Preguntas frecuentes sobre Amazon Personalize

Amazon Personalize tiene un proceso sencillo de tres pasos, que solo requiere unos pocos clics en la Consola de administración de AWS o un conjunto de llamadas simples a la API. Primero, indique a Amazon Personalize sus datos de interacción con los usuarios (registro histórico de visitas, clics, compras, etc.) en Amazon S3, cargue los datos mediante una llamada simple a la API o utilice SageMaker Data Wrangler para preparar e importar los datos. Si lo desea, puede proporcionar un conjunto de datos de artículos o usuarios que contenga información adicional sobre su catálogo y su base de clientes. En segundo lugar, con solo unos clics en la consola o una llamada a la API, entrene un modelo de recomendación privada personalizado para sus datos. En tercer lugar, encuentre las recomendaciones personalizadas. Vea esta serie de videos de Amazon Personalize Deep Dive para obtener más información.

Cree una cuenta y acceda a la consola de Amazon Personalize para desarrolladores, la cual proporciona un asistente de configuración intuitivo. Tiene la opción de utilizar una API de JavaScript y SDK del lado del servidor para enviar datos de flujo de actividad en tiempo real a Amazon Personalize o iniciar el servicio mediante un registro histórico de eventos del usuario. También puede importar sus datos a través de Amazon Simple Storage Service (S3) o mediante SageMaker Data Wrangler. Luego, con unas pocas llamadas a la API, puede entrenar un modelo de personalización, al permitir que el servicio elija el algoritmo adecuado para su conjunto de datos con AutoML o al elegir de forma manual una de las varias opciones de algoritmos disponibles. Una vez entrenados, los modelos se pueden implementar con una única llamada a la API y pueden ser utilizados por aplicaciones de producción. Una vez implementado, llame al servicio de sus servicios de producción para obtener recomendaciones en tiempo real y Amazon Personalize escalará de forma automática para adaptarse a los niveles de demanda.

Los usuarios deben proporcionar los siguientes datos a Amazon Personalize:

• Datos de flujo de actividad o eventos del usuario: se captura un registro histórico de las interacciones de los usuarios en el sitio web o aplicación en forma de eventos y se envía a Amazon Personalize mediante una integración que involucra una sola línea de código. Esto incluye, eventos clave, como clics, compras, visitas a artículos, artículos agregados al carro de compras, colocar “Me gusta”, etc. Al empezar a utilizar el servicio, puede proporcionar un registro histórico de todos los datos de flujo de actividad o eventos, si están disponibles.
• Datos del catálogo (artículo): puede ser cualquier tipo de catálogo, incluidos libros, videos, artículos periodísticos o productos. Esto incluye identificadores de artículos y metadatos asociados con cada artículo.
• Datos de usuario: datos de perfiles de usuarios, incluidos los datos demográficos como sexo y edad. Estos datos son opcionales.

Amazon Personalize entrena e implementa un modelo basado en esos datos. Puede utilizar una API de inferencia simple para obtener recomendaciones individualizadas en tiempo real y generar una experiencia personalizada para los usuarios finales, según el tipo de modelo de personalización (p. ej.: personalización de usuario, artículos relacionados o reordenación personalizada).

Los siguientes datos pueden ayudar a mejorar la relevancia de las recomendaciones y se recomienda que incluya:

• Tipo de evento (obligatorio para todos los casos de uso de grupos de conjuntos de datos de dominio)
• Valor del evento
• Metadatos contextuales
• Metadatos de artículos y usuarios

Para obtener más información sobre los tipos de datos que puede utilizar con Amazon Personalize, consulte Tipos de datos que puede importar a Amazon Personalize.

