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

本文為樂(lè)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(lè)天有限公司下轄子公司，樂(lè)天瑪特是韓國(guó)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(fèi)者們擁有著極為豐富的日用品購(gòu)買渠道，包括大賣場(chǎng)、電商平臺(tái)、便利店以及超市等等。韓國(guó)大型超市樂(lè)天瑪特則決定使用Amazon Personalize為老客戶們提供個(gè)性化推薦，借此提高其參與度、增強(qiáng)新產(chǎn)品購(gòu)買率，并最終強(qiáng)化客戶忠誠(chéng)度。本文將與大家分享樂(lè)天瑪特在使用Amazon Personalize之前面臨的困境，以及如何改進(jìn)產(chǎn)品推薦機(jī)制以增加新產(chǎn)品購(gòu)買率。

樂(lè)天瑪特在韓國(guó)、印度尼西亞以及越南的多達(dá)189家實(shí)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(wàn)，2019年的營(yíng)收達(dá)到51億美元。

樂(lè)天瑪特?fù)碛歇?dú)家手機(jī)優(yōu)惠券系統(tǒng)M-coupon，旨在通過(guò)提供店內(nèi)優(yōu)惠信息鼓勵(lì)顧客購(gòu)物。由于客戶在大賣場(chǎng)中的單次平均到店消費(fèi)支出一般在50到200美元之間，因此客戶前往實(shí)體店面的頻率直接影響到樂(lè)天瑪特的運(yùn)營(yíng)績(jī)效。

從傳統(tǒng)角度來(lái)看，M-coupon會(huì)根據(jù)客戶的以往購(gòu)買記錄進(jìn)行推薦。例如，如果客戶以往曾購(gòu)買過(guò)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(gòu)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(shí)發(fā)放的優(yōu)惠券完成商品回購(gòu)，從而提高重復(fù)購(gòu)買率并保持良好的客戶忠誠(chéng)度。但這種方式無(wú)法推動(dòng)新產(chǎn)品的消費(fèi)率，也無(wú)法根據(jù)客戶需求的不斷變化創(chuàng)造出更具個(gè)性化的消費(fèi)體驗(yàn)。面對(duì)每天增加的眾多新產(chǎn)品，賣場(chǎng)方面必須迅速生成針對(duì)這些產(chǎn)品的新需求。但為了保證客戶體驗(yàn)，賣場(chǎng)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(huì)讓客戶感到不知所措。因此，樂(lè)天瑪特需要制定長(zhǎng)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(gòu)買決策。為此，樂(lè)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(jì)的個(gè)性化產(chǎn)品推薦內(nèi)容，借此提高客戶忠誠(chéng)度并增強(qiáng)其對(duì)于新產(chǎn)品的購(gòu)買意愿。

使用統(tǒng)計(jì)方法生成規(guī)?；扑]

傳統(tǒng)上，樂(lè)天瑪特會(huì)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(dòng)有針對(duì)性的產(chǎn)品推薦。這種方法在正確設(shè)置復(fù)購(gòu)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(duì)每一位購(gòu)物者提供個(gè)性化推薦，而且僅僅適用于以往曾經(jīng)購(gòu)買過(guò)的產(chǎn)品。在向顧客推薦新產(chǎn)品時(shí)，優(yōu)惠券的使用率可以體現(xiàn)用戶對(duì)推薦內(nèi)容的興趣度，而實(shí)際結(jié)果是新產(chǎn)品的購(gòu)買率非常低。

此外，建立并維護(hù)這種基于統(tǒng)計(jì)學(xué)的針對(duì)性營(yíng)銷引擎不僅極度耗時(shí)，而且會(huì)浪費(fèi)掉大量寶貴的大數(shù)據(jù)工程團(tuán)隊(duì)資源。整個(gè)流程要求工程團(tuán)隊(duì)手動(dòng)計(jì)算每種產(chǎn)品的購(gòu)買周期，并估計(jì)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(jìn)行關(guān)聯(lián)分析。

盡管付出了不少時(shí)間和精力，但其性能仍未能達(dá)到運(yùn)營(yíng)期望。對(duì)樂(lè)天瑪特來(lái)說(shuō)，最重要的指標(biāo)就是優(yōu)惠券瀏覽量、使用量、重復(fù)購(gòu)買率以及使用個(gè)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(shí)發(fā)掘出了客戶的隱藏需求?；谝陨戏N種原因，樂(lè)天瑪特決定開始探索Amazon Personalize方案。

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

通過(guò)量身定制的推薦，改善客戶體驗(yàn)

借助Amazon Personalize，樂(lè)天瑪特可以經(jīng)濟(jì)高效地推薦那些難以通過(guò)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(shí)際價(jià)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(dòng)分析需求，同時(shí)將開發(fā)時(shí)間縮短達(dá)50%。樂(lè)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(tuán)隊(duì)只需一半的時(shí)間即可生成更準(zhǔn)確的預(yù)測(cè)結(jié)果。

