Amazon Personalize Prototyping Camp 自習資料

© 2024, Amazon Web Services, Inc. or its affiliates. All
rights reserved. Amazon Personalize Prototyping Camp 自習編資料

rights reserved. はじめに本資料は、AWS で実施したサービスに推薦機能を 2 日！で組み込む “Amazon Personalize Prototyping Camp” の資料を自習できるよう編成した資料です。 EC サイト、またブログやレシピ等のユーザー生成コンテンツのプラットフォームのサービスを展開されている方が、自社データを使って効果を検証し、検証結果をもとに本番導入を実現できるようぎゅっと詰め込んだプログラムです。 2

rights reserved. 6 つのチェックポイントを 2 日間でクリアする Day 1 • 10:00-11:00 はじめに • Checkpoint 1 : Amazon Personalize 理解 • Checkpoint 2 : ビジネスメトリクス設計 • 11:00-12:00 スキーマ設計 • Checkpoint 3 : 自社データセットアップ • 13:00-14:00 🧑‍ 💻 Prototyping ! • 14:00-15:00 方向性の確認 • Checkpoint 4 : 学習・推論 • 15:00-18:00 🧑‍ 💻 Prototyping ! Day 2 • 10:00-11:00 進捗・予定確認 • 費用対効果の評価理解 • Checkpoint 5 : 評価 • 11:30-12:00 🧑‍ 💻 Prototyping ! • 13:00-14:00 🧑‍ 💻 Prototyping ! • Checkpoint 6 : 本番デプロイ • 14:00-15:00 成果発表 • 15:00-16:00 振り返り • 16:00 解散 3

rights reserved. 各チェックポイントの詳細 4 ❑ Checkpoint 1 Amazon Personalize のサービスと、実現可能なこと、利用の流れを理解する。 ❑ Checkpoint 2 ユーザーエンゲージメントのプロセスを理解し、どこで Amazon Personalize を使うことが最も効果的か、ユースケースを決定する。 ❑ Checkpoint 3 Amazon Personalize の動作に必要なインタラクションデータを準備する ❑ Checkpoint 4 データで学習・評価するドメインデータセット: レコメンダー作成・結果取得カスタムデータセット: ソリューション・キャンペーン作成 ❑ Checkpoint 5 推薦結果の評価を、ビジネス KPI 含め確認する。 (→ 上手くいっていない場合は Checkpoint 2 に戻る ) ❑ Checkpoint 6 評価結果が期待できるものであれば、プロダクション導入を行う 🎉

rights reserved. 1. Amazon Personalize 理解 2. ビジネスメトリクス設計 3. 自社データセットアップ 4. 学習・推論 5. 評価 6. 本番デプロイ Prototyping Camp Checkpoints 5

rights reserved. オンラインの接点をパーソナライズ顧客との接点には顧客が求めている体験を商品ランキング商品タイトル・説明アウトバウンドメッセージおすすめ商品カタログ画像カテゴリ・表示順

rights reserved. Amazon Personalize を使うメリットパーソナライズされたユーザーエクスペリエンスを構築、機械学習の専門知識は不要 8 基本的な ML プラクティスにとどまらないインパクトのある機能リアルタイムのレコメンデーションにより、変化するユーザーの意図に迅速に対応既存のシステムとシームレスに統合暗号化されているためプライベートで安全ステップを自動化して市場投入までの時間を短縮

rights reserved. お客様が求める主なユースケースを「レシピ」としてマネージドサービスで提供 User personalization ユーザーのプロフィールや興味に合わせた推薦 Related items 類似商品を推奨して探索とアップセルを促進 Personalized ranking ユーザーの好みや履歴に基づいてカテゴリまたは検索レスポンスで再ランキング User segmentation アイテムまたはカテゴリに最も関心のあるユーザーへターゲットを絞ったメッセージを送信

rights reserved. Amazon Personalize の仕組み 10 Amazon Personalize カスタマイズされたレシピを API 経由で利用アイテムメタデータ (記事、製品、動画詳細) ユーザーメタデータ (年齢、所在地など) ユーザーイベント/ インタラクション (閲覧、サインアップ、コンバージョンなど) 学習

rights reserved. インタラクションデータが API になるまで 11 カスタマイズされたレシピを API 経由で利用データ検査特徴量の識別ハイパーパラメータ選択モデル学習モデル最適化モデルホスティングリアルタイムに特徴量を保存 Amazon Personalize によって自動で実行機械学習の専門的知識・実装能力は不要アイテムメタデータ (記事、製品、動画詳細) ユーザーメタデータ (年齢、所在地など) ユーザーイベント/ インタラクション (閲覧、サインアップ、コンバージョンなど)

