为每位客户提供个性化推荐，而不再僵化向所有人发布相同的规则性建议。整个流程不仅在时耗上有所优化，同时也使工程团队不必管理并维护自定义模型，由此极大提高了生产效率。
个性化优惠券推荐
乐天玛特的目标，在于提高那些以往从未使用过优惠券的客户们的参与度，由此带动他们对于新产品的需求。客户的兴趣与需求一直在不断变化，竞争格局也在这种变化中变得愈发激烈。乐天玛特可以主动发现客户群体中的未知需求，并响应其意图变化以提高客户的留存率与忠诚度。
下图所示为基于Amazon Personalize构建起的全新推荐与个性化优惠券架构。
乐天玛特选取了消费活跃度最高的70万客户，着手为其提供优惠券推荐服务。这批购物者还很容易受到其他购物渠道折扣或促销活动的影响。乐天玛特之前也曾向其发放基于统计规则生成的优惠券。因此，这批用户非常适合做两种推荐引擎的A/B测试。
在本轮测试中，乐天玛特采用以加工食品、浴室用品、洗涤剂以及其他日用品等数据生成的模型，尽可能选择那些季节性不强的商品以消除特殊事件（例如学生返校或假期等）的影响。接下来，他们选定一个月的销售记录作为输入数据，其中包含数千万项交易。交易收据上购买的每款不同商品，都将成为数据集内的一项交互来源。
为了在Amazon Personalize中进行建模，乐天玛特决定使用三套数据集：销售历史记录（过去几个月）、产品元数据、以及提取自旧有统计系统的用户画像。他们将提取到的数据上传至Amazon S3并进行预处理，借此删除其中不相关或噪声性质的内容——例如已经停产的产品及匿名用户画像。他们将数据集导入为交互、商品与用户三个数据集，其中包含以下信息：
- 交互——一定时期内的所有销售记录
- 商品——产品元信息，例如所属类别及SKU
- 用户——具有多个分类变量的匿名用户画像数据
通过集成物品元数据，可使推荐质量获得重大改进。
在着手通过Amazon Personalize进行建模之前，乐天玛特首先需要确定应引入哪些商品元数据。在寻求最佳产品元数据方面不存在任何捷径，选择的准确性很大程度依赖于行业领域知识。在乐天玛特的案例中也是这样，商品元数据根据领域专家提供的经验和知识进行了更新和改进。不过其中也有一些通行的经验，例如分类特征适合用于处理低基数属性。例如，SSN、电子邮件或用户ID等一般属于唯一的高基数属性，因此不太适合进行分类处理。
为了评估各项特征对于商品或用户数据集的影响，乐天玛特尝试了HRNN-meta与HRNN recipe。在数据准备方面，HRNN比HRNN-meta更直接，这是因为前者直接着眼于交互数据集。但除了交互之外，HRNN-meta还会引入商品元数据乃至用户数据集中的更多特征。在Amazon Personalize中，解决方案版本(solution version)相当于是基于选定的recipe，数据集，及其他参数训练生成的机器学习模型。基于同一数据集，您可以构建多个解决方案版本，借此评估或比较使用不同recipe训练而成的模型究竟有何差异。如此一来，您就能逐步筛选出最适合当前任务的recipe选项。
推荐结果
优惠券推荐每两周执行一轮，意味着相应的Campaign（即通过API计算推荐结果的过程）无需持续运行。乐天玛特调用GetRecommendations API，并提供userid以获得推荐结果。接下来，他们将包含特定用户的推荐结果写入文件。本地优惠券交付系统M-coupon从Amazon S3处下载这些结果，并在处理之后据此向客户发放个性化优惠券。在此期间，乐天玛特还可以持续收集优惠券对收入的影响、以及优惠券使用率等业务指标。
以下截屏所示，为M-coupon移动应用及基于Amazon Personalize生成的推荐优惠券。
成本优化
乐天玛特在获得所有推荐结果后，会删除相应campaigns以优化Amazon Personalize的使用成本，确保只根据campaigns的实际运行时间及TPS资源量支付开销。Campaign的TPS与大多数并发交易比较相似。如果其响应时间小于500毫秒，则意味着TPS为1的campaign能够在一秒钟内生成多条推荐。例如，如果推荐API的响应时间是20毫秒，则每秒可获得50条推荐结果。我们可以通过超参数优化（HPO）功能找出最佳超参数组合，并将其应用于训练流程以获取性能最强的模型选项。虽然这种有针对性的临时优化训练会暂时带来高于单模型训练的运营成本，但在超参数优化完成之后，大家可以指定algorithmHyperParameters以在后续训练中重用这些超参数，以此实现长期来讲的成本与性能的高效管理。
总结
乐天玛特一直在努力提高优惠券命中率。自从引入Amazon Personalize以来，优惠券使用量较以往基于规则的统计性推荐系统增加了一倍以上。他们还发现，新产品的购买率提高了1.7倍——较以往统计方法提升显著。更重要的是，新产品购买率的提升表明乐天玛特成功发掘出了客户群体中的隐藏购买需求。这种以个性化优惠券为载体的全新运营模式显著改善了乐天玛特的月度销售额。若需了解更多详细信息，请参阅如何使用Amazon Personalize帮助您改善产品推荐并增加客户参与度。