Amazon Personalize 1st Call

JAWS-UG函館でご紹介した Amazon Personalize の説明資料です。

Transcript

1. © 2025, Amazon Web Services, Inc. or its affiliates. © 2025, Amazon Web Services, Inc. or its affiliates. Amazon Personalize 機械学習を使⽤して、ユーザ⼀⼈ひとりに合わせたレコメ ンデーションを提供し、ビジネスの成⻑を促進させる Mamoru Tateoka Amazon Web Services Japan G.K.
2. © 2025, Amazon Web Services, Inc. or its affiliates. ⾃⼰紹介 舘岡 守 (たておか まもる) パブリックセクター技術統括本部 CSM/パートナーソリューション本部 パートナーソリューションアーキテクト ( PSA ) ⼤⼿SIer様担当PSA。案件技術相談、SaaS 化など AWS の導⼊を⽀援 前職は AWS 専業インテグレーター ( CIer ) 好きな AWS のサービス︓CloudWatch、AWSサポート 好きなお酒︓ ハイボール (その他アルコール全般)
3. © 2025, Amazon Web Services, Inc. or its affiliates. ご紹介の内容 パーソナライゼーションの事例 主な機能 お客様のユースケースと成功事例 次のステップ 仕組み
4. © 2025, Amazon Web Services, Inc. or its affiliates. なぜパーソナライズが 重要なのか • 60% の消費者がパーソナライズされた 体験の後、リピーターになると回答 • パーソナライズを導⼊した組織は 10-15% の収益が増加 • 新規顧客の獲得には、既存顧客の維持 より 5 倍以上 のコストがかかる可能性 がある 4 Sources: https://www.invespcro.com/blog/customer-acquisition-retention/ https://www.twilio.com/blog/announcing-the-state-of-personalization-2021 https://www.mckinsey.com/business-functions/growth-marketing-and-sales/our- insights/the-value-of-getting-personalization-right-or-wrong-is-multiplying
5. © 2025, Amazon Web Services, Inc. or its affiliates. すべてのタッチポイントは個⼈に紐付いています 顧客と交流する機会を得たら、顧客が求めて いるエクスペリエンスを提供したいと、多く の⽅は考えるでしょう 映画 ジャンル別 コメディー スリラー ロマンス 番組 セクションの順序 プレイリストランキング カテゴリー
6. © 2025, Amazon Web Services, Inc. or its affiliates. ビジネス成果の向上 パーソナライゼーションの効果 新規顧客の誘致 混雑したデジタル環境で顧客を維持する 顧客獲得と保持 デジタルチャネル全体にわたるユーザーエクスペリエンス の理解、測定、改善 製品やコンテンツの利用時間を増やす エンゲージメント デジタルマーケティングの効率性の向上 顧客生涯平均価値の向上 効率性と収益 お客様が希望する製品やコンテンツを簡単かつ迅速に見つ けられるよう支援 新製品、コンテンツ、プロモーションサービスを強調する 所望のものを発見
7. © 2025, Amazon Web Services, Inc. or its affiliates. パーソナライゼーションをゼロから構築する際の課題 • 社内でソリューションを開発すると、市 場投⼊までの時間が⻑くなる可能性があ ります • 総所有コスト (TCO) が⾼く、ROI が得 られまでの時間が遅れる • 必要なスキルセットと機械学習の経験が ある⼈材が限られている • その他のビジネス上の優先事項によって 進捗が妨げられる
8. © 2025, Amazon Web Services, Inc. or its affiliates. ユーザ体験を改善する ためにMLを活用 Amazon Personalize のメリット カスタム ML モデルの構築、トレーニング、デプロイという ⾯倒な作業を Amazon Personalize が数回クリックするだ けで実⾏できるため、⼤規模な ML ソリューションを簡単に 実装できます。 Amazon Personalize を既存のウェブサイト、アプ リ、SMS、E メールマーケティングシステムに簡単 に統合することで、あらゆる顧客とのタッチポイン トをパーソナライズできます。 すべてのデータはプライベートかつ安全に暗号化さ れ、顧客へのレコメンデーションを作成するために のみ使⽤されます。データは、顧客間や Amazon.com と共有されることはありません。 顧客の嗜好や⾏動の変化に対応する⾼品質なレコメンデー ションを提供し、急速に変化するカタログに対して最⼤ 50% 優れたレコメンデーションを作成します。
9. © 2025, Amazon Web Services, Inc. or its affiliates. Amazon Personalize 機械学習の専⾨知識を必要とせず、パーソナライズされたユーザーエクスペリエ ンスを創出 パーソナライズされた ユーザ体験をすばやく提供 リアルタイムのレコメンデーション 機能を使って、ユーザーインテントの 変更に素早く対応 レコメンデーションをデプロ イするまでの⼿順は⾃動化 既存のシステムとの統合が容易 マネージド ML サービスは 市場投⼊までの時間を短縮