rights reserved. ビジネス KPI へのインパクトも簡単に測定 12 Amazon Personalize では、次のことが可能に: • 推薦内容がビジネス目標にどのように影響するかを理解 • イベントの影響を測定 (ページビュー、動画開始、クリック、カートに追加、購入など) • Amazon CloudWatch でレコメンデーションのパフォーマンス結果をモニタリングして分析推薦した結果のページビュー、購入などのコンバージョンを測定 : ビジネス KPI のモニタリングまでオールインワン

rights reserved. Amazon Personalize の活用事例スタートアップのお客様による Amazon Personalize 活用事例 • 「Amazon Personalize によって、工数をかけずにレコメンド機能を実現できた」 SARAH 社の AWS 活用事例 • Amazon Personalize 導入後、CTR が 3.78 倍に向上。ルームクリップ社の AWS 活用事例 • Amazon Personalize の導入により、購入ボタンのクリック数 1.2 倍、フォロー数 1.5 倍に。 REGALI 社の AWS 活用事例

rights reserved. 推薦により期待するビジネスインパクトをクリアにする 3 つのステップ 15 推薦機能を導入するビジネス的な意味を理解する戦略を伝えるコミュニケーション方法を理解する Step.3 ローリスク/ハイリターンの実装戦略を理解する Step.2 📈 Step.1 💡 💬

rights reserved. Interest 関心 Search 検索 Action 行動 Share 共有サービスでボトルネックとなっているのはどこですか? AISAS: 顧客がサービスの存在に気づいてから、サービスの存在を広めてくれるまでの行動を表すフレームワーク(※)。 17 Attention 注意・関心 ※他にもいろいろなフレームワークがあります。

rights reserved. Attention / Interest の具体例 18 Interest 関心 Search 検索 Action 行動 Share 共有 Attention 注意・関心広告表示回数広告CTR アイテムView数購入数 SNS上のシェア数

rights reserved. Search / Action の具体例 19 Interest 関心 Search 検索 Action 行動 Share 共有 Attention 注意・関心広告表示回数広告CTR アイテムView数購入数 SNS上のシェア数関心を持った顧客が訴求したいコンテンツを検索、参照、購入する

rights reserved. Share の具体例 20 Interest 関心 Search 検索 Action 行動 Share 共有 Attention 注意・関心広告表示回数広告CTR アイテムView数購入数 SNS 上のシェア数利用した顧客が、体験を広めるために SNS 等でシェアを行う

rights reserved. どのフェーズの顧客へのアプローチが課題か ? 21 サイトへの流入に課題あり 📈 : メールや SNS 上のキャンペーンに活用し Interest を増やすキャンペーンのカスタマイズパーソナライズされたメール製品購入 +56% Interest 関心 Search 検索 Action 行動 Share 共有 Attention 注意・関心広告表示回数広告CTR アイテムView数購入数 SNS上のシェア数実践事例

rights reserved. どのフェーズの顧客へのアプローチが課題か ? 22 具体的なアクション喚起に課題検索の 1st ビューで商品をおすすめ商品 PV +56% カテゴリページからのカートに追加購入数 +16% 一緒に購入される商品の提案購入率 3x クーポンのレコメンデーション初購入数 +40% 📈 : サイト内アイテムやクーポンの推薦で Search/Action を増やす Interest 関心 Search 検索 Action 行動 Share 共有 Attention 注意・関心広告表示回数広告CTR アイテムView数購入数 SNS上のシェア数実践事例

rights reserved. 推薦を導入すべきビジネス的な意味を定義する 23 Case 1: サイトへの流入が少ない問題があるため、メールや SNS 上のキャンペーンに推薦を活用し Interest の増加を図る Case 2: アイテムの View/ 購入につながる実績値に問題があるため、サイト内アイテムやクーポンの推薦に使用し Search/Action 増を図る Case 1 Case 2 Interest 関心 Search 検索 Action 行動 Share 共有 Attention 注意・関心広告表示回数広告CTR アイテムView数購入数 SNS上のシェア数

