Beispiele für Anwendungsfälle

Entdecken Sie einige Möglichkeiten, wie Sie mit KI-/ML-Analysen an großen Datensätzen experimentieren können, bevor Sie skalieren, die Ergebnisse auf andere Anwendungsfälle anwenden oder Ihre Modelle operationalisieren.

Tipp

Wenn Sie Hilfe zu diesen Anwendungsfällen benötigen, senden Sie eine E-Mail an das Support-Team oder fragen Sie die Gemeinschaft.

Bevor Sie beginnen

• Verwenden Sie das Notebook zur Projektverwaltung, um Ihr Projekt vorzubereiten.

• Verwenden Sie Ihren vorhandenen AWS Glue-Katalog und laden Sie unsere Beispieldaten hoch. Oder erstellen Sie einen neuen Katalog, um die bereitgestellten Open Table Format (OTF)-Beispiele zu verwenden.

Die Customer Journey verstehen

Kunden interagieren mit Finanzinstituten über verschiedene Marketing-Kontaktpunkte, darunter Websites, Interaktionen mit Mitarbeitern in Filialen, E-Mail und Callcenter.

Um die Customer Journey zu verbessern und die Kundenakquise und -akzeptanz zu steigern, ist es wichtig, die gesamte Customer Journey zu verstehen.

Nachdem Sie auf die Daten zugegriffen und sie überprüft haben, verwenden Sie Attributionsmodellierung, Kanalanalyse und Pfadbestimmung, um das Kundenverhalten im Zeitverlauf zu verstehen.

Probieren Sie es aus (SQL)

Probieren Sie es aus (SQL-Python)

Segmentieren Sie Kunden auf Basis früherer Käufe

Die Kaufhistorie kann ein wichtiger Faktor für die Segmentierung von Kunden sein. Sie können beispielsweise Segmente basierend auf Kaufvolumen und -wert erstellen.

Nachdem Sie die Daten vorbereitet haben, verwenden Sie K-Means-Clustering und Datenvorbereitungs-Pipelines, um Kundensegmente zu bestimmen.

Probieren Sie es aus (SQL)

Probieren Sie es aus (SQL-Python)

Finden Sie die ideale Anzahl an Kundensegmenten

Wenn Sie Marketing für die ideale Anzahl von Kundensegmenten betreiben, profitieren Sie von der Segmentierung, ohne zu viele Segmente verwalten zu müssen. Die ideale Anzahl von Segmenten können Sie aus Kommentaren aus der Kaufhistorie der Kunden ableiten.

Nachdem Sie auf die Daten zugegriffen und sie überprüft haben, verwenden Sie ein großes Sprachmodell (LLM), um eine Vektortabelle zu erstellen und dann das ideale K-Means-Modell und die Anzahl der Segmente zu ermitteln.

Probieren Sie es aus (SQL)

Probieren Sie es aus (SQL-Python)