10. © 2025, Amazon Web Services, Inc. or its affiliates. 11 機械学習を使用して、 チャネルやデバイスを またいで、顧客に洗練 されたユニークな体験 を提供 2025 おすすめのために最初にリリースされた機能 Amazon における先駆的なパーソナライゼーション 20年以上にわたる進化の過程 1998
11. © 2025, Amazon Web Services, Inc. or its affiliates. Amazon Personalize 導⼊による成功事例 67% 40% 56% ユーザーあたりの記事 読み取り数の増加 お客様が初めて購入する製品 数の増加 製品購入の増加
12. © 2025, Amazon Web Services, Inc. or its affiliates. リアルタイムのレコメンデーション ユーザーの意図は急速に変化する。リアル タイムに対応できるレコメンデーションが 必要 Amazon Personalize は、セッションアク ティビティに基づいてユーザーの意図の変化 をリアルタイムで検知し、レコメンデーショ ンを最新かつ関連性のある状態に保ちます。 推奨事項
13. © 2025, Amazon Web Services, Inc. or its affiliates. コンテキストに応じたレコメンデーション 関連するレコメンデーションを提供する には、顧客が閲覧しているコンテキスト を考慮する必要がある Amazon Personalize はレコメンデーションを ⽣成する際にコンテキストを考慮 例 • デバイス・タイプ • ロケーション • 時刻
14. © 2025, Amazon Web Services, Inc. or its affiliates. ビジネスルール 追加のオーバーヘッドなしでレコメンデー ションをコントロールする必要がある Amazon Personalize では、ML モデルによっ て⽣成されたレコメンデーションを⾃動的に補 完するビジネスルールを指定可能 • 購⼊済み商品を提⽰しないルール • 商品の年齢制限に応じて提⽰を変えるルール レコメンデーション
15. © 2025, Amazon Web Services, Inc. or its affiliates. カタログが急速に変化する場合の新しいアイテム (コールドスタート) 新しいアイテムにはインタラクション 履歴がないため、パーソナライゼー ションが困難 Amazon Personalize では、カタログ内の新し い商品と古い商品のレコメンデーションをバラ ンスよく作成可能 商品を探索的に表⽰する割合 0 1 0.3
16. © 2025, Amazon Web Services, Inc. or its affiliates. ⾮構造化テキストの情報を活⽤ 貴重なシグナルが含まれていることが 多い説明、概要、レビュー Amazon Personalize は、⾃然⾔語処理 (NLP) を使⽤して、⾮構造化テキストから重要な情報 を⾃動的に抽出 2021年 発表 2022 年 ⽇本語対応
17. © 2025, Amazon Web Services, Inc. or its affiliates. 類似商品提⽰の新しいアルゴリズム（レシピ） アイテム間のインタラクションのみを調べ る類似度をベースとしたアルゴリズムでは 不⼗分 新しい Deep Learning を⽤いたレシピは、 インタラクションの類似性に加え、商品の メタデータを利⽤して類似商品を特定しま す 2021年 発表
18. © 2025, Amazon Web Services, Inc. or its affiliates. ビジネス指標に合わせた最適化 ほとんどのレコメンデーションのシス テムは、ユーザーエンゲージメントを ⾼めるように設計されています ビジネス指標を改善しつつも、関連性の⾼いレコメ ンデーションとなるように最適化する （ビジネス指標）収益、利益率、動画の総再⽣時間、またはカタ ログ内の任意の数値属性を最適化する 2021年 発表
19. © 2025, Amazon Web Services, Inc. or its affiliates. ユーザーのセグメンテーション (グループ分け) • 特定のジャンル、カテゴリ、それ以外の商品属性に興味 のあるユーザの認識 • 映画などの特定の商品に興味のあるユーザの特定 • マーケティングチャネルを通じて、さらに効果的なキャ ンペーンを実施 • 新しい商品のカテゴリ、ジャンル、チャネルのユーザ獲 得 • マーケティング費⽤に対する投資対効果を改善 アクション映画 のファン
20. © 2025, Amazon Web Services, Inc. or its affiliates. ⼩売・メディアエンターテインメント向けに最適化された推薦 ⼩売 • あなたにとってのおすすめ • これを⾒た⼈は、これも⾒てますよ • ⼀緒に購⼊される商品 • もっとも閲覧されている商品 • ⼀番良い販売者 Frequently bought together Top picks for you 1 2 3 4 メディアエンターテインメント • あなたにとってのおすすめ • Xをみたので … これをおすすめ • Y に近いので • 最も⼈気のもの