rights reserved. 推薦機能の効果を上げるための基本的な選択肢打席を増やすか、打率を上げるか ? • 打席を増やす = 推薦を増やす • 例: 今まで行っていなかった推薦を新規に「追加」する • 打率を上げる = 既存の表示をより良くする • 例: 既存のページに表示されているアイテムを何かしらの方法で「変更」しより良いものにする 25

rights reserved. 💡 打席を増やす方が基本的にローリスクでありハイリターン • 「追加」のためデグレード ( 推薦により効果が落ちる ) が発生しない • 「追加」なので何かしらの効果が必ず発生する。 26 Shagrdi アプリのホームページに「おすすめ」セクションを追加・新規ユーザーから購入者へのコンバージョン率 +30% ・毎月の総注文数 +20% ホームページに「あなたへのお勧め」セクションを追加 • 「おすすめ」の商品列での顧客エンゲージメント +50% 実践事例

rights reserved. 開発者からプロダクトオーナー・マネージャーに推薦機能の導入を打診する際の進め方実装戦略は「打席を増やす」を基本とし、 Case を確定するためにビジネス状況を把握する質問から始める。 28 打席を増やす打率を上げる Case 1: サイトへの流入が少ない問題を解決したい新規キャンペーンの広告・メールに Personalize を使用する。既存のメールに掲載する内容やターゲットを Personalize に置き換える。 Case 2: アイテムのView/ 購入が少ない問題を解決したいトップページやアイテムの空きスペースに、 Personalize による推薦アイテムを表示する既存のトップページ表示を Personalize に置き換える。実装戦略ビジネス状況

rights reserved. プロダクトオーナー・マネージャーとの会話例 Case 1 : サイトへの流入が少ない問題の解決を図る場合のアプローチ 29 • 現在、サービス / プロダクトとして認知を拡大しタッチポイントを増やす必要がある理解です • Amazon Personalize で推薦機能の効果を確認したところ、前回行ったキャンペーンを上回る (※評価結果による) 推薦を行うことができることを確認しました。今後のキャンペーンメール etc に Personalize の結果を含めることで、既存の効果にほぼ影響を与えず新しい推薦効果を確認できます • 実際の Personalize の効果は計測する必要がありますが、他社の事例で yy% 向上した事例があります。実装はあと zz 日程度で完了する予定です。次回のキャンペーンがあればそこで使用してみたいと考えていますがいかがでしょう? よければ、広告・メールを担当している部署とつないでください。

rights reserved. プロダクトオーナー・マネージャーとの会話例 Case 2 : アイテムの View/ 購入が少ない問題の解決を図る場合のアプローチ 30 • 現在、サービス / プロダクトとして認知はされているものの具体的なコンテンツの参照、購入につながる割合が少ない課題がある理解です • 既存の商品紹介ページの xx はスペースが開いており(添付図参照)、ここに新規推薦の内容を表示したいと考えています。今まで実施していない「この製品と似た製品」(※導入機能は場合による) の推薦を検討しており、これは Amazon Personalize で xx 日程度で実装でき、xx% 程度購入につながる効果を実購入データで確認しています。また、他社の選考事例でも zz% 向上した事例があります • 承認が頂ければ、このまま実装して計測してみようと思いますがいかがでしょうか? 懸念事項があれば教えてください

