メインコンテンツまでスキップ

サンプル ユースケース

スケーリング、他のユースケースへの結果の適用、モデルの運用化を行う前に、大規模なデータセットで AI/ML 分析を試す方法をいくつか紹介します。

ヒント

これらのユースケースに関するサポートが必要な場合は、 サポート チーム にメールを送信するか、 コミュニティにお問い合わせください。

始める前に

  • プロジェクト管理ノートブック を使用してプロジェクトを準備します。

  • 既存の AWS Glue カタログを使用して、 サンプル データをアップロードします。または、提供されている Open Table Format (OTF) の例を使用するために新しいカタログを作成します。

顧客の行動を理解する

顧客は、Web サイト、支店での従業員とのやり取り、電子メール、コール センターなど、さまざまなマーケティング タッチポイントを通じて金融機関と関わります。

全体的なカスタマー ジャーニーを理解することは、カスタマー ジャーニーを強化し、顧客の獲得と採用を増やすために重要です。

データにアクセスして検査した後、アトリビューション モデリング、チャネル分析、パスを使用して、時間の経過に伴う顧客の行動を把握します。

試してみる (SQL)

試してみる (SQL-Python)

過去の購入履歴に基づいて顧客をセグメント化する

購入履歴は、顧客をセグメント化する上で強力な要素となります。たとえば、購入量や購入額に基づいてセグメントを作成できます。

データを準備したら、K 平均法クラスタリングとデータ準備パイプラインを使用して顧客セグメントを決定します。

試してみる (SQL)

試してみる (SQL-Python)

理想的な顧客セグメント数を見つける

理想的な数の顧客セグメントにマーケティングを行うということは、管理するセグメントが多すぎることなく、セグメンテーションのメリットを享受できることを意味します。顧客の購入履歴のコメントから、理想的なセグメント数を導き出すことができます。

データにアクセスして検査した後、大規模言語モデル (LLM) を使用してベクター テーブルを作成し、理想的な k-means モデルとセグメントの数を見つけます。

試してみる (SQL)

試してみる (SQL-Python)

興味深い記事