Amazon Personalize simplifica la preparación e importación de sus datos a través de Amazon SageMaker Data Wrangler antes de utilizarlos en Amazon Personalize. Con Amazon SageMaker Data Wrangler, puede importar datos de más de 40 orígenes de datos compatibles y realizar una preparación integral de los datos (incluida la selección, la limpieza, la exploración, la visualización y el procesamiento a escala de los datos) en una única interfaz de usuario con poco o ningún código. Esto permite preparar rápidamente conjuntos de datos de usuarios, artículos o interacciones con Amazon SageMaker Data Wrangler. De esta manera, aprovecha las transformaciones específicas de Amazon Personalize y más de 300 transformaciones de datos generales integrados, recupera información sobre los datos e itera rápidamente mediante la resolución de problemas de datos. Tan solo visite la consola de Amazon Personalize, abra un conjunto de datos desde sus grupos de conjuntos de datos, seleccione “Importar y preparar sus datos” y, a continuación, elija “Preparar datos con Data Wrangler”. Tenga en cuenta que los clientes que utilizan Amazon SageMaker Data Wrangler incurrirán en cargos adicionales según el uso. Consulte la página de precios.

Sí. Amazon Personalize permite ayudar a sus usuarios a descubrir nuevos productos y artículos, ya que puede especificar una “ponderación de exploración de nuevo artículo”. Luego, Amazon Personalize utiliza esta información para lograr automáticamente el equilibrio adecuado entre exponer el nuevo contenido a los usuarios y ofrecer las recomendaciones más relevantes. Amazon Personalize también tiene en cuenta los datos sobre los artículos a los que se expuso a los usuarios, pero con los que decidieron no interactuar. 

Amazon Personalize proporciona un análisis de sus datos para facilitar los primeros pasos. Puede analizar los datos que proporciona y ofrece sugerencias para mejorar la preparación de los datos. El rendimiento de los sistemas de personalización depende de proporcionar a los modelos datos de alta calidad sobre los usuarios y sus interacciones con los artículos del catálogo. Al identificar posibles deficiencias en los datos y proporcionar sugerencias para ayudar a los clientes a solucionarlas, Amazon Personalize facilita el entrenamiento de modelos eficientes y reduce la necesidad de solucionar problemas.

Amazon Personalize ha lanzado una nueva integración con OpenSearch autoadministrado que le permite personalizar los resultados de búsqueda para cada usuario y ayuda a predecir sus necesidades de búsqueda. El complemento de clasificación de búsqueda de Amazon Personalize de OpenSearch le permite utilizar las capacidades de aprendizaje profundo (ML) que ofrece Amazon Personalize y aplicar una reclasificación personalizada a los resultados de búsqueda de OpenSearch, sin necesidad de conocimientos en esta tecnología. Con la búsqueda personalizada, puede ir más allá del enfoque tradicional de búsqueda de palabras clave y aumentar en tiempo real los elementos relevantes en los resultados de búsqueda de un usuario específico según sus intereses, contexto e interacciones pasadas. También puede ajustar el nivel de personalización de cada consulta de búsqueda para tener un mayor control sobre su experiencia de búsqueda. De esta manera, mejora la participación del usuario final y la conversión a partir de su búsqueda. 

El complemento Search Ranking de Amazon Personalize está disponible tanto para OpenSearch autogestionada como para Amazon OpenSearch. Si utiliza Amazon OpenSearch, para empezar, simplemente configure un dominio de OpenSearch y, a continuación, configure la campaña de Amazon Personalize con la receta “AWS-personalized-ranking”. Luego, asocie el complemento Search Ranking (Clasificación de búsqueda) de Amazon Personalize a su dominio y, finalmente, configure el complemento. También puede utilizar el panel de OpenSearch para comparar los resultados de la búsqueda.

Si utiliza OpenSearch autogestionada, para empezar, basta con configurar un clúster de OpenSearch y, a continuación, configurar la campaña de Amazon Personalize con la receta de clasificación personalizada de AWS y, por último, instalar y configurar el complemento de clasificación de búsqueda de Amazon Personalize en OpenSearch. Puede usar el panel de OpenSearch para comparar los resultados de la búsqueda.

Para obtener más información, consulte nuestra documentación.

