Amazon Web Services ブログ

Category: Artificial Intelligence

Amazon Personalize を使用してパーソナライズされたクーポンの推奨事項により、顧客エンゲージメントとロイヤルティを向上

このブログ記事は、ロッテマートのビッグデータアナリストを務める Sungoh Park によるゲストの記事です。彼の説明によれば、「ロッテ株式会社の一部門であるロッテマートは、さまざまな食料品、衣料品、玩具、電子機器、およびその他の商品を販売する韓国の大手小売業者です」 今日の消費者は、多くの選択肢から日用品を購入できます。ハイパーマーケット、e コマース、コンビニエンスストア、スーパーマーケットなどの複数のチャネルで買い物をすることができます。韓国のハイパーマーケットであるロッテマートは、Amazon Personalize を使用してエンゲージメントを高め、新製品の購入率を高め、最終的に顧客忠誠心をさらに築き上げるために、頻繁にパーソナライズされた推奨事項を顧客に提供します。この記事では、Amazon Personalize を使用する前にロッテマートが直面した問題と、それらの問題がどのように製品の推奨事項を改善し、新製品の購入を増やしたかについて説明します。 ロッテマートは、韓国、インドネシア、ベトナムに位置する 189 店舗の 60 万人以上の買い物客にさまざまな食料品、衣料品、玩具、電子機器、その他の商品を販売しており、2019 年の売り上げは 51 億 USD にいたります。 ロッテマートは、独自のモバイルクーポンシステムである M クーポンを使用して、店内で節約を促すことにより顧客に買い物を薦めています。ハイパーマーケットの顧客は 1 回の訪問あたり平均 50〜200 USD を費やすため、顧客の訪問頻度がロッテマートのビジネスパフォーマンスに直接影響を及ぼします。 従来、M クーポンは顧客の購入履歴に基づいて推奨を行っていました。たとえば、顧客が以前その製品を購入したことがある場合、特定のブランドのインスタントラーメンを推奨します。クーポンをタイムリーに発行すると顧客がその品目を再購入するため、購入履歴に依存するルールベースの推奨事項は有意味です。これは繰り返し購入を促進し、顧客忠誠心を維持するのに役立ちましたが、新製品の需要を高めたり、進化する顧客のニーズに適応してパーソナライズされたユーザーエクスペリエンスを作成したりすることはありませんでした。新製品が毎日追加されるため、ハイパーマーケットは製品の需要を迅速に生み出さなければなりません。ただし、最適な顧客体験を提供するために、ハイパーマーケットでは顧客にすべての新製品を薦めることはできません。そのような戦術を使用すると、無関係な推奨事項が表示されるため顧客をすぐに圧倒する可能性があります。ロッテマートは、店舗のトラフィックを増やし、新製品の購入決定に影響を与える長期的な戦略を理解する必要がありました。ロッテマートは、M クーポンのユーザーに高度なキュレーションとパーソナライズされた製品の推奨を提供するソリューションとして Amazon Personalize を使用し、顧客忠誠心と新製品の需要を増やしました。 統計的アプローチを使用して大規模な推奨を生成する 従来、ロッテマートは、顧客プロファイルの販売履歴とユーザー設定を使用して、クーポンを介して対象製品を推奨していました。このプロセスは、再購入期間の間隔やお気に入りのブランドなどのターゲット条件が正しく設定されていたときに機能しましたが、各買い物客に個別化された推奨を宣伝するには不十分であったため、以前購入した製品に対してのみ機能しました。買い物客に新製品を勧めるとき、クーポンの使用率は、割引に対するユーザーの興味を示す指標となります。この場合、実際の購入率は非常に低い結果となりました。 さらに、新しいオファーに統計的ターゲットマーケティングエンジンを構築して維持するには時間がかかります。また、価値の高いビッグデータエンジニアリングリソースを浪費します。このプロセスでは、各製品の購入サイクルを手動で計算し、クーポンによる影響度を推定するために、関連製品との関連分析を実行する必要がありました。 時間をかけて行ったすべての努力と投資にもかかわらず、新製品の導入においての期待を満たすパフォーマンスを得ることはできませんでした。ロッテマートの場合、重要な指標は、表示されたクーポンの数、クーポンの使用状況、繰り返し購入とパーソナライズされたクーポンを使用した購入の購入率でした。比率が増えたということは、顧客の隠れたニーズを示している可能性があります。そのため、ロッテマートは Amazon Personalize の探索を始めました。 次の図は、ロッテマートの過去の統計的推奨事項によるアーキテクチャを示しています。 カスタマイズされた推奨事項による顧客体験の向上 ロッテマートは、従来の方法では需要を促進することが困難であった新製品を Amazon Personalize を使用することで、コスト効率よく推奨することができました。販促クーポンの反応率であるクーポンヒット率が上昇し、月次売上に大きく貢献し始めました。 即座で価値が実現されることもありました。以前のアプローチと比較して、Amazon Personalize は面倒で複雑な手動データ分析の必要性を排除し、開発時間を 50% 短縮しました。ロッテマートは事前定義されたインタラクション、ユーザー、および品目のデータセットを提供するだけで済むため、時間を短縮できました。エンジニアリングチームは、従来のアプローチと比較して半分の時間でテスト結果を生成できました。 ただし、時間の短縮は、Amazon Personalize が適切なソリューションであると判断するために必要な成功指標の一部にすぎません。彼らは、顧客に最適な顧客体験を保証しながら、新しい製品をより頻繁に利用し購入する必要がありました。Amazon […]

