2022-05-26 14:18
“利用亚马逊云科技‘智能湖仓’架构，Convertlab构建了统一融合的数据治理底座，形成数据管理、算法决策到执行的完整闭环，帮助客户更好地挖掘数据价值，实现个性化的智能营销，极大地提升了市场竞争力。” Convertlab联合创始人兼CTO李征如是说。
数字时代下，流量成本持续增加，产品过剩，驱动企业的营销模式从粗放型走向精细化，业务形态从“以产品为中心”转为“以客户为中心”，通过提升用户体验来保障业务的持续增长。
在与亚马逊云科技合作之前，Convertlab数据智能营销解决方案主要面临三方面的技术挑战：
首先，数据处理与机器学习作业流程关联弱，数据清洗、特征工程与机器学习作业在不同的系统中运行，降低了大数据与模型之间的流转效率；
其次，数据的处理与分析需要耗费大量精力，数据在不同的库表环境中，建模前期的数据整理与清洗工作需要耗费模型上线周期中50%左右的时间；
最后，模型的迭代、维护等管理层面的效率较低，模型的验证、检测、分析等工作较为复杂，导致投入资源成本较高。
Convertlab通过利用亚马逊云科技“智能湖仓”架构，真正形成了数据驱动的营销闭环。
在底层，借助亚马逊云科技“智能湖仓”架构，可以实现对数据的统一管理，例如：基于Amazon EMR 是营销领域里对实时营销所做的技术性革新；构建统一融合的数据治理底座，可以帮助数据专家快速调用数据，进行模型训练和推理，并获得结果，大幅提升用户全生命周期各阶段数据应用效率，降低数据融合成本；Amazon SageMaker提供了非常丰富的模型管理能力，以及机器学习工程化能力，将机器学习生产规模化，利用机器学习技术挖掘数据价值带来实际的业务产出；Amazon Athena可以帮助企业轻松聚合各个数据源的数据，并获得一致性的洞察结果。
在中间层，基于亚马逊云科技“智能湖仓”架构，构建了一体化客户数据管理平台Data Hub、高效机器学习应用决策平台AI Hub，两大平台相互支撑与协作，完成了基于业务场景的用户画像，可以快速支撑营销策略。与传统的技术架构相比，“智能湖仓” 架构帮助Data Hub实现了统一融合的数据治理底座，打破数据及技能孤岛，减少异构数据融合成本，将数据流转时效性提升32%，并为AI Hub提供标准统一的数据模型；AI Hub借助机器学习服务Amazon SageMaker，帮助数据专家快速准备、构建、训练和部署高质量的机器学习模型，进行快速的特征设计与机器学习模型迭代，模型上线效率提升30%。目前，Convertlab已上线5大营销特征类别、300+营销特征、20+营销AI模型。
在上层，构建了个性化推荐、购买概率预测，因果分析等一系列的营销智能解决方案，赋能客户精细化运营能力。AI让“客户为中心”的营销实现千人千面，快速决策，提升客户体验。
迄今为止，Convertlab已通过与亚马逊云科技的协作，在零售行业拥有了多个客户成功案例。
某世界500强零售头部品牌面对数据、场景越来越多，很难做完备的数据洞察和数据驱动策略。Convertlab联合亚马逊云科技，帮助客户进行了基于AI决策的共同创新，人力投入从12位减少到8位，上线周期从12个月降到3个月，实际产出从13个场景增加到32个场景，电子渠道GMV比例从2.95%提升到6.34%，大幅降低了成本，促进业务转型。
某中国TOP3家电品牌在Convertlab的帮助下，利用亚马逊云科技丰富的数据管理工具，构建了动态全域智能推销模型，使用AI动态权益确定当前每个客户对权益的喜好，圈选推送人群，相同场景点击率超过3%，增长75%。
李征指出，利用亚马逊云科技“云数智三位一体”服务组合，Convertlab构建了数据智能营销解决方案，实现了从数据治理、算法决策，到快速执行和反馈迭代的营销闭环，帮助客户更好地挖掘数据价值，实现个性化的智能营销。未来，Convertlab将与亚马逊云科技继续加强技术协作，探索AI方向的深度合作，并在零售、制造和医药等重点行业形成解决方案，帮助更多行业客户加速实现智慧营销。