Con la receta de Amazon Personalize Next-Best-Action (aws-next-best-action), puede determinar la siguiente mejor acción para recomendar a cada usuario individual en función de sus preferencias, intereses e historial en tiempo real. Puede recomendar acciones como un servicio adicional, unirse a un programa de fidelización de clientes, suscribirse a un boletín informativo, etc. que fomenten la conversión. Esto te permite mejorar la experiencia de cada usuario al animarlos a realizar determinadas acciones a lo largo de su recorrido de usuario que ayudarán a promover la interacción a largo plazo con la marca. También le permite mejorar el rendimiento de la inversión en marketing al recomendar acciones que tengan un alto grado de relevancia para el usuario, lo que se traduce en un aumento de los ingresos y la lealtad. Más información.

Las recetas son algoritmos de Amazon Personalize para casos de uso de personalizados y específicos, como las recomendaciones de productos o contenidos, la clasificación personalizada y la segmentación de usuarios. Cada receta proporciona un algoritmo que Amazon Personalize usa para entrenar y configurar el modelo.

Para conocer más detalles, consulte nuestra documentación.

Amazon Personalize Next Best Action (NBA) permite a las marcas recomendar la mejor acción que sus usuarios individuales deberían realizar para aumentar la lealtad y la conversión con su marca en tiempo real. Los clientes comienzan por definir una lista de acciones y cargar los conjuntos de datos necesarios. A continuación, entrenan su modelo personalizado de NBA. Luego, integrarán las recomendaciones en sus aplicaciones o herramientas de tecnología de marketing a través de una API. Cuando un usuario final activa una recomendación en tiempo real, el modelo Personalize NBA devolverá una lista clasificada de acciones para cada usuario junto con sus puntuaciones de propensión. Dado que es posible que las acciones solo sean relevantes durante un período de tiempo específico (p. ej., suscribirse a ofertas de viajes de vacaciones) o que los clientes deseen limitar el número de acciones que se muestran a los usuarios finales (p. ej., no mostrar la misma acción más de X veces en Y días), los clientes podrán imponer restricciones a sus recomendaciones de acción (p. ej., filtros). 

Amazon Personalize proporciona a los clientes dos API de inferencia: getRecommendations y getPersonalizedRanking. Estas API devuelven una lista de identificadores de artículos recomendados para un usuario, una lista de artículos similares o una lista reordenada de artículos para un usuario. El identificador de artículos puede ser un identificador de producto, de video, etc. Se espera que utilice estos identificadores de artículos para generar la experiencia de los usuarios finales por medio de pasos, como recuperar imágenes y descripciones y luego ofrecer una visualización. En algunos casos, puede hacer integraciones con servicios de AWS, de envío de correos electrónicos de terceros, de notificaciones, etc., para generar la experiencia de usuario final deseada.

Consulte la solución de API de personalización, que explica el marco de la API de baja latencia en tiempo real que se encuentra entre sus aplicaciones y el sistema de recomendación, como Amazon Personalize. La solución también proporciona implementaciones recomendadas de almacenamiento en caché de respuestas, configuraciones de puertas de enlace de API, pruebas A/B con Amazon CloudWatch Evidently, metadatos de artículos de tiempo de inferencia, recomendaciones contextuales automáticas y más.

Hay algunas funciones integradas en Amazon Personalize que sirven como puntos de control para asegurarse de estar optimizado para obtener recomendaciones de alta calidad.

