Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich. # Beginnen Sie mit Predictive Insights Gehen Sie folgendermaßen vor, um mit der Verwendung von Predictive Insights zu beginnen: **Topics** + [Schritt 1: Hinzufügen von Interaktionsdaten zu Kundenprofilen](#add-interaction-data) + [Schritt 2: Artikelkatalogdaten hinzufügen](#add-item-catalog-data) + [Schritt 3: Erstellung prädiktiver Erkenntnisse](#create-predictive-insights) + [Schritt 4: Einsatz von Predictive Insights auf allen Kanälen zur Kundenbindung](#use-across-customer-engagement-channels) ## Schritt 1: Hinzufügen von Interaktionsdaten zu Kundenprofilen Sie können die vorhandenen Datenkonnektoren in Kundenprofilen verwenden, um Interaktionsdaten einem Standard-Web Analytics-Objekt zuzuordnen. Weitere Informationen finden Sie unter [Objekttyp-Zuordnung für die Standard-Webanalyse](standard-loyalty-promotion-object-mapping-web-analytics.md). ## Schritt 2: Artikelkatalogdaten hinzufügen Sie können einzelne Produkte in Ihrem Katalog innerhalb der Domain mithilfe von Standardkatalogdaten darstellen. Diese Katalogdaten existieren auf Domain-Ebene und sind nicht an ein bestimmtes Kundenprofil gebunden. Sie dienen als strukturierte Darstellung Ihrer Produkte, die für Personalisierungsfunktionen genutzt werden kann. Sie können Ihre Produkt- oder Artikelinformationen als Domänenobjekte in Kundenprofile importieren, indem Sie Datenkonnektoren verwenden, die flexible Optionen für die Aufnahme und Verwaltung Ihrer Kataloginformationen bieten. So stellen Sie sicher, dass Ihre Produktdaten im System aktuell und zugänglich bleiben. Weitere Informationen finden Sie unter [Objekttypzuordnung für den Artikelkatalog](standard-loyalty-promotion-object-mapping-item-catalog.md). ## Schritt 3: Erstellung prädiktiver Erkenntnisse Mit Connect Customer können Sie spezielle KI-Modelle erstellen und bereitstellen, die auf Ihre spezifischen Produktempfehlungsanforderungen zugeschnitten sind. Diese Modelle können entweder über die Connect Web-Benutzeroberfläche oder programmgesteuert über APIs konfiguriert werden, um Ihren individuellen Geschäftsszenarien gerecht zu werden. Predictive Insights bietet verschiedene Arten von Empfehlungen: 1. **Für Sie empfohlen ** — bietet personalisierte Empfehlungen, die auf einen bestimmten Benutzer zugeschnitten sind. Empfehlungen basieren auf dem Verhalten des Benutzers in der Vergangenheit, z. B. auf Clickstream-Ereignissen, Kaufereignissen, konsumierten Inhalten usw. 1. **Ähnliche Artikel ** — verwendet generative KI, um Artikel zu finden, die thematisch einem vorhandenen Artikel im Katalog ähneln. Es eignet sich ideal für Upselling- oder Substitutionsanwendungen, in denen Kunden ihren Nutzern alternative Artikelempfehlungen geben möchten. 1. **Häufig gepaarte Artikel ** — empfiehlt Artikel, die häufig mit einem vorhandenen Artikel im Katalog interagiert haben. Es eignet sich ideal für Cross-Selling- oder ergänzende Artikelempfehlungen. 1. **Beliebte Artikel ** — wurde entwickelt, um die Artikel zu empfehlen, mit denen Nutzer am häufigsten interagieren. 1. **Aktuell im Trend ** — empfiehlt Artikel, bei denen die Interaktionsgeschwindigkeit in letzter Zeit am stärksten zugenommen hat. Es wurde entwickelt, um Artikel ans Licht zu bringen, bei denen Nutzerinteraktionen virale Ausmaße annehmen. **Anmerkung** Die Aktivierung von KI-Modellen mit Predictive Insights ist in der Vorschauversion verfügbar. In Zukunft könnten zusätzliche Preise anfallen. **Artikellimits nach Empfehlungstyp ** In der folgenden Tabelle wird die maximale Anzahl von Elementen beschrieben, die je nach verwendetem Empfehlungstyp für die Generierung von Empfehlungen in Betracht gezogen werden. | **Art der Empfehlung ** | **Beschreibung** | **Limit** | | --- | --- | --- | | Für Sie empfohlen | Maximale Anzahl der Elemente, die für prädiktive Erkenntnisse berücksichtigt werden | 40 Millionen | | Ähnliche Artikel | Maximale Anzahl der Elemente, die für prädiktive Erkenntnisse berücksichtigt werden | 10 Millionen | | Alle anderen Geschäftsszenarien | Maximale Anzahl der