rights reserved. 付録 : 説得 / ベンチマークに利用できる事例一覧 31 事例業種国記事何に使っているか効果 EC 日本 speakerdeck • 検索中のファーストビューで商品をおすすめ • 商品PV +56% EC タイ aws casestudy • 個々のショッパーの好みに基づいてカテゴリページ上の製品を並べ替え • E メールやアプリ内などで送信される Pomelo Fashion のクロスチャネルキャンペーンをカスタマイズ ※AWS パートナーの Segment と Braze を使用 • カテゴリページからの総収益 +15% • カテゴリページから製品ページへのクリック率最大+18% カテゴリページからの「ショッピングカートに追加」クリック数最大 +16% 増分総収益 +8% , etc 小売り韓国 awsblog • 販売履歴、製品メタデータ、およびユーザープロファイルを分析し、クーポンをレコメンデーション • お客様が初めて購入する製品数 +40% • 推薦された商品に対する顧客の反応 5x ファッションスウェーデン • パーソナライズされた製品レコメンデーションメールを顧客に配信 • 製品購入 +56% EC インド aws casestudy • 商品ごとに顧客にレコメンデーションを提供 • ユーザーが商品のページにアクセスすると、一緒に購入されることが多い他の製品を提案 • 既存ソリューション比のコンバージョン率 3x（5.5-6%） Shagrdi フードデリバリサウジアラビア • アプリのホームページに「おすすめ」セクションを追加 • 新規ユーザーには、場所、時間、人気のレストランなどのデータを活用して、厳選されたおすすめを提供 • 既存のユーザーの場合は、頻繁に訪れるレストランなど、過去のエンゲージメントデータを組み合わせて使用し、独自の好みや個人的な選択に合ったおすすめを生成 • ・新規ユーザーから購入者へのコンバージョン率 +30% ・毎月の総注文数 +20% Cencosud 小売りチリ aws casestudy • ユーザーエンゲージメントを高めるような商品を推奨 • 顧客のオンラインショッピング体験を最適化 • ・クリック率 +600% ・平均注文額 +Approx. 26% EC パキスタン aws casestudy • アプリケーションでお客様に製品のレコメンデーションを提供 • 平均注文額 +17% EC アメリカ awsblog • 自社のホームページに「Recommended Fer You」の製品行を追加 • 「おすすめ」の商品列での顧客エンゲージメント +50% Chewy EC アメリカ pdf • ランキング • 購入前のおやつレコメンド • アイテム関連性の改善 +0.12% • 売り上げ単価 +0.25% • おやつ注文数 +25% 次ページ以降、各事例のスライドを用意していますが、表内リンクの記事も合わせてご参照ください。

rights reserved. 32 56% 商品 Page View の増加 • https://aws.amazon.com/jp/personalize/customers/#:~:text=%E6%8F%90%E4%BE%9B %E3%81%97%E3%81%BE%E3%81%97%E3%81%9F%E3%80%82-,BASE,- %E3%81%AF%E3%80%81100%20%E4%B8%87 • https://speakerdeck.com/pigooosuke/aws-personalize-recsys

rights reserved. 15% カテゴリページからの総収益の増加 • https://aws.amazon.com/jp/personalize/customers/#:~:text=%E4%BD%93%E9%A8%93%E3%82%92%E5% BC%B7%E5%8C%96-,Pomelo%20Fashion,-%E3%81%AF%E3%82%BF%E3%82%A4%E3%81%AE • https://aws.amazon.com/jp/solutions/case-studies/pomelo-case-study/

rights reserved. 顧客エンゲージメントを向上させ、新製品の購入率を高めることで、顧客ロイヤルティを向上させたい以前のソリューションでは、新商品ではなく、これまで購入したアイテムだけをレコメンデーションできるルールベースの推奨事項に依存していました。課題 Amazon Personalize を使用して、販売履歴、製品メタデータ、およびユーザープロファイルを分析し、クーポンレコメンデーションサービスを改善しました解決以前のソリューションと比較して、推薦された商品に対する顧客の反応が5倍に増加し、月あたりの収益が増加新製品の購入率が 40% に増加影響

rights reserved. 同社は、ニュースレターキャンペーンに登録している数十万人の顧客に製品を推薦する方法を模索していました。課題 Amazon Personalize を使用して、パーソナライズされた製品レコメンデーションメールを顧客に配信しました解決標準的な顧客向けメールキャンペーンと比較して、製品購入が 56% 増加影響

rights reserved. Paytmは、サイトのホームページに毎日1,000万人以上のアクティブユーザー向けにパーソナライズされたレコメンデーションを実装することで、Paytm Mallの売上とクリックスルー率を高めたいと考えていました。課題 Amazon Personalize は、Paytm ユーザーの閲覧履歴とショッピング履歴を処理する Amazon EMR からの出力を使用して、Paytm モールのホームページにおすすめをユーザーに表示します。解決影響 36 Paytmは、パーソナライズされた新しいホームページからのコンバージョン率が 5.5～ 6% に達しました。これは、以前のおすすめ商品ロジックの3倍です。

rights reserved. 関連性の高いリアルタイムコミュニケーションの価値を理解した Shgardi は、より魅力的なユーザーエクスペリエンスを実現できるパーソナライゼーションサービスを模索し始めました。課題 Shgardi は Amazon Personalize を使用して、アプリのホームページに「おすすめ」セクションを追加することで、新規ユーザーと既存のユーザーをターゲットにしました。このセクションは、ユーザーの好みの変化にほぼリアルタイムで適応するようになりました。解決影響 37 Shgardi 新規ユーザーから購入者へのコンバージョンが 30% 増加し、毎月の総注文数が 20% 増加しました。

rights reserved. • https://aws.amazon.com/jp/personalize/customers/#:~:text=%E5%B0%8F%E5%A3%B2%E6%A5%A D-,Cencosud,-%E3%81%AF%E3%80%81%E5%A4%9A%E5%9B%BD%E7%B1%8D • https://aws.amazon.com/jp/solutions/case-studies/cencosud-amazon-personalize/

rights reserved. https://aws.amazon.com/jp/personalize/customers/#:~:text=Stephane%20Bailliez%20%E6%B0%8F- ,GrocerApp,-%E3%81%AF%E3%80%81%E6%89%8B%E9%A0%83%E3%81%AA

rights reserved. 50% 「おすすめ」の商品列での顧客エンゲージメントの向上 https://aws.amazon.com/jp/blogs/news/pioneering-personalized-user-experiences- at-stockx-with-amazon-personalize/ デトロイトを拠点とするスタートアップ企業である StockX は、 Amazon Personalize を使用して自社のホームページに「Recommended Fer Yo」の製品行を追加しました。この商品は、最終的にトップパフォーマンスのホームページ行となり、顧客エンゲージメントが 50% 増加しました。 “ ホームページに対する顧客の全体的なエンゲージメントが 50% 増加しました。これは、ウェブページの一部をパーソナライズするだけでも、他の要素のクリックスルーを高めるのに十分効果的であることを証明しています。

rights reserved.

rights reserved. 必要な推薦機能にあったデータを用意する (1/3) Amazon Personalize を利用するには、 1. ビデオ・オンデマンドなどのコンテンツ配信や EC サイトなど、ドメインに特化したモデルを作成するための「ドメインデータセットグループ」 2. 関連性による並び替えやユーザーセグメントの生成など、ユースケースに沿った「カスタムデータセットグループ」・・・のいずれかのデータを準備します。ドメインに当てはまる場合はドメイン、そうでない場合はカスタムを推奨します。ユースケース選択のガイド : https://docs.aws.amazon.com/ja_jp/personalize/latest/dg/use-cases-and- recipes.html 44

rights reserved. 必要な推薦機能にあったデータを用意する (2/3) データセットグループの作成には、 ”インタラクションデータ” が必要です。これは、レコメンデーションを行いたい商品に対する、ユーザーの閲覧・クリック・購入などです。下記のサンプルを参考に、 CSV ファイルでデータをご準備ください。参考 : https://docs.aws.amazon.com/ja_jp/personalize/latest/dg/preparing-training-data.html 45

rights reserved. 必要な推薦機能にあったデータを用意する (3/3) データが準備できたらインポート！します。 AWS Console 、また SDK など使いやすいツールから実施してください。参考 : https://docs.aws.amazon.com/ja_jp/personalize/latest/dg/getting-started-console-domain.html インポートしたデータの量や品質について、分析を行うこともできます。参考 : https://docs.aws.amazon.com/ja_jp/personalize/latest/dg/analyzing-data.html 46

rights reserved. インポートが完了したら、レコメンダーを作成し、推論してみてください AWS Console 、また SDK など使いやすいツールから実施してください。参考 : https://docs.aws.amazon.com/ja_jp/personalize/latest/dg/getting-started-console-domain.html 47

rights reserved. Amazon Personalize に入れられるデータを準備し、インポート・レコメンダーを作成するところまで実施 🧑‍ 💻 Prototyping Time..! 48

rights reserved. 評価について Amazon Personalize は機械学習の専門知識不要でも使えるが、評価指標だけはきちんと理解することが大事。評価を定期的に行うことでモデルが最新の情報に遅れていないかチェックする。 Personalize は Full 学習のたびにオフライン評価値が出るので、それをまず監視。最近はリアルタイムにレコメンドの効果を CloudWatch で見れるようになっているので簡単なリアルタイム監視はこれでできる。 50

rights reserved. Amazon Personalize の “費用対効果” を評価する 51 Amazon Personalize にかかるコストを理解する費用対効果について議論する Step.3 Amazon Personalize で得られる効果を理解する Step.2 💰 Step.1 📈 💬

rights reserved. Amazon Personalize の費用計算の考え方コストにおける “3 つの柱” Data User Additional Recommendation データサイズに対して課金 (GB) データセット内のユーザー数に応じて単価が決定。稼働時間を乗じて料金決定。追加レコメンデーション対して課金 (per hour per eligible region) 参考 ( 概算費用の例も掲載 ) : https://aws.amazon.com/personalize/pricing/ User 数に応じ無償課金枠あり

rights reserved. Amazon Personalize の費用計算の考え方 User数に応じた無償課金枠参考 ( 概算費用の例も掲載 ) : https://aws.amazon.com/personalize/pricing/ User Additional Recommendation の無償枠 ( ※最新の価格はホームページ確認 )

rights reserved. Pricing Calculator での費用計算方法 55 Data User Additional Recommendation 大半の場合、Number of hoursは 732時間/月 (常時稼働するため) 無料分を差し引いた追加推薦数と、追加推薦が発生するピーク時間レコメンダー/キャンペーンの名称

rights reserved. 推薦のキャッシュとリアルタイム性のトレードオフ推薦結果をキャッシュすることで API リクエスト回数を減らしてコストを抑制することができる。その代わり、リアルタイムの閲覧履歴などセッションデータを使用した推薦は行えなくなる。 56 • ピーク時の推薦急増を抑制するためキャッシュした事例 ▪ Amazon Personalize を活用した記事推薦システムを MMM ブログに導入する話(デロイトトーマツウェブサービス株式会社様) • 既存の推薦に加えて、セッションベースのレコメンドを追加した事例 ▪ AWS Personalizeを活用したレコメンドシステム構築事例(BASE様)

rights reserved. Amazon Personalize で得られる効果の評価方法推薦の影響範囲全アイテムに占める、ユーザーに推薦されたアイテムの割合 • coverage 推薦のインタラクションへのインパクトインタラクションの実績があったアイテムが推薦されている割合 • 表示順を気にしない: precision at K • 表示順を気にする: mean reciprocal rank at 25 / NCDG at K 推薦の収益へのインパクト Personalize の収益全体のうち Top25 が占める割合: average_rewards_at_K ※Item Datasetに数値(価格)のデータが必要 58 参考 : https://docs.aws.amazon.com/personalize/latest/dg/working-with-training-metrics.html Dataset groups > Custom resources > Solutions and recipes > Solution versions > Solution version metrics で確認

rights reserved. ユーザー体験とビジネス KPI のトレードオフ 60 サービス提供者ユーザー多くの商品を見てほしい余計な商品は見たくない Coverage 優先 Precision/ NDCG 優先高い商品を買ってほしい安い商品を買いたい Solution の Objective で調整 User-Personalization の exploration_weight などで調整

rights reserved. 全体と個別の視点でユーザー体験を評価する 61 全体個別サービス全体としてユーザーの体験・ビジネスの KPI が期待するものになっているか ? • 全アイテムに占める、ユーザーに推薦されるアイテムの割合 • インタラクションの実績があったアイテムが推薦されている割合 • 推薦の収益へのインパクト個別 (N=1) のユーザーは推薦に満足しているか ? • 引き付けたい特定のユーザー Id / カテゴリにフォーカス • インタビュー等で、レコメンドへの印象を確認

rights reserved. 本番導入の前に定量的なスコアは良かったけど人間が見るとトンチンカンな推薦がされている ✓事前に人間による定性チェックもしよう人気ランキング上位がより推薦されるようになるというループでダイバーシティが下がる場合がある。 ✓Coverage をチェック。探索度合いを上げるユーザーが不愉快に思うレコメンドもある ✓購入済み商品をレコメンドされる、興味ないのに同じ商品がいつもレコメンドに出てくる等々 → フィルターをかける、impression データを使う 63

rights reserved. 運用周りの構成・事例 AWS SDK (e.g. Boto3) による GetRecommendations API 呼び出し Amazon Personalize Immersion Day > Operations Layer > MLOps Setting up Amazon Personalize with AWS Glue トムソンロイターが Amazon Personalize を使用してパーソナライズされたコンテンツサブスクリプションプランを大規模に提供した方法 64

rights reserved. 準備が OK なら・・・本番デプロイにむけて準備を開始 65 🧑‍ 💻 Prototyping Time..!

rights reserved. Well Done!! 66

rights reserved. ✅ Prototyping Camp の成果を振り返る • Checkpoint はどこまで到達できたか ? • Checkpoint をクリアするための残課題は何か ? • いつまでに残課題を解決し、ユーザーに推薦の価値を届けるか ? 67

rights reserved. Thank you! 68

Amazon Personalize Prototyping Camp 自習資料

Amazon Personalize Prototyping Camp 自習資料

More Decks by Takahiro Kubo

Other Decks in Technology

Featured

Transcript