Amazon Personalize 在个性化优惠券上的实践--以乐天玛特为例

个性化优惠券推荐：

乐天玛特的目标，在于提高那些以往从未使用过优惠券的客户们的参与度，由此带动他们对于新产品的需求。客户的兴趣与需求一直在不断变化，竞争格局也在这种变化中变得愈发激烈。乐天玛特可以主动发现客户群体中的未知需求，并响应其意图变化以提高客户的留存率与忠诚度。

 

下图所示为基于  Amazon Personalize 构建起的全新推荐与个性化优惠券架构。

乐天玛特选取了消费活跃度最高的 70 万客户，着手为其提供优惠券推荐服务。这批购物者还很容易受到其他购物渠道折扣或促销活动的影响。乐天玛特之前也曾向其发放基于统计规则生成的优惠券。因此，这批用户非常适合做两种推荐引擎的 A/B 测试。

在本轮测试中，乐天玛特采用以加工食品、浴室用品、洗涤剂以及其他日用品等数据生成的模型，尽可能选择那些季节性不强的商品以消除特殊事件（例如学生返校或假期等）的影响。接下来，他们选定一个月的销售记录作为输入数据，其中包含数千万项交易。交易收据上购买的每款不同商品，都将成为数据集内的一项交互来源。

为了在 Amazon Personalize 中进行建模，乐天玛特决定使用三套数据集：销售历史记录（过去几个月）、产品元数据、以及提取自旧有统计系统的用户画像。他们将提取到的数据上传至  Amazon S3 并进行预处理，借此删除其中不相关或噪声性质的内容——例如已经停产的产品及匿名用户画像。他们将数据集导入为交互、商品与用户三个数据集，其中包含以下信息：

• 交互——一定时期内的所有销售记录
• 商品——产品元信息，例如所属类别及 SKU
• 用户——具有多个分类变量的匿名用户画像数据

通过集成物品元数据，可使推荐质量获得重大改进。

在着手通过 Amazon Personalize 进行建模之前，乐天玛特首先需要确定应引入哪些商品元数据。在寻求最佳产品元数据方面不存在任何捷径，选择的准确性很大程度依赖于行业领域知识。在乐天玛特的案例中也是这样，商品元数据根据领域专家提供的经验和知识进行了更新和改进。不过其中也有一些通行的经验，例如分类特征适合用于处理低基数属性。例如：SSN、电子邮件或用户ID等一般属于唯一的高基数属性，因此不太适合进行分类处理。

为了评估各项特征对于商品或用户数据集的影响，乐天玛特尝试了 HRNN-meta 与 HRNN recipe。在数据准备方面，HRNN比HRNN-meta 更直接，这是因为前者直接着眼于交互数据集。但除了交互之外，HRNN-meta 还会引入商品元数据乃至用户数据集中的更多特征。在 Amazon Personalize 中，解决方案版本(solution version)相当于是基于选定的recipe，数据集，及其他参数训练生成的机器学习模型。基于同一数据集，您可以构建多个解决方案版本，借此评估或比较使用不同 recipe 训练而成的模型究竟有何差异。如此一来，您就能逐步筛选出最适合当前任务的 recipe 选项。

优惠券推荐每两周执行一轮，意味着相应的 Campaign（即通过API计算推荐结果的过程）无需持续运行。乐天玛特调用 GetRecommendations API，并提供 userid 以获得推荐结果。接下来，他们将包含特定用户的推荐结果写入文件。本地优惠券交付系统 M-coupon从Amazon S3 处下载这些结果，并在处理之后据此向客户发放个性化优惠券。在此期间，乐天玛特还可以持续收集优惠券对收入的影响、以及优惠券使用率等业务指标。

以下截屏所示，为 M-coupon 移动应用及基于 Amazon Personalize 生成的推荐优惠券。

乐天玛特在获得所有推荐结果后，会删除相应 campaigns 以优化 Amazon Personalize 的使用成本，确保只根据 campaigns 的实际运行时间及 TPS 资源量支付开销。Campaign 的 TPS 与大多数并发交易比较相似。如果其响应时间小于 500 毫秒，则意味着 TPS 为 1 的 campaign 能够在一秒钟内生成多条推荐。例如，如果推荐 API 的响应时间是 20 毫秒，则每秒可获得 50 条推荐结果。我们可以通过超参数优化（HPO）功能找出最佳超参数组合，并将其应用于训练流程以获取性能最强的模型选项。虽然这种有针对性的临时优化训练会暂时带来高于单模型训练的运营成本，但在超参数优化完成之后，大家可以指定 algorithmHyperParameters 以在后续训练中重用这些超参数，以此实现长期来讲的成本与性能的高效管理。

乐天玛特一直在努力提高优惠券命中率。自从引入 Amazon Personalize 以来，优惠券使用量较以往基于规则的统计性推荐系统增加了一倍以上。他们还发现，新产品的购买率提高了 1.7 倍——较以往统计方法提升显著。更重要的是，新产品购买率的提升表明乐天玛特成功发掘出了客户群体中的隐藏购买需求。这种以个性化优惠券为载体的全新运营模式显著改善了乐天玛特的月度销售额。若需了解更多详细信息，请参阅如何使用 Amazon Personalize 帮助您改善产品推荐并增加客户参与度。