Read More

Amazon Fraud Detector で PoC (概念実証) を構築し、不正行為を迅速に検出する

Amazon Fraud Detector は偽のアカウントの作成やオンライン決済詐欺など、不正行為の可能性があるオンライン活動を簡単に特定できるようにするフルマネージドサービスです。汎用機械学習 (ML) パッケージとは異なり、Amazon Fraud Detector は不正を検出するように特別に設計されています。Amazon Fraud Detector は、最新の ML サイエンスのデータおよび Amazon.com と AWS の 20 年以上にわたる不正検出の経験を組み合わせて、ビジネスでの不正行為を検出するためにカスタマイズした ML モデルを構築するものです。 この投稿は、オンライン不正インサイトモデルの堅牢な概念実証 (POC) を開発および実行するのに役立ちます。そのため、ビジネスにおける Amazon Fraud Detector の有用性を評価できます。オンライン不正インサイトモデルは、新しいアカウントでの不正、オンライン取引詐欺、偽のレビューなど、さまざまな種類の不正行為を解決するための教師あり ML モデルです。データの可用性にもよりますが、通常は 1〜2 週間だけで Amazon Fraud Detector POC を完了することができます。 不正のライフサイクル 不正はあらゆる形や規模で発生しますが、一般的にどれもが同じ 3 つのステップのライフサイクルに従います。 不正ユーザーがプラットフォームに加わる 不正ユーザーが不正を行う (多くの場合、同じアカウントで複数回) 最終的に、不正を発見し、不正ユーザーをブロックする 次の図は、このライフサイクルを視覚化したものです。 まず、不正ユーザーがアカウントを登録します。この図ではタイムゼロ (T0) と表示しています。その後不正イベントが、タイム T1、T2、T3 で発生し、システムによって検出されなくなります。チャージバックの形で数時間、数日、または数週間となる可能性のある後の特定の時点 (TN) で、不正を発見し、不正ユーザーをブロックします。 不正の発見が遅れると、コストが発生します。財務コストには、販売する商品のコスト、人手による確認から生まれるコスト、チャージバック料金に関連するものがあります。さらに、会社の評判または規制に関するリスクも可能性としてあります。完全なシナリオでは、不正を予測し、損害が発生する前にそれを阻止します。その […]

Read More

Amazon Transcribe Medical および Amazon Comprehend Medical を使用した、医療現場でのトランスクリプションおよび分析の実行

ヘルスケア業界は、規制の厳しい複雑な業界です。業界内では口頭によるコミュニケーションで大量の情報交換が行われています。こうした音声データには、貴重な情報と実用的な洞察が含まれていることもあります。本稿では、HIPAA に準拠した AWS AI サービスである Amazon Transcribe Medical と Amazon Comprehend Medical を統合し、こうしたデータから洞察を引き出す方法について説明します。医療データの抽出と理解を自動化できれば、医療従事者は患者のケアに集中できます。 Amazon Transcribe Medical Amazon Transcribe Medical は機械学習 (ML、machine learning) サービスであり、患者と医師の間で行われる医療相談の内容を、迅速、簡単、高精度にテキストに変換 (トランスクリプション) できます。Amazon Transcribe Medical は、医師が書き取ったメモ、診察における医師と患者のやりとり、遠隔医療で使用される医学用語および薬理学用語を、音声からテキストに自動的に変換し、臨床文書アプリケーションで使用できるようにします。詳細については、「Amazon Transcribe Medical とは」をご参照ください。 Amazon Comprehend Medical Amazon Comprehend Medical は、ML を使用して非構造化テキストから関連する医療情報を簡単に抽出できる、自然言語処理サービスです。医師のメモ、臨床試験報告書、患者の健康記録などのさまざまなソースから、病状、薬剤、投与量、成分含有量、頻度などの情報を短時間で高精度に収集できます。Amazon Comprehend Medical では、検出された情報を ICD-10-CM や RxNorm などの医療オントロジーにリンクして、医療関係のダウンストリームアプリケーションで簡単に使用できるようにすることもできます。詳細については、「What is Amazon Comprehend Medical?」をご参照ください。 Medical Transcription Analysis Medical Transcription […]

Read More

エンタープライズ検索の再発明 - Amazon Kendora が一般発売されました

2019年末には、機械学習を活用した非常に正確で使いやすいエンタープライズ検索サービス Amazon Kendra のプレビューエディションをリリースしました。本日、Amazon Kendra が一般販売されることになりました。 過去数十年間の驚くべき成果のすべてを用いても、情報技術は、必要とする情報をすばやく簡単に見つけ、皆が日々直面している問題を解決するには至っていません。会社の出張規定の最新版を探す場合でも、「エポキシ接着剤の引張強度は?」などのより技術的な質問をする場合でも、すぐに正いい回答を得られれそうにはありません。全く回答を得られない時もあります。 こうした問題はユーザーにとってストレスとなるだけでなく、生産性の大幅な低下にもつながります。IDCの調査によると、非効率的な検索のコストは、従業員 1 人当たり年間 5,700 USD です。従業員 1,000 人の企業では、年間 570 万 USD が蒸発することになります。しかも、これには、精度の低い検索によって発生する責任やコンプライアンスリスクは含まれていません。 この問題にはいくつかの原因があります。第 1 に、ほとんどの企業データは構造化されておらず、必要な情報を特定することが困難なことです。第 2 に、多くの場合、データは組織のサイロに分散し、ネットワーク共有、リレーショナルデータベース、サードパーティアプリケーションなどの異種バックエンドに保存されていることです。最後に、キーワードの検索システムでは、適切なキーワードの組合せを見つける必要があり、通常は多数のヒットを返し、ほとんどのヒットはクエリとは無関係なものです。 これらの問題点を考慮して、Amazonは、お客様が適切な検索機能を構築できるように支援することにしました。この取り組みの結果が、Amazon Kendra です。 Amazon Kendora のご紹介 Amazon Kendra を使えば、数回クリックするだけで、ファイルシステム、アプリケーション、イントラネット、リレーショナルデータベースなど、さまざまなバックエンドに保存された構造化データと非構造化データのインデックスを作成できます。予想される通り、すべてのデータは HTTPS を使用して処理中に暗号化され、また、保存中にAWS Key Management Service (KMS) で暗号化することもできます。 Amazon Kendra は、ドメインから受けとる複雑な言語を理解するように最適化されています。IT関連ドメイン(例: 「 VPNの設定方法を教えてください。」)、医療およびライフサイエンス関連ドメイン(例: 「ALSの遺伝子マーカーとは何ですか。」)およびその他の多くのドメイン領域からの質問を受け取ることになります。このマルチドメインの専門知識により、Kendra はより正確な回答を見つけることができるのです。また、開発者は、信頼できるデータソースやドキュメントの鮮度などの基準を使用して、結果の関連性を明示的に調整することができます。 Kendra 検索は、AWS コンソールまたは API で利用可能なコードサンプルを使用して、任意のアプリケーション (検索ページ、チャットアプリ、チャットボットなど) に迅速に展開できます。お客様は、Kendara の最新のセマンティック検索を数分で実行できます。 […]

