세션 1: Non-IT 비즈니스를 위한 Digital Transformation 전략

© 2020, Amazon Web Services, Inc. or its Affiliates.
2020.07.09
Non-IT 비즈니스를 위한
Digital Transformation 전략
세션 1

• Part 1 : Cloud 기반으로 만들어가는 기업 가치 극대화
• Part 2 : 데이터 기반 마케팅 전략
• Part 3 : 마케터를 위한 데이터기반 Emerging Technology 사례
세션1 : Non-IT 비즈니스를 위한 Digital Transformation 전략
 발표자: 홍용덕 어카운트 매니저
 발표자: 윤성의 어카운트 매니저, AWS
 발표자: 강성문 솔루션즈 아키텍트, AWS

강연 중 질문하는 방법
Go to Webinar “Chat/채팅” 창에 자신이 질문한
내역이 표시됩니다. 기본적으로 모든 질문은
공개로 답변 됩니다만 본인만 답변을 받고 싶으면
(비공개)라고 하고 질문해 주시면 됩니다.
본 컨텐츠는 고객의 편의를 위해 AWS 서비스 설명을 위해 온라인 세미나용으로 별도로 제작, 제공된 것입니다. 만약 AWS
사이트와 컨텐츠 상에서 차이나 불일치가 있을 경우, AWS 사이트(aws.amazon.com)가 우선합니다. 또한 AWS 사이트
상에서 한글 번역문과 영어 원문에 차이나 불일치가 있을 경우(번역의 지체로 인한 경우 등 포함), 영어 원문이 우선합니다.
AWS는 본 컨텐츠에 포함되거나 컨텐츠를 통하여 고객에게 제공된 일체의 정보, 콘텐츠, 자료, 제품(소프트웨어 포함) 또는 서비스를 이용함으로 인하여 발생하는 여하한 종류의 손해에
대하여 어떠한 책임도 지지 아니하며, 이는 직접 손해, 간접 손해, 부수적 손해, 징벌적 손해 및 결과적 손해를 포함하되 이에 한정되지 아니합니다.
고지 사항(Disclaimer)

Account Manager 홍용덕
2020.07.09
Cloud기반으로 만들어가는
기업 가치 극대화
Part 1.

Table of contents
• Amazon 및 클라우드 소개
• AWS를 통한 비즈니스 가치 실현 사례
• 클라우드의 가치 및 장점
• AWS의 제안 : 엔터프라이즈 지원 프로그램

Amazon 및 클라우드 소개

Amazon 비즈니스의 시작
초창기 아마존 웹사이트의 모습
Amazon.com’s History
Jeff Bezos에 의해 1994년에 설립
Amazon.com 웹사이트는 1995년 온라인 서점으로 런칭
현재 Amazon.com은 미국의 다국적 e-Commerce 회사로
시애틀에 본사를 두고 있음
전 세계에서 가장 큰 온라인 유통 사업자로 성장
“개인 맞춤형 추천 = 데이터의 활용”
개인 맞춤형 도서 추천을 통해서 차별화된
서비스를 제공해온 Amazon

‘94 Founded
‘95 Amazon.com
Started with Books
then expanded
‘06 Amazon Web Services
‘07 Kindle
‘11 Video
‘12 Groceries
‘13 Art
‘14 Alexa/Echo
‘15 Bookstores
‘17 Amazon Go
‘20 Go Grocery

Cloud Computing 이란?
• 초기 투자나 장기 계약 없이
• 인터넷을 통해 IT 리소스와
애플리케이션을
• 원할 때 언제든지 (on-demand)
• 사용한 만큼만 요금을 내는 서비스!
참조: http://aws.amazon.com/ko/what-is-cloud-computing

다양한 제품들의 조합을 통해 손쉽게 혁신이 가능
170여개 이상의 서비스 조립을 통해 유연한 활용이 가능

There are a lot of AWS Services you can use…

AWS 클라우드 핵심 서비스
컴퓨팅 네트워킹 스토리지 데이터베이스
EC2
가상 머신
ECS
완전 관리형
컨테이너 서비스
Lambda
이벤트 기반
서버리스 컴퓨팅
VPC
격리된 리소스
(가상 데이터센터)
Direct Connect
전용선 서비스
CloudFront
글로벌 CDN
서비스
Route 53
확장 가능한 DNS
서비스
ELB
확장성 높은
로드밸런서
EBS
블록 스토리지
EFS
관리형 파일
스토리지
Glacier
아카이브
스토리지
S3
오브젝트
스토리지
RDS
관리형 RDB
서비스
DynamoDB
관리형 NoSQL
서비스
ElastiCache
관리형 In-Memory
캐싱 시스템
Redshift
관리형 DW
시스템
DMS
DB Migration
Service
Elastic Beanstalk
웹 어플리케이션을
쉽게 구성 및 운영

데이터 분석시스템 구축을 위한 관련 솔루션/서비스
Data Ingestion
빠르고 안전하게 S3로 데이터 수집
Data Analytics
데이터 분석 및 시각화, 기계학습, 예측, 추천서비스
데이터 레이크
안전하고 비용효율적인 중앙저장소Amazon S3
DW
컬럼-병렬처리 분석 DBMSRedshift
Kinesis Firehose
Database Migration
Service
Glue
Lake Formation
Data
Catalog
DynamoDB EMR Glue Lambda Cloud
Formation
Catalog & Search
메타데이터 접근, 검색
Data Processing
데이터 추출/변환/저장
Access & User Interface
사용자 접근, 인증, 보안, 권한
Protect & Secure
보안 및 관제
QuickSight
SageMaker
Elasticsearch
Athena
Forecast
Psersonalize