• Pruebas en línea (pruebas A/B): siempre será la mejor medida del impacto de un modelo en las métricas de la empresa. También es el método más común. Debe evaluar sus recomendaciones al compararlas con las métricas de la empresa. Si aún no cuenta con una herramienta de pruebas A/B, considere la posibilidad de utilizar Amazon CloudWatch Evidently. El proyecto de API de personalización proporciona una solución desplegable y una arquitectura de referencia.
• Métricas sin conexión: Amazon Personalize calcula las métricas sin conexión para cada versión y recomendador de la solución, que miden la precisión de las predicciones del modelo. Puede utilizar estas métricas para obtener una idea clara de la calidad de una versión de la solución con respecto a otras versiones. Las métricas sin conexión se calculan al dividir los conjuntos de datos de Amazon Personalize en un conjunto de entrenamiento y de prueba. Permite ver los efectos de la modificación de los hiperparámetros y los algoritmos utilizados para entrenar los modelos, calculados a partir de datos históricos.
• Métricas en línea: son resultados empíricos observados en las interacciones de los usuarios con recomendaciones en tiempo real proporcionadas en un entorno en vivo. Al comparar los modelos de Amazon Personalize con un sistema de recomendación existente, los datos históricos inicialmente se inclinan hacia el enfoque existente. Por lo tanto, se recomienda realizar una prueba en línea durante unas semanas antes de iniciar una prueba para medir los resultados, de modo que el modelo se entrene y evalúe a partir de los datos de interacciones que se generaron al consultar recomendaciones de Amazon Personalize.

Puede medir el resultado comercial de cualquier recomendación de Amazon Personalize con cualquier evento enviado al sistema. Luego, puede visualizar y evaluar el impacto de una o varias recomendaciones para desarrollar una estrategia de personalización más basada en los datos. Desde la consola de Amazon Personalize o desde la API, define una “atribución métrica” que es una lista de interacciones (tipos de eventos) que desea evaluar e informar. Por ejemplo, podría necesitar hacer el seguimiento de dos métricas: la proporción de clics (CTR) para las recomendaciones y la cantidad total de compras. Para cada tipo de evento, solo tiene que definir la métrica y la función a evaluar (suma o recuento) y Amazon Personalize hace el cálculo y envía los informes a su cuenta de CloudWatch o S3.

Todos los modelos de Amazon Personalize son exclusivos del conjunto de datos de los clientes y no se comparten con otras cuentas de AWS ni con Amazon Retail, Amazon Prime ni ninguna otra unidad de negocio. Los datos no se utilizan para entrenar ni propagar modelos para otros clientes; el contenido entrante y saliente del modelo del cliente es propiedad exclusiva de la cuenta. Cada interacción que los clientes tengan con Amazon Personalize se protege mediante cifrado. Todos los datos de usuarios, artículos o interacciones que procesa Amazon Personalize se pueden cifrar con claves del cliente a través de AWS Key Management Service y también se pueden cifrar en reposo en la región de AWS en la que el cliente utiliza el servicio. Los administradores también pueden controlar el acceso a Amazon Personalize mediante una política de permisos de AWS Identity and Access Management (IAM), lo que garantiza la protección de la información confidencial.

• Personalización del usuario: son recomendaciones adaptadas al perfil, el comportamiento, las preferencias y el historial del usuario. Se usa más frecuentemente para aumentar el compromiso y la satisfacción del cliente. También puede generar tasas de conversión más altas.
• Clasificación personalizada: son los artículos que se volvieron a clasificar en una categoría o una respuesta de búsqueda según las preferencias o el historial del usuario. Este caso de uso se utiliza para mostrar artículos o contenido relevantes a un usuario específico, lo que garantiza una mejor experiencia de cliente. Amazon Personalize permite cambiar la clasificación y, al mismo tiempo, optimizar las prioridades comerciales, como los ingresos, las promociones o los artículos populares.
• Artículos similares: son artículos relacionados, recomendados para incentivar oportunidades de exploración, ventas adicionales y ventas cruzadas. Las recomendaciones de artículos similares ayudan a los usuarios a descubrir contenido nuevo o hacer comparaciones en el catálogo.
• Next Best Action: recomiende las acciones correctas al usuario correcto en tiempo real en función de su comportamiento y necesidades individuales. Esto le permitirá maximizar la participación de los usuarios y generar mayores tasas de conversión.
• Trending Now: recomienda artículos que ganen popularidad entre tus usuarios al ritmo más rápido, como artículos novedosos, contenido popular en redes sociales o películas que acaban de estrenar.
• Segmentación de usuarios: son mensajes y notificaciones dirigidos a los usuarios más interesados en un artículo o una categoría. Puede ayudar a las empresas a generar un mayor compromiso con las campañas de marketing y aumentar las tasas de retención mediante mensajes hipersegmentados.