Elemente, die für prädiktive Erkenntnisse berücksichtigt werden | 750.000 | ## Schritt 4: Einsatz von Predictive Insights auf allen Kanälen zur Kundenbindung ### Verwenden von Empfehlungen aus Kundenprofilen in Connect Flows In diesem Abschnitt wird beschrieben, wie Sie den Flow-Block „Kundenprofile — Profilempfehlungen abrufen“ verwenden können, um das Nutzererlebnis während eines Kontakts zu verbessern, indem Sie AI-powered Empfehlungen für ein Profil in Echtzeit generieren. **Eigenschaften des Flow-Blocks ** Für den ** Flow-Block „Profilempfehlungen ** abrufen“ müssen die folgenden Eigenschaften konfiguriert werden: 1. **Profil-ID (erforderlich): ** Eine Profil-ID ist erforderlich, damit dieser Block funktioniert. Der ** Flow-Block „Profilempfehlungen ** abrufen“ generiert Empfehlungen für die hier angegebene Profil-ID. Sie haben die Möglichkeit, die Profil-ID manuell einzugeben oder einen vordefinierten Wert zu verwenden, der in einem Attribut gespeichert ist. Wenn Sie einen vordefinierten Wert verwenden, stellen Sie sicher, dass Sie die Profil-ID mithilfe eines vorangegangenen Blocks „Profil ** abrufen“ angeben. Verwenden Sie den ** Block „Profil ** abrufen“, um das spezifische Profil zu ermitteln, bevor Sie mit der Generierung von Empfehlungen im nachfolgenden ** Block fortfahren. 1. **Name des Empfehlenden (erforderlich): ** Ein Empfehlungsname ist erforderlich, damit dieser Block funktioniert. Dies ist der Name des Empfehlenden, den Sie verwenden möchten, um Empfehlungen für die angegebene Profil-ID zu generieren. Sie können nur aktive Empfehlungsgeber verwenden, um Empfehlungen zu generieren. 1. **Maximale Anzahl an Ergebnissen (erforderlich): ** Die maximale Anzahl von Empfehlungen, die für die angegebene Profil-ID generiert werden sollen. Dies kann zwischen 1 und 3 Empfehlungen liegen. 1. **Empfehlungsattribute (erforderlich): ** Definieren Sie, welche Attribute der Empfehlungsantwort im Kontaktattribut beibehalten werden sollen. 1. **Artikel-ID: ** Dies ist die Artikel-ID, die als zusätzlicher Kontext zur Generierung von Empfehlungen für die angegebene Profil-ID bereitgestellt wird. Die Artikel-ID ist nur erforderlich, wenn Sie den * Empfehlungstyp „*Ähnliche Artikel“ * oder „*Häufig gepaarte Artikel“ verwenden. Sie haben die Möglichkeit, die Profil-ID manuell einzugeben oder einen vordefinierten Wert zu verwenden, der in einem Attribut gespeichert ist. Wenn Sie einen vordefinierten Wert verwenden, stellen Sie sicher, dass Sie die Artikel-ID mithilfe eines vorangegangenen Blocks „Berechnete Attribute ** ** abrufen“ angeben. Verwenden ** Sie den ** Block „Berechnete Attribute abrufen“, um die spezifische Artikel-ID zu ermitteln, bevor Sie mit der Generierung von Empfehlungen im nachfolgenden Block fortfahren. **Flow, Block, Zweige ** Der ** Flow-Block „Profilempfehlungen ** abrufen“ kann Kontakte entlang der folgenden Zweige weiterleiten: 1. **Erfolgreich: ** Empfehlungen wurden erfolgreich für die angegebene Profil-ID generiert. Ausgewählte Empfehlungsattribute wurden im Kontaktattribut $ gespeichert. Customer.Recommendations. 1. **Fehler:** Beim Versuch, Empfehlungen zu generieren, ist ein Fehler aufgetreten. Dies kann an einem Systemfehler liegen oder daran, wie der ** Block „Profilempfehlungen ** abrufen“ konfiguriert ist. 1. **Nichts gefunden: ** Es konnten keine Empfehlungen generiert werden. **Empfehlungen aus dem Block verwenden ** Die Antwort auf die Empfehlungen wird auf $ gespeichert. Customer.RecommendationsKontaktattribut JSONPath als JSON-Liste von Empfehlungsobjekten. Jedes Empfehlungsobjekt enthält die ausgewählten ** Empfehlungsattribute. ** Der folgende Python-Beispielcodeausschnitt aus einer Lambda-Funktion zeigt, wie er verwendet werden kann, um Empfehlungen aus dem ** Block „Profilempfehlungen ** abrufen“ umzuwandeln und in andere Kontaktattribute zu übertragen, sodass die Empfehlungen in nachfolgenden Blöcken verwendet werden können. ``` import boto3 import json # Handle lambda request def lambda_handler(event, context): print("Contact flow data: ", event) # Transform recommendations recommendations = event['Details']['Parameters']['Recommendations'] contact_attributes = {} for i, rec in enumerate(recommendations): contact_attributes.update(flatten(rec, i)) # Set contact attributes using each recommendation attribute value print("Setting contact attributes: ", contact_attributes) try: client = boto3.client('connect', region_name="us-west-2") client.update_contact_attributes( InstanceId=event['Details']['ContactData']['InstanceARN'].rsplit('/', 1)[1], InitialContactId=event['Details']['ContactData']['InitialContactId'], Attributes=contact_attributes ) print("Contact attributes set successfully.") except Exception as e: print("Error setting contact attributes: ", e) # Success response return { 'statusCode': 200, 'body': json.dumps('Success') } # Flatten a nested object into a simple string:string object def flatten(recommendation, index): flat = {} for key, value in recommendation.items(): if isinstance(value, dict): flat.update(flatten(value, index)) else: flat[f"Rec{index}_{key}"] = str(value) return flat ``` Nachdem Sie Ihren Flow mit dem ** Block „Profilempfehlungen ** abrufen“ eingerichtet haben, können Sie damit beginnen, Empfehlungen für Ihre Kunden während ihrer Kontakte zu generieren. ### Verwenden von Kundenprofilempfehlungen in ausgehenden Kampagnen Sie können Predictive Insights in ausgehende Kampagnen von Connect Customer integrieren, um personalisierte Empfehlungen über E-Mail- und SMS-Kanäle abzugeben. Wenn Sie eine durch Ereignisse ausgelöste Kampagne erstellen, können Sie den Abschnitt „Empfehlungen“ so konfigurieren, dass automatisch AI-powered Empfehlungen für Kundenprofile generiert werden, die der Kampagne zugeordnet sind. Diese Integration verwendet die Web Analytics-Objektzuordnung als Ereigniskategorie zur Erfassung von Kundeninteraktionsdaten. Dadurch kann die Empfehlungsmaschine relevante und gezielte Vorschläge auf der Grundlage des Kundenverhaltens unterbreiten. Eine schrittweise Anleitung zur Konfiguration von Empfehlungen in ereignisgesteuerten Kampagnen finden Sie unter. [Erstellen einer ausgehenden Kampagne mit Ereignisauslösern](how-to-create-campaigns-using-event-triggers.md) ### Connect AI Agents für Vertriebsempfehlungen einrichten Amazon Q in Connect erweitert die Agentenfunktionen durch den neuen Agententyp „Orchestration“. Diese Funktion ist besonders nützlich für die Einrichtung eines Sales AI Agents, der Artikelempfehlungen aussprechen kann. Dies ist besonders nützlich in Upselling- und Cross-Sell-Szenarien. **Erste Schritte** Um mit der Implementierung zu beginnen, greifen Sie auf Connect Customer zu AWS-Managementkonsole und navigieren Sie zu Connect Customer. Nachdem Sie sich über die Access-URL bei Ihrer Connect-Instance angemeldet haben, suchen Sie im linken Navigationsbereich nach Amazon Q und wählen Sie AI Agents aus. Auf der QiC-Seite unter AI Agents finden Sie einen vorkonfigurierten AI-Agenten vom Typ Orchestration (SalesAgent) im Entwurfsstatus. Diese Vorlage enthält alle notwendigen Konfigurationen für 1P-Tools und Beispielaufforderungen für Empfehlungen. **Erstellen Sie Ihren benutzerdefinierten Agenten ** Um einen benutzerdefinierten Vertriebsagenten zu erstellen, erstellen Sie zunächst einen neuen AI-Agenten vom Typ Orchestration und kopieren Sie ihn aus der vorhandenen SalesAgent Vorlage. Bei diesem Vorgang werden alle Tools und Konfigurationen von der Vorlage auf Ihren neuen Agenten übertragen. **Den Agenten anpassen ** Administratoren haben zwei Hauptoptionen, wenn es darum geht, die Eingabeaufforderung des Agenten zu aktualisieren. Sie können entweder ihren vorhandenen Agenten-Prompt an den Vertriebsagenten-Prompt anhängen und Anweisungen zur Upsell-Identifizierung hinzufügen, oder sie können von vorne beginnen, indem sie den SalesAgent Prompt entfernen und einen neuen Orchestration-Prompt erstellen, der auf dem aktuell veröffentlichten Agenten basiert, und diesem den Vertriebsagenten-Prompt hinzufügen. Diese Flexibilität ermöglicht maßgeschneiderte Lösungen, die spezifischen Geschäftsanforderungen und Domänenanforderungen