使用Amazon Personalize建立個性化優(yōu)惠券，借此提高客戶參與度與忠誠度

本文為樂天瑪特公司大數(shù)據(jù)分析師Sungoh Park撰寫的客座文章。援引他的表述，“作為樂天有限公司下轄子公司，樂天瑪特是韓國領(lǐng)先的零售商，銷售各類日用百貨、服裝、玩具、電子產(chǎn)品及其他商品?！?/span>

如今，消費者們擁有著極為豐富的日用品購買渠道，包括大賣場、電商平臺、便利店以及超市等等。韓國大型超市樂天瑪特則決定使用Amazon Personalize為老客戶們提供個性化推薦，借此提高其參與度、增強新產(chǎn)品購買率，并最終強化客戶忠誠度。本文將與大家分享樂天瑪特在使用Amazon Personalize之前面臨的困境，以及如何改進產(chǎn)品推薦機制以增加新產(chǎn)品購買率。

樂天瑪特在韓國、印度尼西亞以及越南的多達189家實體店面售賣各類日用百貨、服裝、玩具、電子產(chǎn)品及其他商品，其日均到店顧客60萬，2019年的營收達到51億美元。

樂天瑪特?fù)碛歇毤沂謾C優(yōu)惠券系統(tǒng)M-coupon，旨在通過提供店內(nèi)優(yōu)惠信息鼓勵顧客購物。由于客戶在大賣場中的單次平均到店消費支出一般在50到200美元之間，因此客戶前往實體店面的頻率直接影響到樂天瑪特的運營績效。

從傳統(tǒng)角度來看，M-coupon會根據(jù)客戶的以往購買記錄進行推薦。例如，如果客戶以往曾購買過某品牌方便面，則下一次再次向其推薦該產(chǎn)品。這類基于購買歷史的規(guī)則性推薦是有意義的，能夠幫助客戶使用即時發(fā)放的優(yōu)惠券完成商品回購，從而提高重復(fù)購買率并保持良好的客戶忠誠度。但這種方式無法推動新產(chǎn)品的消費率，也無法根據(jù)客戶需求的不斷變化創(chuàng)造出更具個性化的消費體驗。面對每天增加的眾多新產(chǎn)品，賣場方面必須迅速生成針對這些產(chǎn)品的新需求。但為了保證客戶體驗，賣場方面又不能用狂轟濫炸的方式向客戶一股腦發(fā)布新產(chǎn)品信息。這種盲目的宣傳策略只會讓客戶感到不知所措。因此，樂天瑪特需要制定長期發(fā)展戰(zhàn)略，以增加店面客流量并引導(dǎo)新產(chǎn)品的購買決策。為此，樂天瑪特決定選擇Amazon Personalize作為解決方案，借此為M-coupon用戶提供精心設(shè)計的個性化產(chǎn)品推薦內(nèi)容，借此提高客戶忠誠度并增強其對于新產(chǎn)品的購買意愿。

使用統(tǒng)計方法生成規(guī)?；扑]

傳統(tǒng)上，樂天瑪特會使用客戶資料中的銷售歷史與用戶偏好，以發(fā)放優(yōu)惠券的形式推動有針對性的產(chǎn)品推薦。這種方法在正確設(shè)置復(fù)購頻率、用戶喜愛品牌等條件的情況下是有效的。然而，這并不足以針對每一位購物者提供個性化推薦，而且僅僅適用于以往曾經(jīng)購買過的產(chǎn)品。在向顧客推薦新產(chǎn)品時，優(yōu)惠券的使用率可以體現(xiàn)用戶對推薦內(nèi)容的興趣度，而實際結(jié)果是新產(chǎn)品的購買率非常低。

此外，建立并維護這種基于統(tǒng)計學(xué)的針對性營銷引擎不僅極度耗時，而且會浪費掉大量寶貴的大數(shù)據(jù)工程團隊資源。整個流程要求工程團隊手動計算每種產(chǎn)品的購買周期，并估計優(yōu)惠券的影響程度，并將這一切與相關(guān)產(chǎn)品的具體情況進行關(guān)聯(lián)分析。

盡管付出了不少時間和精力，但其性能仍未能達到運營期望。對樂天瑪特來說，最重要的指標(biāo)就是優(yōu)惠券瀏覽量、使用量、重復(fù)購買率以及使用個性化優(yōu)惠券的具體比例。而比例的增加，則表示當(dāng)前優(yōu)惠券確實發(fā)掘出了客戶的隱藏需求。基于以上種種原因，樂天瑪特決定開始探索Amazon Personalize方案。

