Voraussagende Nutzerbindung bietet eine einfache Architektur, die den Prozess der Erstellung vorausschauender Empfehlungen auf der Grundlage der Benutzeraktivität in Amazon Personalize automatisiert und Amazon Pinpoint-Endpunkte mit diesen Empfehlungen aktualisiert.

Diese Anleitung soll eine einfache Architektur bieten, um zu demonstrieren, wie ML zur Erstellung von Produktempfehlungen und zur automatischen Aktualisierung Ihrer Endpunkte und Segmente verwendet werden kann. Sie können für eine Vielzahl von Anwendungsfällen auf dieser Architektur aufbauen.

Übersicht

Das folgende Diagramm zeigt die Architektur, die Sie mit dem Beispielcode auf GitHub erstellen können.

Voraussagende Nutzerbindung | Architekturdiagramm
 Zum Vergrößern anklicken

Architektur der voraussagenden Nutzerbindung

Der Code stellt eine AWS Lambda-Funktion bereit, die Benutzeraktivitätsdaten von einer Anwendung aufnimmt. Die Funktion sendet diese Daten an Amazon Personalize, das ein ML-Modell (Machine Learning) auf den Daten ausführt, um Muster zu identifizieren. Amazon Personalize generiert für jede Benutzer-ID eine personalisierte Rangfolge der empfohlenen Elemente.

Die Lambda-Funktion ruft die personalisierten Rangfolgen ab und sendet sie an Amazon Pinpoint, das diese Empfehlungen verwendet, um Endpunkte, die zu Ihren Segmenten gehören, automatisch zu aktualisieren, je nachdem, wie die personalisierte Rangfolge mit Ihren Segmentfiltern übereinstimmt. Wenn z. B. ein Kunde, dem Sie Nachrichten zu Produkt A gesendet haben, aufgrund seiner jüngsten Aktivitäten nun eine Präferenz für Produkt B zeigt, wird diese Anleitung den Kundenendpunkt automatisch aktualisieren, um den Endpunkt von dem Segment, das Nachrichten zu Produkt A erhält, in das Segment zu verschieben, das Nachrichten zu Produkt B erhält.

Sie können auch Kampagnen einrichten, um personalisierte, zeitnahe und relevante Nachrichten an die Segmente zu senden, die dieser Leitfaden aktualisiert. Sie können wählen, ob Sie Nachrichten sofort oder erst in Zukunft senden möchten, oder ob Sie eine wiederkehrende Kampagne erstellen möchten, die Nachrichten in festgelegten Intervallen sendet. Weitere Informationen dazu finden Sie unter Amazon Pinpoint-Kampagnen.

Dieser Leitfaden enthält einen Beispieldatensatz personalisierter Autosuchen, der zum Trainieren des maschinellen Lernmodells (ML) verwendet wird. Sie enthält auch eine Demo, die zeigt, wie Sie ML verwenden können, um Produktempfehlungen auszusprechen und Ihre Endpunkte und Segmente automatisch zu aktualisieren. Sie können für eine Vielzahl von Anwendungsfällen auf dieser Architektur aufbauen.

 

Voraussagende Nutzerbindung

Version 1.0
Zuletzt aktualisiert: 11/2019
Autor: AWS

Hat Ihnen diese Lösungsimplementierung geholfen?
Feedback geben 

Funktionen

Automatisierung

Bauen Sie eine Architektur auf, die Amazon Pinpoint-Endpunkte automatisch mit vorausschauenden Empfehlungen von Amazon Personalize aktualisiert.

Demo

Diese Anleitung enthält einen Beispieldatensatz für die personalisierte Autosuche und einen Demo-Walkthrough, mit dem Sie die Funktionalität der Lösung demonstrieren können.
Entwicklungssymbol
Bereitstellen einer eigenen Lösung

Durchsuchen Sie unsere Bibliothek der AWS-Lösungsimplementierungen, um Antworten auf häufige Architekturprobleme zu erhalten.

Weitere Informationen 
Einen APN-Partner suchen
Einen APN-Partner suchen

Finden Sie Beratungs- und Technologiepartner mit AWS-Zertifizierung, die Ihnen den Einstieg erleichtern.

Weitere Informationen 
Erkunden (Symbol)
Beratungsangebote für Lösungen erkunden

Durchsuchen Sie unser Portfolio mit Beratungsangeboten, um AWS-geprüfte Hilfe mit Lösungsbereitstellung zu erhalten.

Weitere Informationen