21. © 2025, Amazon Web Services, Inc. or its affiliates. データの洞察を得る 22 Amazon Personalizeはあなたのデータを分析し、データを改善 するために取るべきアクションを提示します モデルトレーニング要件などのAmazon Personalizeのリ ソース要件を満たすためのアクションを特定できます レコメンデーションが改善するためのアクションを 特定できます
22. © 2025, Amazon Web Services, Inc. or its affiliates. インパクトの計測 23 Amazon Personalize によって • レコメンデーションがどの程度ビジネス的に インパクトを出しているのかを理解 • 各イベントのインパクトを計測 (ページビュー, 動画再⽣, クリック, カートに追加, 購⼊等) • CloudWatch でレコメンデーションのパフォ ーマンスをモニタリング
23. © 2025, Amazon Web Services, Inc. or its affiliates. パーソナライズされた検索 A I に よ る パ ー ソ ナ ラ イ ゼ ー シ ョ ン に よ っ て 検 索 体 験 を 向 上 24 OpenSearch と Amazon Persoanlize の統合 個々のユーザーの興味や過去のやり取りに 基づいて関連性の⾼いアイテムを強化する 顧客およびクエリタイプに基づく重み付けを使⽤して、 パーソナライズのレベルを制御および微調整する NEW IN 2023
24. © 2025, Amazon Web Services, Inc. or its affiliates. NEW IN 2023 Next Best Action 適 切 な ユ ー ザ ー に 適 切 な ア ク シ ョ ン を レ コ メ ン ド す る 25 ユーザーを最も惹きつけるアクションを発見する Promote long-term loyalty マーケティングコミュニケーションを整理し、 集中する Maximize impact on revenue
25. © 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Personalize の 基本的な使い⽅
26. © 2025, Amazon Web Services, Inc. or its affiliates. Amazon Personalize 利⽤の流れ 27 1. データの準備 2. モデルの訓練 3. モデルの評価 4-1. 推論APIの作成(リアルタイム推論) or 4-2. バッチ推論ジョブの作成
27. © 2025, Amazon Web Services, Inc. or its affiliates. ２つの利⽤タイプ § 1. ドメイン – 特定のユースケースのためにあらかじめ⽤意されたリソースを利⽤する⽅法 – ビデオオンデマンド と Eコマース の２つのドメインが現在は選択可能 – パッケージ化されており構築がより容易。使い⽅は特定のユースケースに縛られる。 § 2. カスタム – ⽤途に応じて柔軟な選択が可能な利⽤⽅法 – 細かい設定を⾃分で調整したい場合はこちら • ２つのタイプで実現できることは⼤きく変わらない • 細かな仕様や料⾦体系が異なる 28
28. © 2025, Amazon Web Services, Inc. or its affiliates. Amazon Personalize 利⽤の流れ 29 1. 【共通】データの準備 2. 【カスタム】モデルの訓練 3. 【カスタム】モデルの評価 4-1. 【カスタム】推論APIの作成(リアルタイム推論) or 4-2. 【カスタム】バッチ推論ジョブの作成 2. 【ドメイン】 モデルの訓練 + モデルの評価 + 推論APIの作成
29. © 2025, Amazon Web Services, Inc. or its affiliates. データの準備(共通) • データセットグループ • 最上位概念。2つのドメインかカスタムを選択。 • データセット • 1つのデータセットグループの中にインタラクション、アイテム、ユーザーの3つを作成できる • インタラクション(必須) : ユーザーがアイテムに対してアクションした履歴 • アイテム(任意) : アイテムに関するメタデータ • ユーザー(任意) : ユーザーに関するメタデータ 30 User ID Item ID Event Type Timestamp 2 10 Click 1686463302 3 103 Purchase 1686463521 (例)インタラクション Item ID Genre Description Price 10 キッチン | 包丁 刃体からハ ンドルまで … 3,500 103 ⼤型家電 | 冷蔵庫 コンパクト なのに、 たっぷり … 29,800 (例)アイテム User ID Age Gender 2 25 Male 3 31 Female (例)ユーザー
30. © 2025, Amazon Web Services, Inc. or its affiliates. • ① 各種 csv ファイルを Amazon Simple Storage Service (Amazon S3) にアップ ロード • ② データセットグループを作成 • ③ スキーマ作成 • ④ データセット作成 • ⑤ データセットインポートジョブ作成 (Amazon S3からAmazon Personalizeへのデータインポート) Amazon Personalize 利⽤の流れ 31 1. 【共通】データの準備 2. 【カスタム】モデルの訓練 3. 【カスタム】モデルの評価 4-1. 【カスタム】推論APIの作成(リアルタイム推論) or 4-2. 【カスタム】バッチ推論ジョブの作成 2. 【ドメイン】 モデルの訓練 + モデルの評価 + 推論APIの作成