當(dāng)然，節(jié)約時(shí)間只是Amazon Personalize成就卓越解決方案的指標(biāo)之一。樂(lè)天瑪特還希望客戶能夠更頻繁地關(guān)注并購(gòu)買新產(chǎn)品，同時(shí)不對(duì)最佳客戶體驗(yàn)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(yàn)的推進(jìn)，schema也可進(jìn)行更新，例如通過(guò)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(lè)天瑪特開始著手測(cè)試各種算法。

最后，Amazon Personalize開始為每位客戶提供個(gè)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(gè)流程不僅在時(shí)耗上有所優(yōu)化，同時(shí)也使工程團(tuán)隊(duì)不必管理并維護(hù)自定義模型，由此極大提高了生產(chǎn)效率。

個(gè)性化優(yōu)惠券推薦

樂(lè)天瑪特的目標(biāo)，在于提高那些以往從未使用過(guò)優(yōu)惠券的客戶們的參與度，由此帶動(dòng)他們對(duì)于新產(chǎn)品的需求?？蛻舻呐d趣與需求一直在不斷變化，競(jìng)爭(zhēng)格局也在這種變化中變得愈發(fā)激烈。樂(lè)天瑪特可以主動(dòng)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(chéng)度。

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

樂(lè)天瑪特選取了消費(fèi)活躍度最高的70萬(wàn)客戶，著手為其提供優(yōu)惠券推薦服務(wù)。這批購(gòu)物者還很容易受到其他購(gòu)物渠道折扣或促銷活動(dòng)的影響。樂(lè)天瑪特之前也曾向其發(fā)放基于統(tǒng)計(jì)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(cè)試。

在本輪測(cè)試中，樂(lè)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(qiáng)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(lái)，他們選定一個(gè)月的銷售記錄作為輸入數(shù)據(jù)，其中包含數(shù)千萬(wàn)項(xiàng)交易。交易收據(jù)上購(gòu)買的每款不同商品，都將成為數(shù)據(jù)集內(nèi)的一項(xiàng)交互來(lái)源。

為了在Amazon Personalize中進(jìn)行建模，樂(lè)天瑪特決定使用三套數(shù)據(jù)集：銷售歷史記錄（過(guò)去幾個(gè)月）、產(chǎn)品元數(shù)據(jù)、以及提取自舊有統(tǒng)計(jì)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(jìn)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(gè)數(shù)據(jù)集，其中包含以下信息：

·交互——一定時(shí)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(gè)分類變量的匿名用戶畫像數(shù)據(jù)

通過(guò)集成物品元數(shù)據(jù)，可使推薦質(zhì)量獲得重大改進(jìn)。

在著手通過(guò)Amazon Personalize進(jìn)行建模之前，樂(lè)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(shí)。在樂(lè)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(yàn)和知識(shí)進(jìn)行了更新和改進(jìn)。不過(guò)其中也有一些通行的經(jīng)驗(yàn)，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(jìn)行分類處理。

為了評(píng)估各項(xiàng)特征對(duì)于商品或用戶數(shù)據(jù)集的影響，樂(lè)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?yàn)榍罢咧苯又塾诮换?shù)據(jù)集。但除了交互之外，HRNN-meta還會(huì)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(jī)器學(xué)習(xí)模型?；谕粩?shù)據(jù)集，您可以構(gòu)建多個(gè)解決方案版本，借此評(píng)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(lái)，您就能逐步篩選出最適合當(dāng)前任務(wù)的recipe選項(xiàng)。

推薦結(jié)果

優(yōu)惠券推薦每?jī)芍軋?zhí)行一輪，意味著相應(yīng)的Campaign（即通過(guò)API計(jì)算推薦結(jié)果的過(guò)程）無(wú)需持續(xù)運(yùn)行。樂(lè)天瑪特調(diào)用GetRecommendations API，并提供userid以獲得推薦結(jié)果。接下來(lái)，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(gè)性化優(yōu)惠券。在此期間，樂(lè)天瑪特還可以持續(xù)收集優(yōu)惠券對(duì)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(dòng)應(yīng)用及基于Amazon Personalize生成的推薦優(yōu)惠券。

成本優(yōu)化

樂(lè)天瑪特在獲得所有推薦結(jié)果后，會(huì)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(shí)際運(yùn)行時(shí)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(shí)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(shí)間是20毫秒，則每秒可獲得50條推薦結(jié)果。我們可以通過(guò)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(qiáng)的模型選項(xiàng)。雖然這種有針對(duì)性的臨時(shí)優(yōu)化訓(xùn)練會(huì)暫時(shí)帶來(lái)高于單模型訓(xùn)練的運(yùn)營(yíng)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(shí)現(xiàn)長(zhǎng)期來(lái)講的成本與性能的高效管理。

總結(jié)

樂(lè)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(lái)，優(yōu)惠券使用量較以往基于規(guī)則的統(tǒng)計(jì)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(gòu)買率提高了1.7倍——較以往統(tǒng)計(jì)方法提升顯著。更重要的是，新產(chǎn)品購(gòu)買率的提升表明樂(lè)天瑪特成功發(fā)掘出了客戶群體中的隱藏購(gòu)買需求。這種以個(gè)性化優(yōu)惠券為載體的全新運(yùn)營(yíng)模式顯著改善了樂(lè)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/