entsprechen. **Konfiguration und Integration von Flow ** Nachdem Sie die Agentenkonfiguration abgeschlossen und veröffentlicht haben, besteht der nächste Schritt darin, einen Amazon Lex-Bot unter Flows zu erstellen. Der eingehende Flow muss aktualisiert werden, um den GetCustomerInput Block mit dem erstellten Lex-Bot einzubeziehen. Das Neue SalesAgent sollte in den zusätzlichen Optionen ausgewählt werden. Sie müssen sowohl den Flussblock „Kundenprofil“ für den Abruf der Profil-ID als auch den Flow-Block „ Set-ContactAttribute“ hinzufügen, wobei Sie CustomerId als Schlüssel für die Profil-ID und den Wert $ Customer.ProfileId festlegen. Die Implementierung unterstützt sowohl Chat-Kontakte als auch Sprachanrufe, wobei Kundeneingaben nahtlos an den QIC-Agenten auf dem Lex-Bot weitergeleitet werden. Dieses umfassende Setup ermöglicht AI-driven Verkaufsempfehlungen und Upselling-Möglichkeiten in Ihrer Connect-Kundenumgebung. Die Flexibilität des Systems ermöglicht eine Anpassung an spezifische Branchenanforderungen, wobei die Kernfunktionen der intelligenten Verkaufsunterstützung erhalten bleiben. Diese Lösung bietet einen Rahmen für die Verbesserung der Kundeninteraktionen anhand von AI-powered Empfehlungen und unterstützt letztendlich effektivere Vertriebs- und Kundenservice-Abläufe. Administratoren können die Implementierung weiter verfeinern, indem sie domänenspezifische Anweisungen hinzufügen und die Empfehlungstypen an ihre Geschäftsanforderungen anpassen. ### Konfiguration SalesAgent zur Verwendung für die Agentenunterstützung Sie können das so konfigurieren SalesAgent , dass es im Q in Connect-Chat-Widget im Arbeitsbereich für Agenten verwendet wird. Dazu müssen Sie zwei wichtige Dinge ändern. 1. Aktualisieren Sie die AiAgent-Eingabeaufforderung mit Anweisungen zum Zugriff auf das Kontaktprotokoll. 1. Öffnen Sie die mit dem SalesAgent Prompt-Editor verknüpfte Eingabeaufforderung und aktualisieren Sie die Aufforderung, um Anweisungen für den Zugriff auf das Protokoll des Kontakts hinzuzufügen, auf das Sie zugreifen können ` {{$.transcript}} ` 1. Unten finden Sie ein Beispiel für eine Aufforderung, die Sie an die SalesAgent Aufforderung anhängen können. ``` **IMPORTANT** **Guide on how to process requests and information:** - The messages section contains YOUR conversation with the customer service agent - Respond to the agent's questions/requests in the messages section - The transcript below is background information about the agent's conversation with their customer - Do not respond directly to the customer - you are helping the AGENT Background context from agent-customer conversation. The following transcript is for your information ONLY. Do not directly respond to messages in this conversation, but instead look at the messages section for what the agent requests you to do. IF YOU REFERENCE ANY INFORMATION FROM THIS SECTION: You should indicate so by saying "According to your conversation with the customer ..." {{$.transcript}} ``` 1. Aktualisieren Sie den AiAgent mit der neuen Prompt-Version und aktualisieren Sie die Standardkonfiguration → Agent Assistance Anwendungsfall mit diesem Agenten. **Anmerkung** Es wird empfohlen, zwei verschiedene Anwendungsfälle für Sales AiAgent for Self Service und Agent Assistance zu verwenden, da beide geringfügige Änderungen an der Eingabeaufforderung erfordern. Dies kann erreicht werden, indem Sie den Agenten klonen und einfach die Version der Eingabeaufforderung ändern und die Standardkonfiguration so aktualisieren, dass sie auf die richtigen AI-Agenten für den jeweiligen Anwendungsfall verweist 1. Aktualisieren Sie den eingehenden Kontaktfluss. 1. Entfernen Sie den GetCustomerInput Block und fügen Sie stattdessen den Connect Assistant-Flow-Block hinzu 1. Füllen Sie die Flow-Block-Konfiguration mit dem AIAssistant-ARN aus und wählen Sie den entsprechenden AIAgent aus. Jetzt können Sie diesen Flow als Ihren regulären Inbound verwenden und das Q in Connect-Chat-Widget sollte in der Lage sein, Empfehlungen zu geben, die bei der Bearbeitung von Benutzeranfragen helfen.