31. © 2025, Amazon Web Services, Inc. or its affiliates. Amazon Personalize 利⽤の流れ 32 1. 【共通】データの準備 2. 【カスタム】モデルの訓練 3. 【カスタム】モデルの評価 4-1. 【カスタム】推論APIの作成(リアルタイム推論) or 4-2. 【カスタム】バッチ推論ジョブの作成 2. 【ドメイン】 モデルの訓練 + モデルの評価 + 推論APIの作成
32. © 2025, Amazon Web Services, Inc. or its affiliates. モデルの訓練(カスタム) • レシピ = レコメンドのアルゴリズム 33 レコメンドタイプ レコメンドタイプの説明 レシピ名 USER_PERSONALIZATION ユーザーID → アイテムIDs あるユーザーに対して推薦するアイテムのリストを取得する (例 : あなたへのオススメ商品) User-Personalization 他 RELATED_ITEMS アイテムID → アイテムIDs あるアイテムに対して関連しているアイテムのリストを取得する (例 : この商品を見ている人は他にこれらの商品も見ています) Similar-Items SIMS USER_SEGMETATION アイテムID → ユーザーIDs あるアイテムやアイテムの属性に対して関心の高いユーザーのリスト を取得する (例 : クーポンをメール配信するユーザーのリスト) ※ バッチ推論のみ対応 Item-Affinity Item-Attribute-Affinity PERSONALIZED_RANKING ユーザーID + アイテムIDs ↓ 並び替えられたアイテムIDs あるユーザーに対してアイテムリストを関心度順に並び替える (例 : 検索後のアイテム候補を関心度順に並び替えて表示) Personalized-Ranking POPULAR_ITEMS → アイテムIDs 人気のあるアイテムリスト、トレンドのアイテムリストを取得する。 ユーザーにパーソナライズされない。 (例 : トップページに表示する人気商品ランキング) Trending-Now Popularity-Count https://docs.aws.amazon.com/personalize/latest/dg/working-with-predefined-recipes.html
33. © 2025, Amazon Web Services, Inc. or its affiliates. モデルの訓練(カスタム) • ソリューション • レシピやハイパーパラメータ等のモデルの訓練に必要な設定を管理する概念 • ソリューションバージョン • 訓練済みモデル • ソリューションに紐づいて作成される 34
34. © 2025, Amazon Web Services, Inc. or its affiliates. Amazon Personalize 利⽤の流れ 35 1. 【共通】データの準備 2. 【カスタム】モデルの訓練 3. 【カスタム】モデルの評価 4-1. 【カスタム】推論APIの作成(リアルタイム推論) or 4-2. 【カスタム】バッチ推論ジョブの作成 2. 【ドメイン】 モデルの訓練 + モデルの評価 + 推論APIの作成
35. © 2025, Amazon Web Services, Inc. or its affiliates. モデルの評価(共通) • Amazon Personalizeは⼊⼒されたデータを学習⽤と評価⽤に分割し、 訓練したモデルをオフライン評価します。 • coverage • mean reciprocal rank(MRR) at 25 • normalized discounted cumulative gain (NCDG) at K (5/10/25) • precision at K • average_rewards_at_k • trend prediction accuracy • hit (hit at K) • recall (recall at K) 36 マネジメントコンソール上で各メトリクスを確認できます
36. © 2025, Amazon Web Services, Inc. or its affiliates. Amazon Personalize 利⽤の流れ 37 1. 【共通】データの準備 2. 【カスタム】モデルの訓練 3. 【カスタム】モデルの評価 4-1. 【カスタム】推論APIの作成(リアルタイム推論) or 4-2. 【カスタム】バッチ推論ジョブの作成 2. 【ドメイン】 モデルの訓練 + モデルの評価 + 推論APIの作成
37. © 2025, Amazon Web Services, Inc. or its affiliates. 推論APIの作成(カスタム) 38 • キャンペーン = 訓練済みモデルがデプロイされた推論API • 推論APIはリクエストの増減に応じて⾃動でスケールする • TPS :プロビジョニングされているリソース容量を、 1秒間にさばけるトランザクション数で表現したもの • コールドスタートのペナルティを軽減するために最⼩プロビジョニングTPSを設定可能 • 最⼩プロビジョニングTPSを⼤きくすると料⾦が増加するため、最初は⼩さく始め、 Amazon CloudWatchでメトリクスを⾒ながら調整することが推奨 • GetRecommendations と GetPersonalizedRanking API にリクエストして推論結果を 取得する。マネジメントコンソール上でも簡単に確認可能。
