本指南说明了零售商如何建立 Media Insights 平台作为中心枢纽,供他们利用其数据和分析实现商业媒体盈利。过去,零售商在如何充分利用其第一方数据和线上受众的价值方面一直面临着挑战。他们通常缺乏集成数据平台、包括生成式人工智能功能在内的高级分析,以及安全的数据协作机制,无法优化媒体盈利工作。而 Media Insights 平台解决了这些困难,为零售商提供了将第一方数据转化为战略资产的中心平台。通过该平台,零售商可以优化其媒体盈利工作,并通过现有渠道创造更多收入。
请注意:[免责声明]
架构图

-
概览
-
关键组件和工作流程
-
概览
-
该架构图概述了作为发布者的零售商如何利用 Retail Media Insights 平台更好地从线上受众中获得盈利。
第 1 步
零售商在 AWS 上构建 Retail Media Insights 平台,用于统一其第一方数据并启用高级分析功能[包括人工智能和机器学习(AI/ML)以及生成式人工智能]。借助该平台,零售商可以使用自然语言界面进行受众查询和评估分析。
-
关键组件和工作流程
-
该架构图对零售商通过 Retail Media Insights 平台从线上受众获得盈利的关键组件和工作流程进行了概述。
第 1 步
零售商的第一方数据平台包含客户资料、互动和交易,以及产品库存和媒体库存。
开始使用

Well-Architected 支柱

当您在云中构建系统时,AWS Well-Architected Framework 可以帮助您了解所做决策的利弊。框架的六大支柱使您能够学习设计和操作可靠、安全、高效、经济高效且可持续的系统的架构最佳实践。使用 AWS 管理控制台中免费提供的 AWS Well-Architected Tool,您可以通过回答每个支柱的一组问题,根据这些最佳实践来检查您的工作负载。
上面的架构图是按照 Well-Architected 最佳实践创建的解决方案示例。要做到完全的良好架构,您应该遵循尽可能多的 Well-Architected 最佳实践。
-
卓越运营
本指南使用 Amazon Bedrock 和 SageMaker 来增强机器学习操作(MLOps)并简化机器学习生命周期。它还使用 AWS Clean Rooms 和 AWS Entity Resolution 数据匹配服务来保护零售商、广告机构和品牌的隐私。这些 AWS 服务提供了强大的功能,用于管理机器学习工作流程和在整个过程中保护敏感数据。
-
安全性
IAM 为零售商和 Retail Media Insights 平台安全地管理身份以及对 AWS 服务和资源的访问权限。该服务有助于确保创建包含最低所需权限的策略,从而限制对资源进行未经授权的访问。除此之外,Lake Formation 还在数据共享过程中对权限进行管理,并提升了数据湖的设置和安全性。这对于本指南的数据分析和商业智能层尤为有益。这些服务共同提供了一个强大的安全框架,保护敏感数据和资源。
-
可靠性
Step Functions 通过监控 AWS Entity Resolution 数据匹配服务工作流程和向 Amazon Bedrock 发出 API 调用来编排架构内的数据流。这项可视化工作流程服务可帮助开发人员使用 AWS 服务构建分布式应用程序、自动化流程、编排微服务以及创建数据和机器学习管道。Step Functions 可在多个可用区保持服务能力,从而增强可靠性。它使用计划触发器或基于事件的触发器执行 API 调用,可在出现故障时自动进行重试,并可扩展并发执行。此功能有助于确保稳健高效的工作流程管理,即使在涉及多个 AWS 服务的复杂场景中也是如此。
-
性能效率
Amazon Bedrock 和 AWS Entity Resolution 数据匹配服务是完全托管式服务,使企业能够专注于创新,同时降低管理底层资源的复杂性。具体而言,Amazon Bedrock 可让用户通过 API 调用来调用 LLM 以获得近乎实时的结果。AWS Entity Resolution 数据匹配服务使用基于规则的模型或机器学习模型提供灵活的记录匹配,并提供按需或自动处理选项。这些服务相互配合,简化数据处理和分析任务。这些服务通过处理复杂的技术问题,让零售商可以专心实现其核心目标,并且他们不仅可利用先进的人工智能和数据匹配功能,而且无需对基础设施进行管理。
-
成本优化
该架构使用多个 AWS 服务来优化成本和提高效率。例如,活动分析模块的 Amazon S3 存储桶使用 Amazon S3 Intelligent-Tiering 存储类,可根据使用模式在访问层之间自动移动数据,从而降低存储成本。定期审查 QuickSight 写入者和读取者账户活动有助于识别和删除不活跃的账户,这有可能减少所需的 QuickSight 订阅数量。Amazon Q 与 AWS Cost Explorer 成本管理服务集成,提供成本分析功能,支持针对成本相关查询的自然语言处理。这样,用户就可以通过简单的自然语言问题获取成本信息,而无需依赖传统的计算方式进行成本计算。通过实施这些功能,零售商可以显著降低数据存储成本,优化 QuickSight 许可证的使用,并简化成本分析流程。
-
可持续性
Athena 的查询重用功能提高了处理大型数据集的效率并降低了相关成本。此功能支持重复使用查询结果,从而无需在指定时间内执行多余的 SQL 查询。通过缓存和重复使用相同查询的结果,Athena 显著减少了计算资源的使用。这种优化不仅加快了后续查询的速度,还降低了重复数据处理的相关成本。对于多个用户或多个应用程序频繁在相对静态的大型数据集上运行相同查询的情况,实施查询重用功能尤为有效。通过使用此功能,零售商可以提高查询性能、减少计算开销并优化其 Athena 使用成本。
免责声明
示例代码;软件库;命令行工具;概念验证;模板;或其他相关技术(包括由我方人员提供的任何前述项)作为 AWS 内容按照《AWS 客户协议》或您与 AWS 之间的相关书面协议(以适用者为准)向您提供。您不应将这些 AWS 内容用在您的生产账户中,或用于生产或其他关键数据。您负责根据特定质量控制规程和标准测试、保护和优化 AWS 内容,例如示例代码,以使其适合生产级应用。部署 AWS 内容可能会因创建或使用 AWS 可收费资源(例如,运行 Amazon EC2 实例或使用 Amazon S3 存储)而产生 AWS 费用。
本指南中提及第三方服务或组织并不意味着 Amazon 或 AWS 与第三方之间存在认可、赞助或从属关系。AWS 的指南是一个技术起点,您可以在部署架构时自定义与第三方服务的集成。