The AWS ML Stack
Broadest and most complete set of Machine Learning capabilities
VISION SPEECH TEXT SEARCH NEW CHATBOTS PERSONALIZATION FORECASTING FRAUD NEW DEVELOPMENT NEW CONTACT CENTERS NEW
Amazon SageMaker Ground
Truth
Augmented
AI
SageMaker
Neo
Built-in
algorithms
SageMaker
Notebooks NEW
SageMaker
Experiments NEW
Model
tuning
SageMaker
Debugger NEW
SageMaker
Autopilot NEW
Model
hosting
SageMaker
Model Monitor NEW
Deep Learning
AMIs & Containers
GPUs &
CPUs
Elastic
Inference
Inferentia FPGA
Amazon
Rekognition
Amazon
Polly
Amazon
Transcribe
+Medical
Amazon
Comprehend
+Medical
Amazon
Translate
Amazon
Lex
Amazon
Personalize
Amazon
Forecast
Amazon
Fraud Detector
Amazon
CodeGuru
AI SERVICES
ML SERVICES
ML FRAMEWORKS & INFRASTRUCTURE
Amazon
Textract
Amazon
Kendra
Contact Lens
For Amazon Connect
SageMaker Studio IDE NEW
NEW
NEW
NEW
NEW

Amazon Rekognition
CELEBRITY RECOGNITIONLive Video with Royal Wedding UK 2018 ‘Who’s who’
https://www.elemental.com/newsroom/blog/sky-news-aws-bring-ml-mainstream-live-video-royal-wedding-whos-who
https://www.thequint.com/tech-and-auto/tech-news/ai-based-app-to-spot-celebrities-at-royal-wedding

T E X T
method. Then, the proteins were clustered using the k- medoids method with the optimal
number of clusters.
The performance of the various clusterings was evalu- ated using two types of measures.
The first is the average silhouette width itself, which is a measure of the clus- ter
compactness and separation. In general, clustering is based on the assumption that the
underlying data form compact clusters of similar characteristics. Larger average silhouette
width means that the result of a clustering algorithm consists of compact clusters which are
well separated from each other, i.e. probably close to the actual data distribution. A small
average silhouette width means e.g. that one of the clusters discovered by the clustering
algorithm could be separated in two clusters, or that some
Search
index
Amazon Textract: An organized filing cabinet of document
content

Graceland, Memphis
Presley, Elvis Aaron
TCB Limited
12-12-1234
TN
01 08 1935 X
901 987-6543
3765 Elvis Presley Blvd.
38116
X RCA Records
Rock n Roll Health
X
Presley, Elvis Aaron
Government forms (e.g. FDA new drug
application, financial disclosure form,
incident reporting)
Tax forms (US – e.g. W2, 1099-MISC, 990,
1040; UK – e.g. P45; Canada – e.g. T4, T5)
Amazon Textract: automatic document processing
without data entry, or writing rules

Amazon Polly: examples
• Korean Female (Seoyeon)
• US English Male (Matthew)
• German Female (Vicki)
• Indian English Female (Aditi)
• Japanese Male (Takumi)

Amazon Polly: SSML
• 음성 속도, 볼륨, 피치, 끊어
읽기 등 다양한 표현 지원
• AWS에서 자체적으로 지정한
추가 기능도 지원

Amazon Polly: Use Cases
“아마존 폴리가” 조선일보 뉴스를 들려 드립니다.
GOTO: 아마존 폴리가 조선일보 뉴스를 들려드립니다

Amazon Translate를 활용한 자막 생성

AWS를 통한 비즈니스 가치 실현

월트 디즈니, AWS 를 통해 IT 운영의 현대화와 브랜드 혁신의 성공적으로 달성
AWS 와 디즈니는 IT 혁신을 추진하기 위해 8년동안 협업
 “CloudFirst”전략: 신규 Application은All-Cloud& 기존 Workload도 특별한 이유가 없으면 Cloud로 전환
 브랜드 웹사이트 및 디지털 자산부터 분석, 모바일, 비지니스 애플리케이션, 머신러닝에 이르는 다양한 부문에 AWS 활용
 AWS와의 협력에 기반, 강력한 Security framework & Operational control framework 구축
 현재 미디어 네트웍스, 파크 앤드 리조트, 월트 디즈니 스튜디오 등을 포함한 디즈니의 다양한 사업 부문이 AWS 에서
비즈니스 크리티컬한 워크로드를 운영하며, 최적의 운영 성과과 고객 경험을 실현중
 Cloud Computing을 비롯, EmergingTechnology에Focus된 사내 인재 육성, 교육 시스템 변화 추진

 Public Cloud 도입 통한 효과적 기술 역량 확보
 Cloud First를 넘어 ‘CloudDefault’ 로 2020년 이후 전사 워크로드를 퍼블릭 클라우드 상에서 구동
 효율성, 스피드, 혁신성에 집중  Cloud로의 전환을 통해 기술 투자를 자본에서 비용으로 전환하는 것이 핵심
 AI/ML,RPA(Robotic ProcessAutomation),Chatbot 등 Emerging Tech 적용
 차별화된 고객 경험 제공 및 시장 경쟁력 확보
Verizon Cloud Transformation
“We are making the public cloud a core part
of our digital transformation, upgrading our
database management approach to replace
our proprietary solutions with Amazon
Aurora”
Mahmoud El-Assir
Senior Vice President of Global Technology Services
Be at the forefront of
technology transformation

NEXT 158년을 위한 Digital Transformation
“AWS를 통해 우리는 더 이상 인수 시 동반되는 Technical Debt을 부담하지 않아도 되게 되었습니다. 이제는
데이터를 AWS 플랫폼으로 이전하기만 하면 되고, 엄청난 돈과 시간을 절약할 수 있습니다.” - Dean Del Vecchio, EVP&CIO, Guardian