38. © 2025, Amazon Web Services, Inc. or its affiliates. Amazon Personalize 利⽤の流れ 39 1. 【共通】データの準備 2. 【カスタム】モデルの訓練 3. 【カスタム】モデルの評価 4-1. 【カスタム】推論APIの作成(リアルタイム推論) or 4-2. 【カスタム】バッチ推論ジョブの作成 • ① ソリューションの作成 • ② ソリューションバージョンの作成 ① キャンペーンの作成 2. 【ドメイン】 モデルの訓練 + モデルの評価 + 推論APIの作成
39. © 2025, Amazon Web Services, Inc. or its affiliates. モデルの訓練 & 推論APIの作成(ドメイン) • レコメンダー ≒ カスタムのソリューション + ソリューションバージョン + キャンペーン + その他諸々 • ユースケース : レコメンドのユースケース(カスタムのレシピに近い) 40 VIDEO_ON_DEMAND ユースケース名 概説 Because you watched X アイテムID → アイテムIDs 視聴済み動画はフィルタリング More like X アイテムID → アイテムIDs 視聴済み動画はフィルタリング Most popular 視聴数ランキング Trending now 視聴数のトレンドランキング Top picks for you ユーザーID → アイテムIDs 視聴済み動画はフィルタリング ECOMMERCE ユースケース名 概説 Most viewed 閲覧数ランキング Best sellers 購入数ランキング Frequently bought together アイテム to アイテム 購入イベントを考慮 Customers who viewed X also viewed アイテム to アイテム 閲覧イベントを考慮 購入済み商品はフィルタリング Recommended for you ユーザー to アイテム 購入済み商品はフィルタリング https://docs.aws.amazon.com/personalize/latest/dg/domain-use-cases.html
40. © 2025, Amazon Web Services, Inc. or its affiliates. Amazon Personalize 利⽤の流れ 41 1. 【共通】データの準備 2. 【カスタム】モデルの訓練 3. 【カスタム】モデルの評価 4-1. 【カスタム】推論APIの作成(リアルタイム推論) or 4-2. 【カスタム】バッチ推論ジョブの作成 2. 【ドメイン】 モデルの訓練 + モデルの評価 + 推論APIの作成
41. © 2025, Amazon Web Services, Inc. or its affiliates. バッチ推論ジョブの作成(カスタム) • ソリューションバージョンを指定して推論ジョブを実⾏ • Amazon S3から⼊⼒データをインポートし、推薦結果をAmazon S3にエクスポートする ※ 別のバケットを指定することが推奨 • ⼊⼒/出⼒データはJSON形式。詳細はレシピによって異なる。 https://docs.aws.amazon.com/personalize/latest/dg/batch-data-upload.html 42 (例) User-Personalizationレシピの⼊⼒JSON (例) User-Personalizationレシピの出⼒JSON
42. © 2025, Amazon Web Services, Inc. or its affiliates. 料⾦(ドメイン) • データ取り込み : 0.05 USD / GB • ユーザー数あたりの時間料⾦ • 100,000 ⼈ あたり 0.375 USD / hour ユーザー数が増えるほどユーザーあたりの料⾦が下がる • 1時間あたりの無料レコメンデーションが付与される。 これを超える追加レコメンデーション分は課⾦。 • 追加レコメンデーション • 1,000 件あたり 0.0833 USD 追加分が増えるほど追加レコメンデーションあたりの料⾦が下がる 43 https://aws.amazon.com/jp/personalize/pricing/
43. © 2025, Amazon Web Services, Inc. or its affiliates. 料⾦(カスタム) • データ取り込み : 0.05 USD / GB • トレーニング • モデルの訓練にかかった時間に対する課⾦ : 0.24 USD / 時間 • 4v CPU, 8 GiB メモリのコンピューティング環境での料⾦。実際に使われたインスタンスに応じて課⾦額は 調整。 • 推論(リアルタイム) • 1秒あたりのトランザクション(TPS)に基づいた時間課⾦ : 0.20 USD / TPS-時間 • TPS-時間 = (実際のTPS と 最⼩プロビジョンドTPS の⼤きい⽅) × (リクエストをさばいた合計時間) • 推論(バッチ) • レコメンデーション件数あたりの課⾦ : 0.067 USD / 1,000件 • ユーザーセグメンテーションのレシピだけは、クエリごとに、データセットに含まれるユーザー数あたりの 課⾦体系となっている 44 https://aws.amazon.com/jp/personalize/pricing/
