Public Preview
Public Preview
Public Preview
5 分でわかる Amazon Personalize
5 分でわかる Amazon Personalize
5 分でわかる Amazon Personalize
一言説明
レコメンド API を 作れるサービス
「あなたにおすすめの映画」や「この商品をみた人はこんな商品もみています」といったレコメンド機能を作れるサービス。機械学習の専門知識は必要ありません。
一言説明
レコメンド API を 作れるサービス
「あなたにおすすめの映画」や「この商品をみた人はこんな商品もみています」といったレコメンド機能を作れるサービス。機械学習の専門知識は必要ありません。
一言説明
レコメンド API を 作れるサービス
「あなたにおすすめの映画」や「この商品をみた人はこんな商品もみています」といったレコメンド機能を作れるサービス。機械学習の専門知識は必要ありません。
デモ
動いてる所を見せて
デモ
動いてる所を見せて
デモ
動いてる所を見せて
レコメンド API の作成と利用 (概要)
Step1: レコメンド API を作るには、まず自社データを用意します。最も重要なのは、「どのユーザーが、どの商品に対して、何をした」というインタラクションデータです。
レコメンド API の作成と利用 (概要)
Step1: レコメンド API を作るには、まず自社データを用意します。最も重要なのは、「どのユーザーが、どの商品に対して、何をした」というインタラクションデータです。
レコメンド API の作成と利用 (概要)
Step1: レコメンド API を作るには、まず自社データを用意します。最も重要なのは、「どのユーザーが、どの商品に対して、何をした」というインタラクションデータです。
Step2: 用意したデータを Amazon Personalize に取り込み、レコメンド API を作成します。
Step2: 用意したデータを Amazon Personalize に取り込み、レコメンド API を作成します。
Step2: 用意したデータを Amazon Personalize に取り込み、レコメンド API を作成します。
Step3: あとは作成したレコメンド API にユーザー ID を渡すだけ。すると、そのユーザーにおすすめの商品 ID のリストが返ってきます。
Step3: あとは作成したレコメンド API にユーザー ID を渡すだけ。すると、そのユーザーにおすすめの商品 ID のリストが返ってきます。
Step3: あとは作成したレコメンド API にユーザー ID を渡すだけ。すると、そのユーザーにおすすめの商品 ID のリストが返ってきます。
レコメンド API の作成と利用 (詳細)
自社データを取り込んでレコメンド API を作成し、ユーザー ID を指定して商品 ID のリストを取得するデモをお見せします (3 分)。
レコメンド API の作成と利用 (詳細)
自社データを取り込んでレコメンド API を作成し、ユーザー ID を指定して商品 ID のリストを取得するデモをお見せします (3 分)。
レコメンド API の作成と利用 (詳細)
自社データを取り込んでレコメンド API を作成し、ユーザー ID を指定して商品 ID のリストを取得するデモをお見せします (3 分)。
最低限どれくらいのデータが必要？
Amazon Personalize を動かすのに最低限必要なデータ量
25 ユニークユーザー
1000 インタラクション
1 ユーザーあたり 2 インタラクション
高い精度を出すために必要なデータ量
1000 ユニークユーザー
50000 インタラクション
1 ユーザーあたり 2 インタラクション
最低限どれくらいのデータが必要？
Amazon Personalize を動かすのに最低限必要なデータ量
25 ユニークユーザー
1000 インタラクション
1 ユーザーあたり 2 インタラクション
高い精度を出すために必要なデータ量
1000 ユニークユーザー
50000 インタラクション
1 ユーザーあたり 2 インタラクション
最低限どれくらいのデータが必要？
Amazon Personalize を動かすのに最低限必要なデータ量
25 ユニークユーザー
1000 インタラクション
1 ユーザーあたり 2 インタラクション
高い精度を出すために必要なデータ量
1000 ユニークユーザー
50000 インタラクション
1 ユーザーあたり 2 インタラクション
ユースケース
どんな時に使うべき？
ユースケース
どんな時に使うべき？
ユースケース
どんな時に使うべき？
1.「あなたにおすすめの商品」
ユーザーごとに最適な商品をおすすめしたい
例
「読書履歴に基づくおすすめ」
「あなたにおすすめの新商品」
「あなたにおすすめの作品」
1.「あなたにおすすめの商品」
ユーザーごとに最適な商品をおすすめしたい
例
「読書履歴に基づくおすすめ」
「あなたにおすすめの新商品」
「あなたにおすすめの作品」
1.「あなたにおすすめの商品」
ユーザーごとに最適な商品をおすすめしたい
例
「読書履歴に基づくおすすめ」
「あなたにおすすめの新商品」
「あなたにおすすめの作品」
2. 「あなたにおすすめ順」 に並び替え
特定の商品リストを、ユーザーに合わせて並び替えたい
例
ベストセラー商品の並び替え
セール商品の並び替え
検索結果の並び替え
2. 「あなたにおすすめ順」 に並び替え
特定の商品リストを、ユーザーに合わせて並び替えたい
例
ベストセラー商品の並び替え
セール商品の並び替え
検索結果の並び替え
2. 「あなたにおすすめ順」 に並び替え
特定の商品リストを、ユーザーに合わせて並び替えたい
例
ベストセラー商品の並び替え
セール商品の並び替え
検索結果の並び替え
3.「ベストセラー商品」
特定のユーザーによらず、全体で最も閲覧、視聴、購入されている商品をおすすめしたい
例
「人気の作品」
「最も売れている商品」
3.「ベストセラー商品」
特定のユーザーによらず、全体で最も閲覧、視聴、購入されている商品をおすすめしたい
例
「人気の作品」
「最も売れている商品」
3.「ベストセラー商品」
特定のユーザーによらず、全体で最も閲覧、視聴、購入されている商品をおすすめしたい
例
「人気の作品」
「最も売れている商品」
4.「人気急上昇中の動画」
特定の期間で急速に人気が出た商品をおすすめしたい
例
「人気急上昇中の動画」
「過去 24 時間で最も売上が伸びた商品」
「今日の TV 番組トップ 10」
4.「人気急上昇中の動画」
特定の期間で急速に人気が出た商品をおすすめしたい
例
「人気急上昇中の動画」
「過去 24 時間で最も売上が伸びた商品」
「今日の TV 番組トップ 10」
4.「人気急上昇中の動画」
特定の期間で急速に人気が出た商品をおすすめしたい
例
「人気急上昇中の動画」
「過去 24 時間で最も売上が伸びた商品」
「今日の TV 番組トップ 10」
5.「この商品に関連する商品」
特定の商品に似た商品をおすすめしたい
例
「よく一緒に購入されている商品」
「この商品をみた人はこんな商品もみています」
「〇〇 をご覧になったあなたへ」
5.「この商品に関連する商品」
特定の商品に似た商品をおすすめしたい
例
「よく一緒に購入されている商品」
「この商品をみた人はこんな商品もみています」
「〇〇 をご覧になったあなたへ」
5.「この商品に関連する商品」
特定の商品に似た商品をおすすめしたい
例
「よく一緒に購入されている商品」
「この商品をみた人はこんな商品もみています」
「〇〇 をご覧になったあなたへ」
6. ユーザーの抽出
特定の商品群に興味のあるユーザーを抽出したい
例
新作映画に興味のありそうなユーザーにキャンペーンメールを送る
コーヒーに興味のあるユーザーを分析する
6. ユーザーの抽出
特定の商品群に興味のあるユーザーを抽出したい
例
新作映画に興味のありそうなユーザーにキャンペーンメールを送る
コーヒーに興味のあるユーザーを分析する
6. ユーザーの抽出
特定の商品群に興味のあるユーザーを抽出したい
例
新作映画に興味のありそうなユーザーにキャンペーンメールを送る
コーヒーに興味のあるユーザーを分析する
特徴
どこが便利なの？
特徴
どこが便利なの？
特徴
どこが便利なの？
高精度なレコメンドを安価に実現
Amazon Personalize には EC サイトの Amazon と同じ機械学習技術が使われています。25 年にわたり Amazon が培ってきた技術を、月に数千円から利用できます。
Amazon Prime Video のレコメンド
高精度なレコメンドを安価に実現
Amazon Personalize には EC サイトの Amazon と同じ機械学習技術が使われています。25 年にわたり Amazon が培ってきた技術を、月に数千円から利用できます。
Amazon Prime Video のレコメンド
高精度なレコメンドを安価に実現
Amazon Personalize には EC サイトの Amazon と同じ機械学習技術が使われています。25 年にわたり Amazon が培ってきた技術を、月に数千円から利用できます。
Amazon Prime Video のレコメンド
サーバー運用は不要
自社でレコメンド API 用のサーバーを構築・運用する必要はありません。レコメンド API を使うことに集中できるマネージドサービスです。
サーバー運用は不要
自社でレコメンド API 用のサーバーを構築・運用する必要はありません。レコメンド API を使うことに集中できるマネージドサービスです。
サーバー運用は不要