 Capital One은 고객이 모바일 및 디지털 플랫폼을 신속하게 채택 및 이용하고 있어, AWS를 사용하여
새로운 주요 모바일 뱅킹 애플리케이션을 비롯한 중요한 워크로드를 개발/테스트 환경을 구축 및 실행.
 AWS 도입 이유
• 보안 모델 및 혁신 속도
• AWS 의 온디맨드 인프라는 Capital One의 DevOps 팀을 더 빠르게 움직이게 하는 원동력
• AWS를 사용하여 새로운 애플리케이션 인프라를 구축하는 데 필요한 시간을
99% 이상 단축
AWS 사용하여 뱅킹을 재창조하는 Capital One
“클라우드는 다른 사고방식, 다른 문화를
필요로 한다.
클라우드에서 가장 크게 승리한 기업은 가장
빠르게 변화하는 기업일 것이다”
Rob Alexander
CIO, Capital One

금융/리테일 미디어/인터넷 엔터프라이즈
 https://aws.amazon.com/ko/solutions/case-studies/all/
 https://aws.amazon.com/ko/blogs/korea/tag/korea-customers/
[ 국내 고객 사례 모음 ]
국내 엔터프라이즈 고객사 – 다양한 산업별 사례

클라우드의 가치 및 장점

채택 동기에 따른 클라우드의 가치 및 장점
비즈니스 민첩성 글로벌 확장인수합병

비즈니스 민첩성
글로벌 확장인수합병
+ 유연성과 민첩성의 확보
+ 과도한 컴퓨팅 리소스
구매의 불필요
+ 오버헤드 비용의 절감

비즈니스 민첩성
글로벌 확장
인수합병
구매의 불필요
+ 비즈니스 운영의 간소화
+ 빠른 어플리케이션 통합
+ 신속한 매각 절차

비즈니스 민첩성 글로벌 확장인수합병
구매의 불필요
+ 비즈니스 운영의 간소화
+ 빠른 어플리케이션 통합
+ 신속한 매각 절차
+ 초기비용 및 세금 부담 불필요
+ 인재 확보의 용이성
+ 글로벌 확장 프로세스 간소화

클라우드 도입에 따른 정량적 사업 개선 효과
20.66% 19.63% 18.80%
16.18% 15.07% 16.76%

AWS의 제안 :
엔터프라이즈 지원 프로그램

Enterprise Cloud Adoption is Difficult…

그래서 저희가 만들었습니다.
C – Level
협력 프로그램
도입지원
프로그램
실무협력
프로그램

고객의 임원분이 AWS의 주제별 전문가 및 임원과 만나 고객의 비즈니스 목표 달성에 도움을 드리기 위한 맞춤식 협업 토론입니다.
C레벨 협력 프로그램
목적 고객의 클라우드 도입 가이드 및 비즈니스 협력
조건
CxO레벨 참석 필수, 사전 협의과정 필요
(최소 12주 전)
장소 및 기
간
미국 시애틀 혹은 한국(Local EBC)
1일에서 7일*(보통 2~3일),
Max 6 Meeting/Day; Min 1 hours/Meeting
* 참석자와 주제에 따라 상이
Executive Briefing Center (EBC)

Digital Innovation Program
Digital Innovation Program(DIP)은 고객에게 Amazon의 혁신 메커니즘에 대해 소개하고 PR-FAQ, 디지털 프로토 타입 개발 및
하이레벨의 비즈니스 사례를 고안하고 구축하기위한 프로그램입니다
실무협력 프로그램
탐험
아마존의 혁신 조직,
아키텍처, 메커니즘 및
문화의 기본원칙
정의
고객을 기쁘게 할
새로운 제품, 서비스
또는 경험; 고객과
함께 시작하고
거꾸로 작업하기
2 구성
새로운 디지털 제품을 선보일
클라우드 프로토 타입;
고객과 함께 테스트
31

Migration Acceleration Program
고객이 마이그레이션을 하는 과정에서 생성되는 중복투자를 줄여드리기 위한 펀딩 지원 프로그램입니다.
클라우드 도입 사전 진단을 위한 워크샵 및 TCO분석을 무료로 제공해드립니다.
도입지원 프로그램
1 2 3 4 50
TCO
Migration Bubble
Cost Optimizing
Payback Period
Migration
Acceleration
Program
Time (Years)
기존 인프라가 AWS
인프라로
전환되는 과정에서의
중복 투자 제거

MAP provides credits for 25% of annual spend growth
Example 1: continuous spend growth Example 2: Fluctuating spend growth
Year 1 Year 2 Year 3
AWS annual spend ($M)
MAP credits = 25% of
incremental annual spend
growth (distributed over
each quarter)
Year 1 Year 2 Year 3
AWS annual spend ($M)
MAP credits = 25% of
incremental annual spend
growth (distributed over
each quarter)

Call to Action
Contact your Account Manager
어카운트 매니저와 상의하세요
Get Envisioning workshop
클라우드 도입준비 워크샵을 진행해보세요

45
AI 서비스를 활용한
비즈니스 가치 극대화 사례

Next >>
Part 2 : 데이터 기반 마케팅 전략
발표자: 윤성의 어카운트 매니저, AWS

© 2020, Amazon Web Services, Inc. or its Affiliates. All rights reserved.
Sungeui Yoon | Enterprise Account Manager
Hyounsoo Kim | Solutions Architect
2020. 06.
Transforming Customer
Experiences
Amazon Web Services | Experience Technology

목차
• Cloud 및 AWS 소개
• Marketing과 AWS
• AWS 솔루션을 활용한 MarTech
• 고객 이해도 확장 : Data & Analysis
• 새로운 고객 경험 창출 : AI/ML

클라우드 컴퓨팅은 인터넷을 통해 IT 리소스를 사용합니다.
그리고 사용한 만큼만 비용을 지불합니다.
데이터 센터와 서버를 구매/소유/유지/관리하는 대신
Amazon Web Services (AWS)와 같은 클라우드 제공 업체에서
필요에 따라 컴퓨팅, 스토리지 및 데이터베이스를 이용합니다.
클라우드는 애플리케이션 개발을 보다 저렴하고, 빠르고,
더 민첩하게 만들었으며, 거의 모든 산업에서 변화를 이뤘습니다.
AWS?
AWS (Amazon Web Services)는 세계에서 가장 포괄적이고
광범위하게 채택된 클라우드 플랫폼으로서, 175 개가 넘는
서비스와 수많은 고객을 보유하고 있습니다. 수백만의 고객이
AWS를 사용하여 비용을 낮추고 민첩하며 빠르게 혁신합니다.
Cloud와 AWS
Cloud?