44. © 2025, Amazon Web Services, Inc. or its affiliates. 料⾦例 45 https://aws.amazon.com/jp/personalize/pricing/ 例1 : ドメインでの⼤規模利⽤ケース • 200GB / ⽉のデータアップロード • 500,000ユーザー • 3つのレコメンダー • 平常時 : 5,000件 / 時間のレコメンデーション • ピーク時(⽉40時間) : 16,000件 / 時間のレコメンデーション → データIN + レコメンダー時間料⾦ + 追加レコメンデーション = 10 + 1218.78 + 99.96 = 1328.74 USD / ⽉ ※ カスタムでも同規模であれば同様の料⾦となることが多い 例2 : カスタムでのバッチレコメンデーション利⽤ケース • データ量 : 10GB • トレーニング : 50時間/⽉ • 100万ユーザーに対して10個のアイテムリストを推薦 →データIN + トレーニング時間料⾦ +バッチ推論件数料⾦ = 0.5 + 12 + 67 = 79.5 USD
45. © 2025, Amazon Web Services, Inc. or its affiliates. 料⾦例 46 https://aws.amazon.com/jp/personalize/pricing/ 例1 : ドメインでの⼤規模利⽤ケース • 200GB / ⽉のデータアップロード • 500,000ユーザー • 3つのレコメンダー • 平常時 : 5,000件 / 時間のレコメンデーション • ピーク時(⽉40時間) : 16,000件 / 時間のレコメンデーション → データIN + レコメンダー時間料⾦ + 追加レコメンデーション = 10 + 1218.78 + 99.96 = 1328.74 USD / ⽉ ※ カスタムでも同規模であれば同様の料⾦となることが多い 例2 : カスタムでのバッチレコメンデーション利⽤ケース • データ量 : 10GB • トレーニング : 50時間/⽉ • 100万ユーザーに対して10個のアイテムリストを推薦 →データIN + トレーニング時間料⾦ +バッチ推論件数料⾦ = 0.5 + 12 + 67 = 79.5 USD 更に詳しい内容はBlack Beltで！ https://www.youtube.com/watch?v=cqZe06uuMJM
46. © 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. Demo
47. © 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved. ⽣成 AI と Amazon Personalize
48. © 2025, Amazon Web Services, Inc. or its affiliates. ⽣成AIは、ユーザーと魅⼒的な⽅法でやりとりすることを 可能にします 49 Generative AI Amazon Personalize + = チャットボット マーケティングコンテンツの作成 会話形式の検索
49. © 2025, Amazon Web Services, Inc. or its affiliates. ⽣成 AI 機能 Amazon Personalize Content Generator Generative AI integrations “Bring your own Generative AI” 様々な LLM フレームワークと連携しやすく • Langchain 統合 • メタデータ連携 50 “Personalizeに組み込まれた機能” コンテンツの発⾒、製品プロモーション、 マーケティング成果を改善する
50. © 2025, Amazon Web Services, Inc. or its affiliates. Generative AI ユースケース メ ー ル の パ ー ソ ナ ラ イ ジ ン グ を ス ケ ー ル >2025年までに、アウトバウンドマーケティングコンテ ンツの30%以上がAIによって⽣成されるようになる。 各ユーザーに合わせた無限のバリエーションのアウトバ ウンドメッセージを作成する。 魅⼒的な件名で開封率を 向上させる エンゲージメントを 強化 48% Open rate A Toast to the Little Black Dress 26% Open rate We thought youʼd love these 51
51. © 2025, Amazon Web Services, Inc. or its affiliates. Generative AI ユースケース パ ー ソ ナ ラ イ ズ さ れ た 顧 客 対 応 AIを活⽤した顧客サービスにおいて、応答をパーソナラ イズすることで、コンシェルジュレベルのサポートを提 供する 顧客サポートを 販売機会に転換する リテンションとLTV を改善する Profile Information Personalized Recommendation s Next Best Action 52
52. © 2025, Amazon Web Services, Inc. or its affiliates. アイテムメタデータ (記事、製品、動画などの 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) Amazon Personalize Amazon Personalize 仕組み カスタマイズされた パーソナライゼーション API
53. © 2025, Amazon Web Services, Inc. or its affiliates. Amazon パーソナライズ 仕組み カスタマイズされた パーソナライゼーション API データ 検査 特徴の識 別 ハイパーパラ メータ選択 モデル 訓練 モデル 最適化 モデルホス ティング リアルタイム に特徴を保存 Amazon Personalize アイテムメタデータ (記事、製品、動画などの 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)
54. © 2025, Amazon Web Services, Inc. or its affiliates. ユニークなホームペー ジ体験を提供 買い物履歴に基づいたおす すめ商品でユーザーのホー ムページをパーソナライズ おすすめ商品の改善 ユーザーが探しているもの を簡単に見つけられるよう にするため、商品詳細ペー ジで類似商品をおすすめす る 商品の見つけやすさを 改善 ユーザーが関連する新製 品、セール、プロモーショ ンをすばやく見つけられる ようにする 関連商品のランキング 関連する商品レコメンデー ションを簡単かつ適切に並 べ替え、具体的なビジセス 成果につなげる 50% ⼩売業における Personalize ⼀般的なユースケース 「おすすめ」の商品列 での顧客エンゲージメ ントの向上 マーケティングコミュニ ケーションの強化 プッシュ通知やマーケティン グのメールにパーソナライズ された商品レコメンデーショ ンを記載 アップセルとクロスセ ルを加速 Amazon Personalize とビ ジネスロジックを組み合わ せて、高い品質のアップセ ルとクロスセルのレコメン デーション
55. © 2025, Amazon Web Services, Inc. or its affiliates. ウェブサイトおよびモ バイルアプリ全体での 動画閲覧時間の増加 メディア・エンター テインメントに おける Personalize ⼀般的なユースケース 20% コンテンツ閲覧数の増 加 動画、音楽、電子書籍につ いて、関連性が高く、個別 化されたコンテンツレコメ ンデーションを提供 厳選されたコンテンツ リスト コンテンツ閲覧履歴に基づ いて、ユーザーごとにパー ソナライズされたコンテン ツリストを作成する 新しいコンテンツの提 供をハイライトする ユーザーのユニークな好み に基づいて、新しいものを 見つけるのを助ける 高度にパーソナライズ された広告の配置 音声や動画の最初・中間・ 最後のそれぞれの広告表示 をパーソナライズ ジャンルベースのレコ メンデーションを強化 コンテンツリストに基づい てジャンルのレコメンデー ションをパーソナライズ マーケティングコミュニ ケーションの強化 プッシュ通知やマーケティン グのメールにパーソナライズ されたコンテンツレコメン デーションを記載
56. © 2025, Amazon Web Services, Inc. or its affiliates. あらゆる業界向け にパーソナライズ された体験を提供 ⼀般的なユースケース ユニークなホームページ体験を提供 ユーザー固有の好みや行動に基づいた製品ま たはコンテンツのレコメンデーションによ り、ユーザーのホームページをパーソナライ ズする マーケティングコミュニケーションの 強化 製品、コンテンツ、プロモーションのレコメ ンデーションを顧客向けにカスタムして、 プッシュ通知やマーケティングメールをパー ソナライズ 新製品やコンテンツの提供を ハイライト ユーザーが独自の好みに基づいて新鮮で新し い製品やコンテンツを見つけられるようにす る 類似製品・コンテンツのおすすめ 類似の製品またはコンテンツをレコメンデー ションして、探しているものを簡単に見つけ られるようにする
57. © 2025, Amazon Web Services, Inc. or its affiliates. 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 Lotte Duty Free
58. © 2025, Amazon Web Services, Inc. or its affiliates. AWS からのご⽀援 AWS Partner Network AWS 認定パートナーが POC と本番システムとの統合を構築を⽀援 Immersion day, workshops, training and certification お客様組織内のビルダーのための ワークショップとハッカソンの実施 新規および経験豊富な実務家のためのMLに関する実践的教育 Amazon の開発者向けに使⽤しているものと同じ素材を利⽤ PoC in a box (パッケージ化されたPoC 支援プログラム) 独⾃のデータでサービスをテストし、お客様のビジネス において Personalize がどう機能するか理解する AWS チームによるハンズオンなどのサポート Github上の⼊⾨ガイドを使って Personalize を試し、 感覚を掴む ユースケースを特定して、ソリューション実装のた めのサポートを受ける はじめに
59. © 2025, Amazon Web Services, Inc. or its affiliates. Q&A
60. © 2025, Amazon Web Services, Inc. or its affiliates. Thank you! © 2021, Amazon Web Services, Inc. or its affiliates. 詳細については、 aws.amazon.com/personalize をご覧ください。
61. © 2025, Amazon Web Services, Inc. or its affiliates. 付録 • その他のお客様向けリファレンススライド • ML スタック • 仕組みに関する追加のスライド 62