自社でレコメンド API 用のサーバーを構築・運用する必要はありません。レコメンド API を使うことに集中できるマネージドサービスです。
雨の日のレコメンド
雨の日に買った、スマホで見ていた、ユーザーはどこに住んでいた、こういった “文脈” 情報をデータに含めることができます。すると例えば雨の日には雨の日に適したレコメンドになります。
雨の日のレコメンド
雨の日に買った、スマホで見ていた、ユーザーはどこに住んでいた、こういった “文脈” 情報をデータに含めることができます。すると例えば雨の日には雨の日に適したレコメンドになります。
雨の日のレコメンド
雨の日に買った、スマホで見ていた、ユーザーはどこに住んでいた、こういった “文脈” 情報をデータに含めることができます。すると例えば雨の日には雨の日に適したレコメンドになります。
低評価レビュー商品の除外
特定のユーザーに向けて作成したおすすめの商品リストを、条件に応じてさらに絞り込むことができます。例えば、ユーザーが最近購入したばかりの商品や、レビューで星 2 以下の商品をレコメンドから除外することができます。
低評価レビュー商品の除外
特定のユーザーに向けて作成したおすすめの商品リストを、条件に応じてさらに絞り込むことができます。例えば、ユーザーが最近購入したばかりの商品や、レビューで星 2 以下の商品をレコメンドから除外することができます。
低評価レビュー商品の除外
特定のユーザーに向けて作成したおすすめの商品リストを、条件に応じてさらに絞り込むことができます。例えば、ユーザーが最近購入したばかりの商品や、レビューで星 2 以下の商品をレコメンドから除外することができます。
料金
月額どれくらい？
Amazon Personalize の主な費用は、取り込んだデータを学習する時間と、レコメンド API の利用回数に対する課金です。
レコメンド API には、都度 Web API を叩いて最新のレコメンド結果を得るリアルタイム推論と、一括でレコメンド結果を作っておくバッチ推論の 2 つがあります。一般的にはリアルタイム推論よりもバッチ推論の方が安く済むことが多いです。
料金
月額どれくらい？
Amazon Personalize の主な費用は、取り込んだデータを学習する時間と、レコメンド API の利用回数に対する課金です。
レコメンド API には、都度 Web API を叩いて最新のレコメンド結果を得るリアルタイム推論と、一括でレコメンド結果を作っておくバッチ推論の 2 つがあります。一般的にはリアルタイム推論よりもバッチ推論の方が安く済むことが多いです。
料金
月額どれくらい？
Amazon Personalize の主な費用は、取り込んだデータを学習する時間と、レコメンド API の利用回数に対する課金です。
レコメンド API には、都度 Web API を叩いて最新のレコメンド結果を得るリアルタイム推論と、一括でレコメンド結果を作っておくバッチ推論の 2 つがあります。一般的にはリアルタイム推論よりもバッチ推論の方が安く済むことが多いです。
バッチでレコメンド
バッチ推論を利用
週次で 5 万人分のレコメンドを作成
計 25 時間のトレーニング
月額
¥3,000
くらい
バッチでレコメンド
バッチ推論を利用
週次で 5 万人分のレコメンドを作成
計 25 時間のトレーニング
月額
¥3,000
くらい
バッチでレコメンド
バッチ推論を利用
週次で 5 万人分のレコメンドを作成
計 25 時間のトレーニング
月額
¥3,000
くらい
リアルタイムにレコメンド
リアルタイム推論を利用
毎時 1500 回レコメンド API を利用
計 100 時間のトレーニング
月額
¥50,000
くらい
リアルタイムにレコメンド
リアルタイム推論を利用
毎時 1500 回レコメンド API を利用
計 100 時間のトレーニング
月額
¥50,000
くらい
リアルタイムにレコメンド
リアルタイム推論を利用
毎時 1500 回レコメンド API を利用
計 100 時間のトレーニング
月額
¥50,000
くらい
ヘビーユースするケース
リアルタイム推論とバッチ推論を併用
毎時 2000 回レコメンド API を利用
週次で 50 万人分のレコメンドを作成
計 200 時間のトレーニング
月額
¥150,000
くらい
ヘビーユースするケース
リアルタイム推論とバッチ推論を併用
毎時 2000 回レコメンド API を利用
週次で 50 万人分のレコメンドを作成
計 200 時間のトレーニング
月額
¥150,000
くらい
ヘビーユースするケース
リアルタイム推論とバッチ推論を併用
毎時 2000 回レコメンド API を利用
週次で 50 万人分のレコメンドを作成
計 200 時間のトレーニング
月額
¥150,000
くらい
※ 1 ドル 150 円で計算。
※ 1 ドル 150 円で計算。
※ 1 ドル 150 円で計算。