매출 순위 기준
클라우드 시장 선두
각 부문별
클라우드 선두
가장 빠른
클라우드 성장 속도
최다 고객 보유
~$30B
매출
52%
시장 점유율
$2.1B
분기별 연간 성장
수백만
사용 고객
AWS, 혁신의 선두

광범위한 AWS의 서비스

AWS 데이터 및 분석 서비스를 이용하는 고객
10,000 개 이상의 데이터 레이크가 AWS에서 구동됩니다.
그 어떠한 플랫폼보다 많은 고객들이 AWS 데이터/분석 서비스를 이용하고 있습니다.

AWS 머신러닝 서비스를 이용하는 고객
수만 고객이 머신러닝을 위해 AWS를 선택했습니다.
기타 클라우드 플랫폼에 비해 두배 이상에 달하는 고객 사례를 보유하고 있습니다.

고객의 AWS 선택 이유
최고의
기능
최고의
안정성
확실한
운영 전문성
인정 받는
기술 선두
가장 큰 고객, 파트너사
커뮤니티 형성
가장 빠른 혁신

고객 CDJ
(유입/재방문/이탈율 등)
고객 확보 비용
(Acquisition/Upsell)
고객 LTV
고객 전환율 고객 만족도 및 유지
마케팅/BI 비용
매출/ROI/ROAS
Marketer의 관심사는?

© 2020, Amazon Web Services, Inc. or its Affiliates. All rights reserved. Amazon Confidential and Trademark
The CMO Survey, 2018
CMO 대상으로 한 조사에 따르면,
79.6%의 마케터는 본인의 역할이 조직 내에 확대되었다고 답했다.
CMO는 기업의 스토리텔링과 디지털 마케팅에 더불어,
고객경험, 제품과 서비스 혁신, 새로운 기술 도입과
AI를 활용한 프로세스 최적화에 대한 책임을 가지게 되었다고 한다.

Marketing Trends
최근 마케터는 무수히
많은 종류/출처의
데이터에 의존합니다.
하지만, 47%의
마케터만이 고객
데이터의 통합 뷰가
가능하다고 말합니다.
고객 경험은 AI와
신뢰가 밑받침합니다.
기술이 발달할수록
마케터는 전례 없는
확장 가능성과 AI를
활용한 개인 맞춤화
기획이 가능합니다.
스마트폰에서 티비까지,
모든 것들이
연결되면서
IoT는 브랜드 형성에
있어서 더욱
중요합니다.
최근 전례없는
선택 상황과
많은 정보에 대한
접근이 가능해지면서,
고객은 그들의 상품
퀄리티 기준에 맞는
총체적인 경험을
요구합니다.
Source: Salesforce, State of Marketing Report
OMNICHANNEL
EXPERIENCES
DATA
UNIFICATION
ARTIFICIAL
INTELLIGENCE
CONNECTED
EXPERIENCES

MarTech의 기존 지형도
Shopping &
Ecommerce
Mobile & Web
Experience
Advertising
Digital Customer
Experience
Content
Management
Digital Asset
Management
Retail & Ecommerce Platforms
Advertising Analytics
Analytics
Customer Data
Marketing
Data Lake
Digital Analytics Business Intelligence
CRM
Customer Data Platforms & 360˚ Journey Analysis
Machine Learning
Personalization, Voice, Chat, Brand Safety Analysis
SMS, Push, Email at Scale In-house bidding
Data Integration, Ingestion, Processing, Warehousing
Messaging & Campaigns Smart
Products

MarTech의 기존 지형도 » AWS 서비스
Shopping &
Ecommerce
Mobile & Web
Experience
Messaging & Campaigns
Advertising
Digital Customer
Experience
Content
Management
Digital Asset
Management
Retail & Ecommerce Platforms
Advertising Analytics
Analytics
Customer Data
Marketing
Data Lake
Digital Analytics Business Intelligence
CRM
Customer Data Management & 360˚ Journey Analysis
Machine Learning
Personalization, Voice, Chat, Brand Analysis
SMS, Push, Email at Scale
In-house bidding
Data Integration, Ingestion, Processing, Warehousing
DISPLAY SaaSCHATSEARCH EMAIL
MOBILE TV
ECOMMERCE AUTO
Integration
Amazon
EventBridge
Amazon
PrivateLink
IOT
Customer Data Platform / Identity Graph
Amazon Personalize Amazon Lex Amazon RekognitionAmazon Polly Amazon Comprehend
Amazon
Personalize
Amazon
SES
Amazon
Pinpoint
Legacy
marketing
automation
Web / Mobile App
Hosting AWS Amplify
Amazon
Personalize
Amazon IoT
Amazon Advertising Analytics
Smart
Products
Amazon Data Exchange

마케팅
데이터 레이크
고객 데이터 플랫폼
(Customer 360)
광고 기술
& 분석 광고
고객 디지털 경험개인 맞춤화
& 머신러닝
메시지 & 캠페인
AWS 솔루션을 활용한 대표적 워크로드들

고객 이해도 확장 새로운 고객 경험 창출
고객 데이터 내재화
고객 구매경로(CDJ) 이해
Hi-po 고객군 타겟팅
마케팅 ROI 개선
고객과의 신규 채널 확보
비디오, 소셜, AI 목소리, 챗봇 활용
고퀄리티의 유관 컨텐츠 제공
AR/VR을 활용한 생생한 경험 제공
Marketer가 필요로 하는 것
마케팅
데이터 레이크
고객 데이터 플랫폼
(Customer 360)
개인 맞춤화
& 머신러닝
메시지 & 캠페인

고객에 대한 이해도를
넓히세요
고객 데이터 내재화
고객 구매경로(CDJ) 이해
Hi-po 고객군 타겟팅
마케팅 ROI 개선

빠르고 깊이있는 인사이트를 얻으세요
비즈니스를 위한 빠른 의사결정
고객 관계 심화
비즈니스 리스크 감소
보안과 관리 측면에서 기준을 낮출 필요 없이, 데이터를 가치로 바꿔보세요.

고객 이해도 확장 새로운 고객 경험 창출
Data Lake
데이터와 미디어
오픈 소스 툴
머신러닝과 인공지능
Ideas
Data Lake와 AI/ML의 혁신 사이클

데이터 보관/관리와 데이터 레이크의 중요성
광고 & 마케팅 관련
데이터 레이크

Marketing Data Lake
AWS Data Lake로
마케팅 데이터 집중
마케팅 효과, 고객 데이터 분석,
타겟 광고, 머신러닝 및 고객
경험을 위한 새로운 가능성 창출
신속한 데이터
통합 출시
SaaS 서비스와 마케팅 기술
파트너의Amazon EventBridge와
AWS PrivateLink 서비스 이용
조직 내 유관인력에
분석/활용 권한 부여
가장 대중적이고 빠른
클라우드 데이터 웨어하우스인
Amazon Redshift를 이용하여
데이터 분석
AWS Data Lake와 Data warehouse로 마케팅 데이터를 집중시킴으로써
크로스-채널의 마케팅 분석, 광고, 고객 경험 혁신이 가능합니다.

Marketing Data Lake
AWS Data Lake와 Data warehouse를 이용하여 마케팅 데이터를
하나의 채널로 중앙화 시키면 마케팅 분석, 광고, 고객 경험 혁신이 가능합니다.
“맥도날드가 AWS 서비스, 솔루션을 통해 데이터
기반 전략에 더욱 가까워졌다고 확신합니다.”
Abhi Bhatt, Director, Global
Data & Analytics, McDonald’s
맥도날드는 AWS Data Lake, Amazon Redshift, AWS Glue 와 Athena 서비스를 이용하여
클라우드 기반의 데이터&분석을 합니다. 전사의 데이터 분석팀과 일원들에게 셀프 서비스
권한을 부여하여 매일 100개 이상의 국가에서 6,000개의 메뉴와 710만개 이상의 주문을
분석하여 고객 행동을 분석합니다.

Customer Data 360 View
고객 데이터 플랫폼과
아이덴디티 그래프
귀사로 하여금 디바이스, 쿠키 등
기타 정보를 불문하고 유저 ID와
연결 가능하게 합니다.
360도 시야 확보
각각의 고객 행동, 잠재 고객군
분석, 광고 타겟팅 개선, 개인
맞춤화와 기기 및 채널에서 수
십억 개의 데이터 포인트를 수집,
통합 및 매핑하여 기여
Amazon Neptune
AWS는 사용 목적에 맞게
설계가 가능하며 완벽하게
관리되는 그래프 데이터베이스
서비스를 제공하는 전세계에서
유일한 클라우드입니다.
쉽게 구현 가능한 그래프 테크놀로지로 고객 행동 360도 이해
— Amazon Neptune —
수십억 개의 관계를 저장하고
밀리 초의 대기 시간으로
사용자 관계를 쿼리하도록
최적화되었습니다

현재 광고 및 마케팅 관련 데이터는 다음과 같은 곳들에 흩뿌려져 있습니다.
What is a customer identity graph?
고객은 여러개의 디바이스와
브라우저를 non-PII/PII
식별자를 통해 상품과 광고를
상호작용합니다.
고객은 수많은 패이지와 앱을
보며 수십억개의 쿠키를 여러
디바이스에 걸쳐 생산합니다.
고객은 검색 쿼리, 상품 페이지 뷰, 광고 클릭,
구매와 로열티 프로그램 등록 등의 활동으로
의도를 표현합니다.
수 십억개의 디바이스 수 십억개의 쿠키 고객 의도 파악이 가능한
수 십억개의 이벤트

What is a customer identity graph?
해시된 이메일 주소
모바일 기기 ID
해시된 CRM ID
쿠키 ID
쿠키와 쿠키 사이의 링크
다중 기긱 간 링크
동일 기기 링크
ID간의 링크
1. 디바이스와 브라우저에 걸쳐 동일한 ID 활용
모든 관련 장치 및 ID를 연결하는 동일 식별자를 활용하여
통합 프로필 생성, 타겟팅 및 개인화
2. 잠재 고객 형성 및 세분화
비슷한 관심사, 환경 설정 및 구매 기반의 잠재 고객 형성
3. 디바이스간 게재 빈도 설정
여러 기기 및 브라우저에서 더 나은 게재 빈도 설정을 통한
고객 경험 향상
4. 고객 경로 분석
고객의 행동을 분석하고 구매 경로와 기여도를 추적
마케터의 활용 이점
360도의 통합적인 고객 이해

Consumer 360 View
1 : 1 관계 형성과 개인화 된 상황에 맞는 경험 활성화를 위한 깊은 고객 이해
목적으로 구축 된 플랫폼
Amazon Neptune
Probabilistic and
Deterministic Identity
Resolution
Scoring
Amazon Pinpoint
Amazon Personalize
Activation
(1:1)
(1:many)
통합된 프로파일 저장으로 마케팅 채널
전반의 고객 행동 360도 파악
고객 데이터 수집
아이덴디티 확인
& 고객 그래프
활용하여 360도
통합 고객 이해
확률론적 및
결정론적
아이덴티티 확인
익명/가명화된 데이터와 고객
프로파일/CRM을 연결하여 데이터를
풍부하게 만들고 잠재 고객을 형성하며
타켓 마케팅 가능

정형 데이터
준정형 데이터
Mobile Social
Sensors
Documents
비정형 데이터
Phone calls Images
Videos Email
Batch load
AWS Glue
Real time
Amazon Kinesis
Amazon S3
Data Lake
Amazon S3
AmazonRedshift
AmazonAthena
Analytics
Amazon QuickSight
AmazonEMR
Amazon MSK
Machine Learning
Amazon
SageMaker
AWS Deep
Learning AMIs
AmazonEMR
Policy Admin CRM
Claims Admin
Source Data
Practice. Data Lake 기반의 분석 파이프라인을 구축하세요
더 많은 고객 정보를 캡쳐 및 저장하고, 혁신 및 분석 환경을 구축할 수 있습니다.

새로운
고객 경험 창출
고객과의 신규 채널 확보
비디오, 소셜, AI 목소리, 챗봇 활용
고퀄리티의 유관 컨텐츠 제공
AR/VR을 활용한 생생한 경험 제공

는 AI가 서포트40% - IDC 2018
디지털 혁신을 위한 AI
2019년 디지털 혁신 과제의

Amazon Lex
음성 및 텍스트 자연어 처리 기능
대화 자동화
Amazon Polly
딥 러닝을 사용하여 텍스트를
생생한 음성으로 전환
58가지 목소리, 27개 언어 지원
Amazon Machine Learning
개발자를 위한 머신러닝
CX서비스 방향 전환
Amazon Translate
자동 번역
Amazon Comprehend
자연어 처리 – 감정 / 키워드 일치
Amazon Connect
클라우드 기반 컨택 센터
Amazon Pinpoint
채널 간 캠페인 관리
차세대 Best Action 머신러닝 엔진
Alexa for Business & Home
음성 인식 기능을 고객 경험에 활용
AWS Sumerian
AR/VR 애플리케이션 개발
Amazon Transcribe
자동 목소리 인식
실시간 대화 기록
Amazon Personalize
실시간 개인맞춤화 & 추천
차세대 Best Action 머신러닝 엔진
Amazon Forecast
정확도 높은 예측 제공
제품 수요, 필요 리소스 예측 (인력 계획 가능)
Cognitive CX Portfolio

사용량에 따라 지불하는 이메일, SMS, 푸쉬 알림 및 음성 메시지 자동화
고객에게 푸쉬 알림, 이메일,
SMS, 전화를 통해 연락
Amazon Pinpoint와 SES
(Simple Email Service)를 통해
저비용, 대용량 및 높은 전달력을
제공합니다. 사전 약정이나 가입
비용없이 사용한 만큼 지불하고,
대규모 전송이 가능합니다.
캠페인에 개인 맞춤형
추천 활용
Amazon Personalize와 Amazon
SageMaker를 기존 인프라/
Amazon Pinpoint/SES) 등과
결합하여 활용
가능합니다.
Amazon Pinpoint를 통한
세분화 오케스트레이션 및 자동화
적시에 적절한 사람들에게 올바른
메시지를 전달합니다.

다양한 채널을 통해 고객에게 가장 적절한 시간에 개인별로 맞춤화된 메세지를 전달합니다.
• 모든 채널(이메일, 푸시 알림, SMS, 음성 등)을 통해 고객을 타겟팅하고, 고객과의 상호작용을 한눈에 볼
수 있는 완벽한 관리 시스템입니다.
• 아마존닷컴이 마케팅 및 고객과의 소통을 위해 사용하는 것과 동일한 기술을 사용합니다.
• 활용 사례: 타겟팅 캠페인, 반응형 메세지, 통신 인프라, 고객 분류, 업무 예측(머신러닝), 고객 분류
예측(머신러닝), 옴니채널 센터(Connect), 문자 챗봇
Amazon Pinpoint
당신의 고객을
얼마나 이해하고
있습니까?
사용자 관리 청중 관리 타겟팅 채널 사용자 관리
적합한 고객들에게
도달하는 방법은
무엇입니까?
적합한 시간에
적합한 메세지를
보내는 방법은
무엇입니까?
고객이 보다
선호하는 채널로
메세지를 보내는
방법은 무엇입니까?
당신의 홍보가 어떤
효과를
가져왔는지는
어떻게 측정합니까?
캠페인 인사이트

Amazon Pinpoint AWS Mobile Hub AWS SES Amazon Pinpoint Amazon Pinpoint AWS Lambda
1 2 3
적합한 커뮤니케이션 적합한 대상 적합한 시간과 장소
광범위한 일반 메세지
사용자들에게 이메일, 문자, 인앱
메세지, 푸시 알림, 음성 알림을
전송하세요.
개인을 위한 맞춤형 메세지
저장된 사용자 데이터, 이벤트별
반응, 애널리틱스, 그리고 확장적인
메세지 기능을 활용하세요
특정 그룹을 위한 타겟팅 메세지
선호, 이벤트 및 상호 작용
데이터를 기반으로 고객을 여러
그룹으로 분류하세요
Amazon Kinesis AmazonEMR AWS Machine Learning
Amazon Pinpoint의 활용 방법
실시간 커뮤니케이션, 분류 및 통합 서비스를 제공합니다.

고객 참여 이벤트 혹은 고객 데이터
추천 혹은 분류 머신러닝 서비스
혹은 커스텀 모델
Amazon Pinpoint
재학습
심층적인 고객 분류
• 고객 이탈 방지, 전환 유도, 고객 충성도
고양
개인 맞춤형 추천
• 내용, 상품, 프로모션 등
고객 참여 유도를 위한 최적의
루트
• 채널, 시간, 대화 방식
Practice. ML engagement flywheel을 구축하세요

사용량에 따라 지불하는 이메일, SMS, 푸쉬 알림 및 음성 메시지 자동화
Billy Liu, Senior Director, Disney Streaming Services
“저희는 동적 세그먼테이션을 통해 메시지를 발송합니다.
푸시 알림을 보낸 후 즉시 동적으로 세그먼트화 해야
합니다. Amazon Pinpoint에 ‘지금 진행중인 이 게임
이벤트에 대해 지금 세그먼트 생성 후 캠페인을 생성하여
보내.’라고 동작시키면 Amazon Pinpoint는 이 모든
작업을 밀리 초 단위로 수행합니다.”
디즈니 스트리밍 서비스는 Amazon Pinpoint를 사용하여 모든 메이저 리그 야구의 모든 앱에 대한 고유 한
세그먼트와 캠페인을 밀리 초 단위로 동적으로 생성 한 후 수십억 개의 메시지를 동적으로 사용자에게 보냅니다.
가장 까다로운 사용 시나리오에서 Amazon Pinpoint는 시간당 300 개 이상의 세그먼트와 캠페인, 분당 20 개
이상의 세그먼트와 캠페인을 생성하도록 확장됩니다.

머신러닝 전문 지식 없이도 개인화, AI를 활용한 고객 경험 계획 가능
Personalization & Machine Learning
고객 경험 맞춤화
마케팅 캠페인, 메시지, 이커머스와
미디어 컨텐츠 전반에서 Amazon
Personalize와 Amazon Pinpoint
활용
채팅봇, 음성 및 대화
마케팅 시작
음성과 텍스트를 사용하여 모든
애플리케이션에 대화형
인터페이스를 구축하는
Amazon Lex를 활용하여
다양한 채널에서의 경험 설계
브랜드 안전성 및
적절한 컨텐츠 분석
고도로 확장 가능하며 입증된
딥러닝 기술을 사용하는
Amazon Rekognition을 통해
머신 러닝 관련 전문 지식이
없어도 애플리케이션에 이미지
및 비디오 분석을 쉽게 추가

Amazon.com에서 사용하는 기술 기반의 실시간 개인맞춤화와 추천 서비스
• 개인 맞춤형 상품 추천 생성을 위한 완벽한 관리 서비스
• Amazon과 같은 머신러닝 기술 활용
• 딥러닝 기술 기반의 높은 정확도의 상품 추천 생성
• 머신러닝 관련 전문 지식 없이 이용 가능
• 커스텀, 개인화 된 머신러닝 모델 구축 가능
• 사용 예시 : 개인 맞춤화 검색/추천/알림
Amazon Personalize

머신러닝 전문 지식 없이도 개인맞춤, AI를 활용한 고객 경험 계획 가능
Allan Collins, Group Chief Marketing Officer - Domino's Pizza Enterprises
도미노피자는 Amazon Personalize를 사용해 프로모션과 같은 맞춤형 커뮤니케이션을
제공합니다.
"고객은 Domino에서 하는 모든 일의 중심에 있으며 저희는 고객
경험을 향상시키기 위해 끊임없이 노력하고 있습니다.
Amazon Personalize 를 사용하여 이전에는 불가능했던 전체 고객
기반의 대규모 개인화가 달성 가능했습니다. Amazon Personalize
우리는 각 고객 경험과 상황에 대한 맥락을 이해 가능케하고 디지털
채널을 통해 프로모션과 할인과 같은 맞춤형 커뮤니케이션을 제공할
수 있게 했습니다. "

이메일 또는
SMS 보내기
개인 맞춤화 제안
개인 맞춤화 추천 제시 추가적인 상품 추천
음성인식으로
고객과 소통
챗봇으로 고객 경험 단순화
고객 여정의 모든 꼭지마다 고객 만족을 선사

Neville Hamilton, Interim Chief Information Officer, Subway
서브웨이는 100 개 이상의 국가에서 매일 약 7 백만 개의 주문 제작 샌드위치로 고객에게
신선한 재료와 맛 조합을 제공합니다.
서브웨이에서 고객 경험은 매우 중요합니다. Amazon Personalize 를
사용하면 고객 별로 라이프 스타일에 맞게 끝없는 종류의 재료와 맛에
대한 맞춤형 추천을 신속하게 제공 할 수 있습니다. Amazon
Personalize 를 통해 저희는 간단히 API 호출을 사용하여 머신러닝
전문 지식 없이도 추천 상품을 선별합니다.”

Gillian Armstrong, Technologist, Liberty Mutual
Liberty Mutual은 고객 지원팀의 직원 경험을 바꾸기 위해 Amazon Lex를 활용하여 챗봇을
구축하고 자연어 처리 기능을 추가하여 고객이 어떠한 질문을 하더라도 답변과 필요한
동작을 빠르게 지원합니다.
“모든 비즈니스 영역에서인지 인지 기술의 중요성이 높아짐에 따라
Amazon Lex 의 음성 인식 및 자연어 이해 기술이 AWS의 광범위한
서비스 포트폴리오에 추가되어 기뻤습니다. Amazon Lex 의 강력한
기술은 기존 애플리케이션과 새로운 클라우드 네이티브 서버리스
아키텍처에 쉽게 적용되어, 직원과 고객에게 더 많이 제공 가능하도록
활용하여 개선하고 확장 할 수 있습니다.”

Thank you!

10가지 마케팅 기술 트렌드
7,000개 이상의 SaaS 마케팅 서비스 제공업자
SaaS 기능, 가격의 경직성
광고 구매 및 데이터 시스템의 사내 구축
머신러닝을 통해 고객 만족도 개선 의지
좋은 소식: “low-code" 도구의 가용성 증대
나쁜 소식: 많은 마케터들이 데이터 수집 시스템 부족
고객 데이터 플랫폼(CDP)에 대한 투자 증가
스마트 제품/5G 제공 의지
소비자 직접 연결 비즈니스에 대한 투자 증가
광고 시 3P 쿠키 활용 지양
SaaS와 내부 시스템 통합 위한 복잡함과 높은 비용
대형 마케터들은 규모에 맞게 가격을 책정하거나 .
분석/광고 기술 스택에 대한 "구축, 구매 또는 파트너" 결정
기술 지원/ 데이터 사이언스/머신러닝 전문 지식 및 기술 부족
개발 없이 사용자 지정 솔루션 및 ML 구현 용이
개인화/ML을 의미 있게 개선하는 데 어려움
“구축, 구매 또는 파트너” 결정
확장된 IoT 데이터를 기존 시스템/플랫폼에 통합
전자 상거래, 퍼포먼스 광고에 대한 대규모 신규 투자
“아이덴디티 확인" 및 1P 데이터 수집 투자 희망
=
=
=
=
=
=
=
=
=
=
트렌드 마케터로서의 고충

강성문
AIML Specialist Solutions Architect
마케터를 위한 데이터기반
Emerging Technology 사례

Table of contents
• 초 개인화의 시대
• 인공지능은 어떻게 문제를 해결하는가?
• 대표적인 개인화 알고리즘과 원리
• 개인화 서비스의 구현

초개인화의 시대

초 개인화(Hyper Personalization)의 시대
“고객 기본 정보에 과거 구매 내역, 상품반응, 장바구니, 검색 등을
통해 수집된 실시간 데이터를 AI 알고리즘을 통해 개별화된 서비스를 제공”
“사용자의 온라인 데이터, 실제 생활 패턴 및 취향 정보를 바탕으로, 적절한
상황과 타이밍에 적절한 메시지로 사용자의 소비 경험을 가이드 하는 것”
https://it.donga.com/29192/
https://blog.cheil.com/magazine/41070
https://instapage.com/blog/hyper-personalization
“Hyper personalization combines behavioral and real-time data
extracted from multiple channels, for brands to create an
extremely customized marketing strategy”

초 개인화(Hyper Personalization)의 시대
vs
“오전에 Wish list에
담아두신 상품의 재고가
얼마 남지 않았습니다.”
“주말 캠퍼들을 위한
특별 프로모션”
“한국 영화 매니아를
위한 추천 목록”
“주말 저녁에 볼만한
한국영화 추천 목록”
고객 프로파일 사용자 행동, 실시간
과거 이력 세분화된 페르소나, Context

History of personalization at Amazon
First personalized experience on Amazon.com
• Feature launched & patent filed in 1998
• Early investment in personalization to make shopping easy.
• Over two decades of research in personalization techniques.
• Early features such as ‘Customers who bought this, also bought…’ loved by all.

Movies : Home page personalization Music : Playlist recommendations Product page recommendations
Websites Notifications
Personalization at Amazon today
Recommendations for multiple types of content
Delivered over multiple channels
… and many more
Mobile apps Voice

Amazon.com 의 추천기능

머신러닝은 어떻게 문제를 해결하는가?

Machine Learning
f(x)x y
입력 출력관계
Machine
Learning
x', y'

신경망
Source : Coursera 강의 - AWS Computer Vision: Getting Started with GluonCV

딥러닝 – XOR 사례
Source : https://stevenmiller888.github.io/mind-how-to-build-a-neural-network/
Step 1.
1 * 0.8 + 1 * 0.2 = 1
S(1.0) = 0.73105857863
1 * 0.4 + 1 * 0.9 = 1.3
1 * 0.3 + 1 * 0.5 = 0.8
S(1.3) = 0.78583498304
S(0.8) = 0.68997448112
Step 2.
0.73 * 0.3 + 0.79 * 0.5 + 0.69 * 0.9 = 1.235
S(1.235) = 0.7746924929149283
0.73
1
0.79
0.69
0.8
0.77
1.21.3

AI, 머신러닝, 딥러닝

대표적인 개인화 알고리즘과 원리

머신러닝 – 개인화
과거 구매이력
사용자 프로파일
사용자 행동이력
…
사용자 미래행동
구매가능성
이탈가능성
…
실시간
사용자
이벤트

Item based collaborative filtering
A
B
C

평수, 세대수, 방개수, 지역, 학교, 전철역, 건설사, …
H1
H2
H3
H4
H5
H6
H7
H8
…
102.47, 5403, 3, 분당, 230, 1203, L, …
119.01, 1200, 3, 판교, 873, 982, H, …
115.70, 400, 3, 잠실, 1209, 2039, D, …
101.33, 18943, 4, 여의도, 332, 1022, S, …
52.89, 2004, 2, 상계, 1290, 320, L, …
132.23, 183, 5, 판교, 223, 287, B, …
162.29, 328, 5, 동대문, 1290, 982, W, …
99.17, 985, 3, 역삼, 2390, 1347, K, …
…
10.1
15.8
14.4
16.1
7.9
19.6
21.4
8.0
…
가격
집값 예측하기 (Regression)
H99 110.02, 2201, 3, 분당, 564, 237, S, … ?
Factorization Machines (FM)

https://preparingforgre.com/item/81549
https://stackoverflow.com/questions/26431800/plot-linear-model-in-3d-with-matplotlib/26433404#26433404
y=ax1+bx2+cy=ax+b

ˆy(x) = w0 +
dX
i=1
wixi +
dX
i=1
dX
j=i+1
xixjhvi, vji
<latexit sha1_base64="m+DGTDqGKejeJySCqFoBYuIe2nY=">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</latexit>
ˆy(x) = w0 +
dX
i=1
wixi +
dX
i=1
dX
j=i+1
xixjwij, x 2 Rd
<latexit sha1_base64="orvt9uUXlVs353YlyJQq1wIz1zg=">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</latexit>
hvi, vji =
kX
f=1
vi,f vj,f , k : dimension of latent feature
<latexit sha1_base64="bnmyOK6gWW+CaJV1E8mCjugae0E=">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</latexit>
사용자, 영화, 사용자 x 영화
평점
예측

사용자 관심 감지하기

사용자 관심기반 추천하기
Other
Information

HRNN - