準備チェックリスト

Amazon Personalize の仕組みを確認し、入門演習を完了したら、自身のデータで Amazon Personalize を使用する準備を始めることができます。このチェックリストには、Amazon Personalize の機能、要件、およびデータガイダンスのリストが記載されています。計画を立てるのに役立ちますし、Amazon Personalize でリソースを作成する際の参照として使用することもできます。

ユースケースを Amazon Personalize リソースと一致させましたか?

Amazon Personalize のレコメンデーションは、次のユースケースに対応できます。

• 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の生成

• 類似商品や関連商品のレコメンド

• トレンド商品や人気商品のレコメンド

• ユーザーへの次善アクションのレコメンド

• 関連性による並べ替え (カスタムリソースのみ)

• ユーザーセグメントの生成 (カスタムリソースのみ)

Amazon Personalize は、これらのユースケースに合わせて設定されたドメインベースのリソースとカスタムリソースを備えています。ドメインデータセットグループまたはカスタムデータセットグループを作成します。

• ドメインデータセットグループでは、VIDEO_ON_DEMAND または ECOMMERCE ドメイン向けに事前設定され最適化されたリソースを作成します。

  ストリーミング動画または eコマースアプリケーションがある場合は、ドメインデータセットグループから開始することをおすすめします。カスタムユースケース向けにトレーニングされたソリューションやソリューションバージョンなどのカスタムリソースを追加できます。また、カスタムリソースを使用してバッチレコメンデーションを取得することもできます。ドメインデータセットグループには、アクションやアクションインタラクションデータセットなどのネクストベストアクションリソースを作成することはできません。

• カスタムデータセットグループでは、ユースケースに合ったレシピを選択します。設定可能なソリューションとソリューションバージョン (トレーニングされた Amazon Personalize のレコメンデーションモデル) をトレーニングし、デプロイします。準備ができたら、ソリューションバージョンをキャンペーンに展開して、リアルタイムのレコメンデーションを行うことができます。または、キャンペーンなしで一括レコメンデーションを取得することもできます。

  ストリーミング動画または eコマースアプリケーションがない場合は、カスタムデータセットグループを作成します。それ以外の場合は、ドメインデータセットグループから始めて、必要に応じてカスタムリソースを追加してください。

Amazon Personalize で使用できるユースケースとカスタムレシピについては、「ドメインのユースケースとカスタムレシピ」を参照してください。

アイテムインタラクションデータは十分ですか?

すべてのユースケースとレシピにおいて、25 人のユニークユーザーに対し、それぞれ 2 回以上のインタラクションがあり、1,000 回以上のアイテムインタラクションが必要です。質の高いレコメンデーションを行うには、1,000 人以上のユーザーからのアイテムインタラクションが少なくとも 50,000 件あり、それぞれ 2 回以上のアイテムインタラクションがあることが推奨されます。

十分なデータがあるかどうかわからない場合は、Amazon Personalize コンソールでデータをインポートして分析できます。詳細については、「データセット内のデータの品質と量を分析する」を参照してください。

リアルタイムのイベントストリーミングアーキテクチャは導入されていますか?

アイテムインタラクションデータが足りない場合は、Amazon Personalize を使用して追加のリアルタイムイベントデータを収集できます。いくつかのレシピとユースケースを使用することで、Amazon Personalize はユーザーの最新のアクティビティから学習し、ユーザーがアプリケーションを使用するたびにレコメンデーションを更新することができます。

イベントがレコメンデーションに与える影響、サードパーティのイベント追跡サービスのリスト、実装例など、イベントの記録に関する情報については、「レコメンデーションに影響を与えるリアルタイムイベントの記録」を参照してください。

データは Amazon Personalize 用に最適化されていますか?

データ内の以下の点を確認することをお勧めします。

• 欠落している値を確認します。レコードの少なくとも 70% にすべての属性のデータを含めることをおすすめします。NULL 値を許容する列は 70% 以上記入しておくことをお勧めします。

• 命名規則の不一致、アイテムのカテゴリの重複、データセット間の ID の不一致、ID の重複など、データ内の不正確さや問題を修正します。これらの問題は、レコメンデーションに悪影響を及ぼしたり、予期しない動作につながる可能性があります。例えば、データには「N/A」と「該当なし」の両方が含まれていても、「N/A」のみに基づいてレコメンデーションを除外している場合があります。「該当なし」とマークされたアイテムはフィルターでは削除されません。

• 複数のジャンルの映画など、アイテム、ユーザー、またはアクションが複数のカテゴリを持つことができる場合は、カテゴリ値を 1 つの属性にまとめ、それぞれの値を | 演算子で区切ります。例えば、映画のジャンルデータは、アクション | アドベンチャー | スリラーなどです。

• 1 つの列に使用できるカテゴリの数が 1000 を超えることは避けてください (列にフィルタリングのみを目的としたデータが含まれている場合を除く)。

データに関する推奨事項の完全なリストと、Amazon Personalize を使用して問題を特定する方法については、「データセット内のデータの品質と量を分析する」を参照してください。

レコメンデーションを改善するためのオプションデータを収集していますか?

以下のデータは、レコメンデーションの関連性を高めるのに役立ちます。

• イベントタイプ (すべてのドメインデータセットグループのユースケースで必須)

• イベント値

• コンテキストメタデータ

• アイテムとユーザーのメタデータ

• アクションインタラクションデータ (PERSONALIZED_ACTIONS レシピでのみ使用)

Amazon Personalize が使用できるデータの種類についての詳細は、「Amazon Personalize が使用できるデータの種類」を参照してください。

レコメンデーションをテストする予定はありますか?

A/B テストを使用すると、さまざまなユーザーグループがさまざまなモデルのレコメンデーションとインタラクションを行った結果を比較できます。A/B テストは、さまざまなレコメンデーション戦略を比較し、レコメンデーションがビジネス目標の達成に役立っているかどうかを確認するのに役立ちます。詳細については、「A/B テストを使用したレコメンデーションの影響の測定」を参照してください。

他にビジネス目標はありますか?

場合によっては、ユーザーに関連するレコメンデーションの生成に加えて、目標を付与していることがあります。例えば、収益を最大化したり、特定のカテゴリの特定の種類のアイテムを宣伝する場合があります。次の Amazon Personalize 機能が役立ちます。

• プロモーション: プロモーションを利用して、特定の割合のアイテムがビジネス要件を満たしていることを確認できます。詳細については、「レコメンデーション内のアイテムのプロモーション」を参照してください。

• ビジネス目標に合わせた最適化: カスタムデータセットグループレシピの中には、ストリーミング時間の最大化や収益の増加など、カスタム目的に合わせてソリューションを最適化できるものもあります。詳細については、「追加の目的のためのソリューションの最適化」を参照してください。

• レコメンデーションのフィルタリング フィルターを使用してビジネスルールをレコメンデーションに適用します。フィルターを使用して、特定の種類のアイテムをレコメンデーションに含めたり、レコメンデーションに含めたり、レコメンデーションから除外したりできます。詳細については、「レコメンデーションとユーザーセグメントのフィルタリング」を参照してください。