62. © 2025, Amazon Web Services, Inc. or its affiliates. Calm 社は、瞑想に関するユーザの経験レベルと関⼼に基づ いてガイド付きコンテンツを作成しています。 顧客が⾃分に合ったコンテンツを⾒つけられるようにする コンテンツレコメンデーションを作成して、ユーザーエン ゲージメントを⾼めたいと考えています 課題 Amazon Personalize を使⽤して、顧客への Weekly Winddow メールキャンペーン、およびモバイルアプリケー ションのホーム画⾯の「おすすめ商品」リストで、ユー ザー向けにカスタマイズされたコンテンツレコメンデー ションを作成 解決 distinct days というエンゲージメント指標が 3.4% 増加 以前の手動タスクを簡略化 数百万もの顧客向けにパーソナライズされたモデルの開発 と導入を加速 影響 Calm
63. © 2025, Amazon Web Services, Inc. or its affiliates. 市場投⼊を迅速に⾏える柔軟でスケーラブルなコンテンツ レコメンデーション製品の構築を望んでいた 課題 Amazon Personalize を使⽤して、 Discovery+ ストリー ミングプラットフォーム上で、パーソナライズされたコン テンツ体験を顧客向けに提供 解決 Discovery+ プラットフォームにおけるカスタマージャー ニーの改善 市場投入までの時間に関する目標を満たしてコンテンツを 配信したいというDiscoveryの要望に応えている ソリューションは既存のインフラストラクチャと連携 影響 Discovery Communications, Inc.
64. © 2025, Amazon Web Services, Inc. or its affiliates. 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 Marc Oʼ Polo International GmbH
65. © 2025, Amazon Web Services, Inc. or its affiliates. パーソナライズされたレコメンデーションを活⽤して、ラ イブストリーミングプラットフォーム上で顧客エンゲージ メントを強化したい 課題 新規ユーザーに対する、リアルタイムで、カスタマイズさ れたパフォーマーのおすすめを顧客に提供するため、 Amazon Personalize を使⽤ 解決 従来の人気ベースのレコメンデーションソリューションと 比較して、新規ユーザーのライブストリームの視聴者数が 60% 増加 影響 SHOWROOM Inc.
66. © 2025, Amazon Web Services, Inc. or its affiliates. Amazon Personalize の成功 50 % 「おすすめ」商品列での顧客 エンゲージメントの向上 40 % お客様が初めて購入する製品 数の増加 15 % カテゴリページからの総収益 の増加
67. © 2025, Amazon Web Services, Inc. or its affiliates. AWS ML スタック 最も広範かつ完全な機械学習機能セット ML FRAMEWORKS & INFRASTRUCTURE TensorFlow, PyTorch, Apache MXNet Deep learning AMIs & containers GPUs Inferentia Elastic inference FPGA AI SERVICES Vision Rekognition Speech Polly Transcribe Chatbots Lex Contact centers Contact Lens Connect Voice ID Code + DevOps CodeGuru DevOps Guru Text Comprehend Translate Textract Business tools Personalize Forecast Fraud Detector Lookout for Metrics Search Kendra Industrial Panorama Appliance and SDK, Monitron, Lookout for Equipment, Lookout for Vision Healthcare HealthLake Comprehend Medical Transcribe Medical Label data Data collection prep Store features Detect bias and explain predictions Visualize in notebooks Pick algorithm Manage & monitor Train models faster Deploy in production Tune parameters Manage edge devices SAGEMAKER STUDIO IDE CI/CD AMAZON SAGEMAKER
68. © 2025, Amazon Web Services, Inc. or its affiliates. 仕組みの仕組み ユーザーレベルのレコ メンデーション 商品間の類似性 パーソナライズされた ランキング 新商品に対するバイア ス ビジネスルール/フィ ルタ あらゆるビジネス指標 に合わせて最適化 （利益、収益総再生時 間など） リアルタイムの レコメンデーションAPI レコメンデーション結 果の一括ダウンロード レコメンデーションの コンテキスト化 (デバイスの種類、場所 など) 関連性スコア ユーザーインタラクショ ン (閲覧、サインアップ、コ ンバージョンなど) アイテムメタデータ (記事の詳細、 製品、動画など） ユーザーメタデータ (年齢、所在地など) 3 データを追加 ソリューションを 作成 レコメンデーション をチューニング レコメンデーション にアクセス 4 2 1