下圖所示為樂天瑪特之前基于統(tǒng)計規(guī)則生成推薦的架構(gòu)。

通過量身定制的推薦，改善客戶體驗

借助Amazon Personalize，樂天瑪特可以經(jīng)濟高效地推薦那些難以通過傳統(tǒng)方法宣傳推廣的新產(chǎn)品。以此為基礎(chǔ)，優(yōu)惠券命中率（即促銷優(yōu)惠券的使用率）有所增加，月度銷售額也開始顯著攀升。

這一切也很快轉(zhuǎn)化為實際價值。與以往的方法相比，Amazon Personalize消除了繁瑣而復(fù)雜的數(shù)據(jù)手動分析需求，同時將開發(fā)時間縮短達50%。樂天瑪特只需要提供預(yù)定義的“交互”、“用戶”與“商品”數(shù)據(jù)集。與以往的方法相比，工程團隊只需一半的時間即可生成更準(zhǔn)確的預(yù)測結(jié)果。

當(dāng)然，節(jié)約時間只是Amazon Personalize成就卓越解決方案的指標(biāo)之一。樂天瑪特還希望客戶能夠更頻繁地關(guān)注并購買新產(chǎn)品，同時不對最佳客戶體驗造成影響。Amazon Personalize提供易于使用的不同數(shù)據(jù)集schema，借此降低操作難度。隨著試驗的推進，schema也可進行更新，例如通過增加或替換一些特征以提高優(yōu)惠券的整體響應(yīng)率。在完成數(shù)據(jù)準(zhǔn)備之后，樂天瑪特開始著手測試各種算法。

最后，Amazon Personalize開始為每位客戶提供個性化推薦，而不再僵化向所有人發(fā)布相同的規(guī)則性建議。整個流程不僅在時耗上有所優(yōu)化，同時也使工程團隊不必管理并維護自定義模型，由此極大提高了生產(chǎn)效率。

個性化優(yōu)惠券推薦

樂天瑪特的目標(biāo)，在于提高那些以往從未使用過優(yōu)惠券的客戶們的參與度，由此帶動他們對于新產(chǎn)品的需求?？蛻舻呐d趣與需求一直在不斷變化，競爭格局也在這種變化中變得愈發(fā)激烈。樂天瑪特可以主動發(fā)現(xiàn)客戶群體中的未知需求，并響應(yīng)其意圖變化以提高客戶的留存率與忠誠度。

下圖所示為基于Amazon Personalize構(gòu)建起的全新推薦與個性化優(yōu)惠券架構(gòu)。

樂天瑪特選取了消費活躍度最高的70萬客戶，著手為其提供優(yōu)惠券推薦服務(wù)。這批購物者還很容易受到其他購物渠道折扣或促銷活動的影響。樂天瑪特之前也曾向其發(fā)放基于統(tǒng)計規(guī)則生成的優(yōu)惠券。因此，這批用戶非常適合做兩種推薦引擎的A/B測試。

在本輪測試中，樂天瑪特采用以加工食品、浴室用品、洗滌劑以及其他日用品等數(shù)據(jù)生成的模型，盡可能選擇那些季節(jié)性不強的商品以消除特殊事件（例如學(xué)生返校或假期等）的影響。接下來，他們選定一個月的銷售記錄作為輸入數(shù)據(jù)，其中包含數(shù)千萬項交易。交易收據(jù)上購買的每款不同商品，都將成為數(shù)據(jù)集內(nèi)的一項交互來源。

為了在Amazon Personalize中進行建模，樂天瑪特決定使用三套數(shù)據(jù)集：銷售歷史記錄（過去幾個月）、產(chǎn)品元數(shù)據(jù)、以及提取自舊有統(tǒng)計系統(tǒng)的用戶畫像。他們將提取到的數(shù)據(jù)上傳至Amazon S3并進行預(yù)處理，借此刪除其中不相關(guān)或噪聲性質(zhì)的內(nèi)容——例如已經(jīng)停產(chǎn)的產(chǎn)品及匿名用戶畫像。他們將數(shù)據(jù)集導(dǎo)入為交互、商品與用戶三個數(shù)據(jù)集，其中包含以下信息：

·交互——一定時期內(nèi)的所有銷售記錄

·商品——產(chǎn)品元信息，例如所屬類別及SKU

·用戶——具有多個分類變量的匿名用戶畫像數(shù)據(jù)

通過集成物品元數(shù)據(jù)，可使推薦質(zhì)量獲得重大改進。

在著手通過Amazon Personalize進行建模之前，樂天瑪特首先需要確定應(yīng)引入哪些商品元數(shù)據(jù)。在尋求最佳產(chǎn)品元數(shù)據(jù)方面不存在任何捷徑，選擇的準(zhǔn)確性很大程度依賴于行業(yè)領(lǐng)域知識。在樂天瑪特的案例中也是這樣，商品元數(shù)據(jù)根據(jù)領(lǐng)域?qū)＜姨峁┑慕?jīng)驗和知識進行了更新和改進。不過其中也有一些通行的經(jīng)驗，例如分類特征適合用于處理低基數(shù)屬性。例如，SSN、電子郵件或用戶ID等一般屬于唯一的高基數(shù)屬性，因此不太適合進行分類處理。

為了評估各項特征對于商品或用戶數(shù)據(jù)集的影響，樂天瑪特嘗試了HRNN-meta與HRNN recipe。在數(shù)據(jù)準(zhǔn)備方面，HRNN比HRNN-meta更直接，這是因為前者直接著眼于交互數(shù)據(jù)集。但除了交互之外，HRNN-meta還會引入商品元數(shù)據(jù)乃至用戶數(shù)據(jù)集中的更多特征。在Amazon Personalize中，解決方案版本(solution version)相當(dāng)于是基于選定的recipe，數(shù)據(jù)集，及其他參數(shù)訓(xùn)練生成的機器學(xué)習(xí)模型。基于同一數(shù)據(jù)集，您可以構(gòu)建多個解決方案版本，借此評估或比較使用不同recipe訓(xùn)練而成的模型究竟有何差異。如此一來，您就能逐步篩選出最適合當(dāng)前任務(wù)的recipe選項。

推薦結(jié)果

優(yōu)惠券推薦每兩周執(zhí)行一輪，意味著相應(yīng)的Campaign（即通過API計算推薦結(jié)果的過程）無需持續(xù)運行。樂天瑪特調(diào)用GetRecommendations API，并提供userid以獲得推薦結(jié)果。接下來，他們將包含特定用戶的推薦結(jié)果寫入文件。本地優(yōu)惠券交付系統(tǒng)M-coupon從Amazon S3處下載這些結(jié)果，并在處理之后據(jù)此向客戶發(fā)放個性化優(yōu)惠券。在此期間，樂天瑪特還可以持續(xù)收集優(yōu)惠券對收入的影響、以及優(yōu)惠券使用率等業(yè)務(wù)指標(biāo)。

以下截屏所示，為M-coupon移動應(yīng)用及基于Amazon Personalize生成的推薦優(yōu)惠券。

成本優(yōu)化

樂天瑪特在獲得所有推薦結(jié)果后，會刪除相應(yīng)campaigns以優(yōu)化Amazon Personalize的使用成本，確保只根據(jù)campaigns的實際運行時間及TPS資源量支付開銷。Campaign的TPS與大多數(shù)并發(fā)交易比較相似。如果其響應(yīng)時間小于500毫秒，則意味著TPS為1的campaign能夠在一秒鐘內(nèi)生成多條推薦。例如，如果推薦API的響應(yīng)時間是20毫秒，則每秒可獲得50條推薦結(jié)果。我們可以通過超參數(shù)優(yōu)化（HPO）功能找出最佳超參數(shù)組合，并將其應(yīng)用于訓(xùn)練流程以獲取性能最強的模型選項。雖然這種有針對性的臨時優(yōu)化訓(xùn)練會暫時帶來高于單模型訓(xùn)練的運營成本，但在超參數(shù)優(yōu)化完成之后，大家可以指定algorithmHyperParameters以在后續(xù)訓(xùn)練中重用這些超參數(shù)，以此實現(xiàn)長期來講的成本與性能的高效管理。

總結(jié)

樂天瑪特一直在努力提高優(yōu)惠券命中率。自從引入Amazon Personalize以來，優(yōu)惠券使用量較以往基于規(guī)則的統(tǒng)計性推薦系統(tǒng)增加了一倍以上。他們還發(fā)現(xiàn)，新產(chǎn)品的購買率提高了1.7倍——較以往統(tǒng)計方法提升顯著。更重要的是，新產(chǎn)品購買率的提升表明樂天瑪特成功發(fā)掘出了客戶群體中的隱藏購買需求。這種以個性化優(yōu)惠券為載體的全新運營模式顯著改善了樂天瑪特的月度銷售額。

Original Link:https://amazonaws-china.com/cn/blogs/machine-learning/increasing-customer-engagement-and-loyalty-with-personalized-coupon-recommendations-using-amazon-personalize/