Read More

Amazon Forecast: 学習済み Predictor を再利用して最新の予測を更新する

こんにちは、アマゾン ウェブ サービス ジャパンの藤田です。Amazon Forecastでは、過去の時系列データからpredictor(予測子)の学習を行い、将来(新しいデータポイント)の予測を行うことが可能です。需要予測や在庫計画など、様々なビジネス課題に適用することができます。今回は、Amazon Forecast で学習した Predictor を再利用して、最新の予測を更新していく Rolling Forecastについて紹介します。

Read More

【開催報告】AWS AI/ML@Tokyo #1 ~AWS の AI/ML サービス最新情報~

アマゾン ウェブ サービス ジャパン株式会社の大渕です。AWS Japan は、2020年からAI/ML関連情報を発信するイベント「AWS AI/ML@Tokyo」を定期的に開催します。2020年2月6日に開催された AWS AI/ML@Tokyo #1では、AWS Japan によるAWS AI/ML サービスの紹介と、2019年12月の re:Invent 2019 で発表された Amazon SageMaker Studio など新機能の紹介を行いました。

Read More

Amazon Kinesis Video Streams ハンズオンを公開 – カメラデバイスからの動画の収集、ストリーミング再生、分析方法を学ぶことができます

こんにちは、IoT Specialist ソリューションアーキテクトの三平です。この記事では、Amazon Kinesis Video Streams ハンズオンをご紹介します。 Amazon Kinesis Video Streams は、分析、機械学習 (ML)、再生、およびその他の処理のために、接続されたデバイスから AWS へ動画を簡単かつ安全にストリーミングできるマネージドサービスです。数百万のデバイスからの動画をセキュアに取り込み、時系列でインデックスして保存、再生や分析のために容易に取り出すためのインフラストラクチャを、自動的にプロビジョンして、伸縮自在にスケールします。 このハンズオンでは Amazon Kinesis Video Streams を用いた PoC などを容易に行っていただけるよう、カメラデバイス (Raspberry Pi) からクラウドへ動画を収集・保存し、ライブやオンデマンドでストリーミング再生したり、動画ファイルとしてダウンロードしたり、Amazon Rekognition Video と組み合わせてライブ顔認識やニアリアルタイムでの分析などを行ったりする方法を、実際に手を動かしながら3〜4時間で学ぶことができます。

Read More

Amazon A2I の一般公開を開始しました

 AWS では、この度 Amazon Augmented AI (Amazon A2I) の一般公開を発表できることを、とても喜ばしく思っております。これは、機械学習 (ML) によるヒューマンレビューを大規模に実装できるようにするサービスです。Amazon A2I は、ヒューマンレビューシステムの構築や管理に関する、コストが高い上に煩雑になりがちで代わり映えのしない重労働を削減します。これを使えば、お客様の ML モデルで正確な予測生成を確実に実現することができます。Amazon A2I は、人間の判断を ML パイプラインの中に挿入することで、人間と機械が最良の結果を出せるようにしました。 Amazon A2I には、一般的な ML タスク用にヒューマンレビューのワークフローが実装済みです。これらのタスクには、Amazon Rekognition や Amazon Textract と組み合わせて実行する、ドキュメントでのコンテンツ修正やテキスト抽出などが含まれます。また、ML モデルの構築に、Amazon SageMaker を使うか、オンプレミスあるいはクラウドでのツールを API 経由で使用して、独自のヒューマンレビューワークフローを作成することも可能です。 さらに Amazon A2I では、人間のレビュー担当者が介在することができます。レビューワーには、独自で選別した人物を指定することや、Amazon Mechanical Turk を通じた ML関連作業の経験を持つ、50 万人を超える独立した契約スタッフから人材を選択することも可能となっています。お客様の ML アプリケーションに、機密性や特別なスキルが必要な場合でも、品質とセキュリティ手順に関し AWS があらかじめ選出した、実績のある人材が待機しています。 Amazon A2I は、お客様が、独自の要件に基づきヒューマンレビューを導入しようとする際の柔軟性を提供します。シンプルなビジネスルール (予測結果に対してML がどの程度の信頼度を示しているか) を設定することにより、予測を自動に任すか、検証のために人間を介在させるかを決定します。 設定した最低信頼度に抵触する予測結果が、ML パイプラインを経由して出力された場合は、ご自身の要件に基づいた判断をお客様が行えます。たとえば、社会保障番号 […]

