Amazon Web Services ブログ

Category: Artificial Intelligence

スマートストアテクノロジーで顧客体験を変革する5つの方法

お客様が買い物をする際、それがオンラインであっても実店舗であっても、それは簡単でシンプルで楽しいものであるべきです。お客様の心の中では、販売チャネルに関係なく、小売業者、またはブランドは1つの要素です。このため、お客様は店舗においてもオンラインと同じ利便性を備えたデジタルと現実世界の接点が流動的にようにシフトするジャーニーを期待しています。 店舗で買い物をするときの一般的な問題点は次の通りです。 長い決済待ち時間 在庫切れ 店内で商品を見つけることの難しさ ヘルプの不足 商品情報が全く無いかそれに近い状態 お客様はこれらの煩わしさをオンラインで対処する必要がありません。オンラインでは支払いの待ち列はありませんし、商品は検索エンジンで簡単に見つけることができます。商品の詳細を見ることもできます。手助けが必要なときはすぐにチャットウィンドウが利用できます。これらのデジタルにおける利便性はお客様が期待する水準を引き上げました。 2018年における Accenture の調査レポートによると、消費者の91%は、関連するオファーやレコメンデーションを提供するブランドを認識、記憶、買い物をする傾向があります。これは、お客様が店舗でもオンラインと同様のパーソナライズされた買い物体験を望んでいることを示す重要な指標です。 お客様の期待にはロイヤルカスタマーとして認識されること、状況に応じたオファーやプロモーション、その他のパーソナライズされた特典も含まれます。お客様はさらなるパーソナライズを期待し、気に入った小売業者にデータを共有します。もし小売業者が店舗での買い物体験を向上させなければ、体験を向上させている他の小売業者に顧客を奪われてしまうリスクがあるということです。 顧客体験を変革させるスマートストアテクノロジー 小売業者は、以下の拡張機能を使用して、お客様の一般的な問題点に対処し、買い物をタスクからご褒美に変えることができます。

Read More

パーソナライゼーション: より深い洞察を得て売上を伸ばすために

誰も COVID-19 のパンデミックを予測できませんでした。ステイホーム(外出禁止令)やソーシャルディスタンスにより、人々は以前ほど頻繁には小売店に行かなくなりました。代わりにオンラインでの購入が増え、消費者はじっくり考えて吟味してから購入するようになりました。通常、小売店で購入する場合でも、オンラインで購入する場合でも、消費者は訪問ごとにより多くの商品を購入します。多くの点で、実店舗からオンラインへのシフトは、パンデミックのずっと前から続いていた傾向でもあります。 パンデミック以降、ショッピングのトレンドは変化し続けていますが確かなことが 1 つあります。それは、ブランドの当たり障りのない一般的なメッセージではもはや消費者の共感を得られない、ということです。小売ブランドがカスタマージャーニーにおける障壁を打ち破り、ブランドの認知度と忠誠心に影響を与え、売上へと繋げるためにはパーソナライゼーションが不可欠です。ブランドには、カスタマージャーニーのあらゆる段階で、すべてのチャネルにまたがってパーソナライズされた一貫性のある顧客体験が求められています。

Read More

小売業界での Amazon Interactive Video Service と Amazon Personalize 活用のハウツーガイド

ライブストリーミングの人気はますます高まっており、オンラインでのお客様とのやり取りの新たな機会を拡げています。魅力的なコンテンツを提供するライブストリーミングにより、お客様のオンラインショッピングへの流れを促進し、購買体験をオンラインエンゲージメントの1つに加えることができます。また、オンラインストアが提供するパーソナライズされたレコメンデーションによって適切な商品を適切なタイミングでおすすめすることで、お客様のエンゲージメントとコンバージョンを最大化することができます。 このブログでは、ライブストリーミングとパーソナライゼーションを構成して e コマースサイトに展開する方法の詳細をご紹介します。

Read More

Amazon Redshift ML が一般公開されました — SQL を使用して機械学習モデルを作成し、データから予測を行う

Amazon Redshift では SQL を使用して、データウェアハウス、運用データベース、データレイク全体で、エクサバイトの構造化データと半構造化データをクエリし、組み合わせることができます。AQUA (Advanced Query Accelerator) の一般提供が開始されたので、追加コストやコードの変更なしで、クエリのパフォーマンスを最大で 10 倍向上させることができます。実際、Amazon Redshift は、他のクラウドデータウェアハウスよりも最大で 3 倍優れたコストパフォーマンスを提供します。 しかし、さらに一歩進んで、このデータを処理して機械学習 (ML) モデルをトレーニングし、ウェアハウス内のデータからのインサイト生成にこれらのモデルを使用したい場合は、どうしたらよいでしょうか。 たとえば、収益の予測、顧客のチャーン予測、異常の検出などのユースケースを実装するには? 以前なら、トレーニングデータを Amazon Redshift から Amazon Simple Storage Service (Amazon S3) バケットにエクスポートし、機械学習トレーニングプロセス (たとえば Amazon SageMaker を使用します) を設定してから、始めなければなりませんでした。このプロセスには、さまざまなスキルがいくつも必要で、完了するには何人も必要になります。もっと簡単にできないでしょうか。 現在、Amazon Redshift MLが一般公開されており、Amazon Redshift クラスターから直接、機械学習モデルを作成、トレーニング、デプロイすることができます。機械学習モデルを作成するには、シンプルな SQL クエリを使用して、モデルのトレーニングに使用するデータと、予測する出力値を指定します。たとえば、マーケティング活動の成功率を予測するモデルを作成するには、1 つ以上のテーブルで、顧客のプロフィールと、前回のマーケティングキャンペーンの結果を含む列を選択して入力を定義し、さらに予測を出力する列を定義します。この例では、顧客がキャンペーンに関心を示したかどうかを示す列が、出力列になります。 SQL コマンドを実行してモデルを作成すると、Redshift ML は指定されたデータを Amazon Redshift から S3 バケットに安全にエクスポートし、Amazon SageMaker Autopilot を呼び出してデータを準備します […]

Read More

CodeGuru Profilerを用いたAmazonのアプリケーションのCPUとレイテンシーのパフォーマンス改善

(この記事は、 Improving the CPU and latency performance of Amazon applications using Amazon CodeGuru Profiler を翻訳したものです。) Amazon CodeGuru Profiler は機械学習を活用し、アプリケーションコードのボトルネックになっている部分の特定をサポートし、最適化のための推奨事項を提供してくれるデベロッパー用ツールです。Amazon CodeGuru Profilerを用いることによってアプリケーションのパフォーマンスの問題の特定、レイテンシーやCPU使用効率の問題を解決することができます。 CodeGuru Profilerは AWS Lambda, Amazon Elastic Compure Cloud (Amazon EC2), Amazon Elastic Container Service (Amazon ECS),Amazon Elastic Kubernetes Service (Amazon EKS), AWS Fargate, AWS Elastic Beanstalk, およびオンプレミスで稼働しているアプリケーションのパフォーマンスの問題解決に役立ちます。 本ブログではAmazonのリテールサービスが、どのようにCodeGuru Profilerを用いてCPUの使用率とレイテンシーを50%減らし、$100,000のコストを削減したかの大まかな概要について解説します。

Read More
Ad insertion

Amazon Rekognition, AWS Elemental MediaConvert, AWS Elemental MediaTailorでビデオコンテンツに広告挿入する方法

メディアの収益化やストリーミングの準備に伴う他社との差別化につながらない作業量にお困りとの声をお客様からよく聞きます。従来の広告挿入プロセスでは反復的でエラーが発生しやすく多くの時間がかかります。また広告コンテンツによって視聴者の注意が妨げられないように、視聴の邪魔にならないよう広告が挿入されます。クラウドベースのマネタイズワークフローを使えば、手動で1つ1つコンテンツを確認しなくても、広告挿入に適した場所を簡単に特定することができます。 例えば、シーンや文章の途中、あるいはエンドクレジットの途中に広告が入ることは避けたいものです。一方で、シーンとシーンの間、誰もしゃべっていない時、画面が長時間黒になった時、十分な文脈の変化があった時には、広告を挿入しても視聴を妨げにくいと考えられます。

Read More

金融業界特集 : Amazon Textract

本投稿は AWSのソリューションアーキテクトである Alvin Huang、 Gene Ting と Stefan Natu による寄稿を翻訳したものです。 編集者注 : これは、金融業界特集の月刊連載の第三回目の投稿です。 Amazon SageMaker ノートブックインスタンスについて説明した第一回目もお読みください。 Amazon Comprehend (Comprehend Medicalを除く) について説明した第二回目もお読みください。 — 金融業界特集の連載をご覧頂きありがとうございます。この連載では、AWSのサービスの利用承認を合理化するために、金融機関がフォーカスすべき特定のサービスに関する 5 つの重要な考慮事項 に焦点を当てる予定です。5 つの領域にはそれぞれ特定のガイダンスが含まれており、特定のユースケースと環境に適応する必要がある場合があります。 この特集では、 Amazon Textractを取り上げます。Amazon Textract は、スキャンされたドキュメントからテキスト、手書きやその他のデータを抽出し、フォームとテーブルからのデータの関係を特定し、理解するフルマネージド AI サービスです。

Read More

[新しいブログシリーズのご紹介] 金融業界特集 : Amazon SageMaker ノートブックインスタンス

本投稿は AWSのソリューションアーキテクトである John Formento と Syed Shareef による寄稿を翻訳したものです。 3 週間にわたる re:Invent バーチャル カンファレンスをまとめるにあたって、金融業界特集の最初のブログの投稿をします。この連載は、金融業界のお客様に特定のサービスに関する 5 つの重要な考慮事項 を深く掘り下げ、世界規模の金融機関を支援した当社の経験に基づき、AWS サービス利用の承認を効率化することを目的としています。 コンプライアンスの達成 データ保護 コンピューティング環境の隔離 API による監査の自動化 運用上のアクセスとセキュリティ これら 5 つの各領域には、特定のサービスに対するサービス利用の承認を効率化するのに役立つ具体的なガイダンスが含まれています。これは、特定のユースケースと環境に適応する必要がある場合があります。 金融業界のお客様の間で SageMaker の使用が増加したため、Amazon SageMaker ノートブックインスタンスでこの連載を始めます。 Fraud.net のような金融機関は、Amazon の機械学習サービス群を採用し、機械学習モデルを容易に構築してトレーニングし、オンライン決済詐欺を効果的に検出できるようにしています。 または、顧客により多くの価値を提供するレコメンデーションプラットフォームを構築し、データサイエンティストが、プロジェクトを設計から本番環境に迅速に動かします。これはNerdWalletが達成していることです。この組織では、 Amazon の機械学習サービス群を使用して 20 を超える機械学習モデルを提供しており、Amazon DynamoDB と AWS Lambda を使用して、サーバーのプロビジョニングや管理を行わずにコードを実行しています。

Read More
broadcast monitoring

AWSの機械学習を活用したライブ・放送ビデオモニタリングの自動化

放送およびオーバーザトップ(OTT)ライブストリームのサービスプロバイダーは、大量コンテンツの品質チェックを行う必要があります。品質チェックの範囲は、低レベルの信号エラーからコンテンツ自体のエラーなど高レベルの問題にまで至ります。従来のライブメディア解析ソフトウェアは、ETSI TR 101 290 プライオリティチェック1および2など、信号レベルでの品質チェックに重点を置いています。番組内容、字幕、音声言語の検証など、より高レベルな品質チェックは、放送ストリームで問題がないか人間のオペレーターによって常にモニタリングが行われています。放送ビデオストリームの数が増加するにつれて、追加のチャンネルや番組をサポートするために、手動のモニタリング作業をスケールすることは困難であり、コストもかかります。

Read More
2x2 matrix of forecast drivers

需要予測から自動発注へ – Amazon Forecast による自動化された機械学習で在庫切れ、過剰在庫、コストを削減

このブログは、More Retail 社の Supratim Banerjee 、Ganit Inc 社のShivaprasad KT と Gaurav H Kankaria のコラボレーションによるゲスト投稿です。 More Retail 社(MRL)は、インドの食料品トップ4の1つで数十億ドルの売上を誇る小売業者です。インド全土に22の大型スーパーマーケットと624のスーパーマーケットからなる店舗ネットワークを持ち、それを13の流通センター、7つの果物野菜の収集センター、6つの食品加工センターのサプライチェーンで支えています。 大規模な店舗ネットワークにおいては、適切な品質の商品を適切な価格で消費者に提供するにはもちろんのこと、消費者の需要に応えつつ在庫運用コストを最小限に抑えることもまた重要です。MRL 社は AI アナリティクス領域のパートナーである Ganit 社と協業し、より正確な需要予測とそれを自動発注に繋げるシステムを構築しました。これによりオペレーションのボトルネックを解消し、これまで各店長がマニュアルで発注の判断を行っていたことによる発注の不備を克服できるようになったのです。 Amazon Forecast を使用することで予測精度は 24% から 76% に向上し、生鮮食品カテゴリでの無駄を最大 30% 削減、在庫率を 80% から 90% に、そして粗利益を 25% に改善することに成功しました。

Read More