Amazon Personalize se mejora constantemente en función de los comentarios de los clientes y de los objetivos de la hoja de ruta a largo plazo, mientras nos esforzamos por optimizarlo para facilitar la incorporación y el uso. Aquí encontrará varias funciones impactantes de Amazon Personalize que van más allá de las prácticas básicas de ML. Para obtener una lista completa de características, consulte nuestra página de características.

• Segmentación de usuarios: segmenta a los usuarios finales de forma inteligente en función de sus preferencias y crea mensajes dirigidos que llegan a grupos de clientes específicos. Vea esta demostración para obtener más información.
• Recomendadores optimizados de dominio: acelere el tiempo de comercialización mediante recomendadores predefinidos para casos de uso comercial comunes. Consulte esta demostración para obtener más información.
• Recomendaciones de nuevos artículos: cree recomendaciones de calidad para nuevos productos y contenido cuando los datos sobre las preferencias de los usuarios sean escasos.
• Recomendaciones en tiempo real o por lotes: responda a los cambios de intención en tiempo real o introduzca recomendaciones masivas en flujos de trabajo orientados a lotes.
• Recomendaciones de acciones: aumente la fidelidad y la conversión de sus usuarios al ampliar sus recomendaciones más allá de los artículos o el contenido. Determine la mejor acción para sugerirle a un usuario individual en función de sus preferencias, necesidades y comportamiento pasado.
• Búsqueda personalizada: mejore la experiencia de búsqueda de los usuarios al mostrar los resultados de búsqueda relevantes en función de sus intereses únicos, preferencias e interacciones pasadas en tiempo real.
• Soporte de texto no estructurado: el procesamiento del lenguaje natural y el modelado basado en la atención extraen automáticamente la información clave.
• Recomendaciones contextuales: mejore las recomendaciones al generarlas con un contexto como el segmento de usuarios, el tipo de dispositivo, la ubicación o la hora del día.
• Reglas comerciales: aplique reglas comerciales, incluidos filtros y promociones, para controlar el porcentaje de contenido promocionado a cada usuario.
• Recomendaciones populares: recomiende artículos que ganen popularidad al ritmo más rápido entre sus usuarios
• Impacto de la recomendación: mida el impacto comercial total de cualquier evento, como la visualización de una página, el inicio de un video, los clics, los artículos agregados al carrito, las compras, etc.

Consulte la página de precios de Amazon Personalize para ver información actualizada de precios.

Con Amazon Personalize, solo paga por lo que utiliza y no se requieren pagos mínimos ni compromisos iniciales. Estos son algunos consejos sobre cómo administrar los costos.

Considere la posibilidad de almacenar en caché los resultados en función de sus necesidades de actualizaciones en tiempo real

 Vuelva a capacitarse en función de los requisitos comerciales únicamente

Confíe en gran medida en el escalado automático y establezca el TPS mínimo aprovisionado en un nivel bajo, a menos que esto afecte negativamente sus objetivos de rendimiento y latencia

Considere la posibilidad de utilizar las recomendaciones por lotes cuando el caso de uso coincida con un proceso por lotes posterior, como el marketing por correo electrónico. Dado que las recomendaciones por lotes se basan en una versión de la solución, no requieren una campaña. Nota: Las recomendaciones de lotes solo están disponibles en conjuntos de datos de recomendaciones personalizados.

El proyecto Amazon Personalize Monitor proporciona algunas características de optimización de costos para optimizar el aprovisionamiento de las campañas y para alertar y eliminar las campañas inactivas o abandonadas.