Read More

Udacity の AWS Machine Learning Engineer Nanodegree プログラムの奨学金でキャリアアップ

 機械学習 (ML) は、テクノロジーで最も急速に成長している分野のひとつで、今日の求人市場において極めて高い人気があります。World Economic Forum によると、人口知能の成長により、今後数年間で 5,800 万の新たな雇用が創出されることが期待されていますが [1]、Tencent Research Institute は、何百万人もの AI エンジニアが必要であるにもかかわらず、AI エンジニアは現在世界で 300,000 人しかいないと推定しています [2]。 実践的かつ魅力的な学習を通じて AI/ML スキルを向上できるようにすることを目的として、AWS は、Udacity と共同で構築した AWS Machine Learning Scholarship Program を発表します。 AWS Machine Learning Scholarship Program とは何ですか? AWS と Udacity は、あらゆるスキルレベルの開発者に ML の開始方法に関する教育を受ける機会を与えるために手を組んでいます。この奨学金は、AWS ML の専門知識を拡充することに関心のある方であれば誰でも応募できます。 この二段階の奨学金プログラムでは、無料の AWS Machine Learning Foundations コースを修了したすべての適格な学生は、Udacity からコース修了証明書を取得し、高水準の知識テストを受ける機会を獲得します。 このテストのスコアに基づいて、上位 325 名の開発者は、Machine Learning […]

Read More

Amazon QuickSight ML Insights を使用して、データから異常を見つけ、将来を予測する

 テクノロジーの進化に伴い、ビジネスは多種多様なソースから、より多くのデータを収集するようになってきています。集めるデータポイントが多くなりすぎると、ビジネスの成長に役立つ適切な知見を見出すことがしばしば難しくなります。ダッシュボードは、構築の仕方によっては、データを視覚的に表現することに優れていますが、データから異常や外れ値といった隠れた知見を見つけるとなると、必ずしも優れた手段とは言えません。人がデータを探す際には役立ちますが、データ自らが人にアピールしてくれるわけではありません。データ収集の規模が大きくなると、間接費の増大を避けるためにも前者から後者に移行する必要があります。企業が持つ時間やリソースの限界から、大まかなトレンドの把握に留まるか、または深い知見を得るにしても、その規模は小さなデータサブセットに限られるでしょう。 こうした限界から、情報に基づいて意思決定を下すことができなくなる恐れがあります。Amazon QuickSight には、機械学習 (ML) による異常検知機能が組み込まれており、 ML モデルの構築、トレーニング、ハイパーパラメータチューニング、推論、デプロイメントタスクにおいて、時間とリソースの節約に役立ちます。さらに、何百万ものメトリクスや何十億もの大規模データポイントから、深い知見を得ることができます。 この記事では、ML Insights を使用して役立つビジュアルや予測を作成する方法をご紹介します。このチュートリアルでは、以下の AWS のサービスを使用します。 Amazon QuickSight – ML Insights やビジュアルを構築します。 Amazon Athena – 手動でのデータ分析のため、Amazon QuickSight データセットをクエリします。 AWS Glue – データセットをクロールし、ロードすることなくメタデータを準備します。これにより、安価で拡張性と耐久性が非常に高い S3 バケットに格納された 未加工データファイルにビジュアルを保存し、実行できるので、高額なデータベース実行コストを低減できます。 Amazon S3 – データソースを保存します。 データセットの準備 始めるには、まず Amazon QuickSight 用データセットの収集、クリーンアップ、準備を行う必要があります。この記事では、データソースとして Amazon S3 を使用しますが、Quicksight 対応であれば、Redshift、Athena、RDS、Aurora、MySQL、Postgres、MariaDB など、あらゆるデータソースを使用して、クエリとビジュアルの構築ができます。この記事では、次の 3 つのデータセットを使用します。 Airlines Delay (エアラインの遅延) – Web サイト「data.world」から […]

Read More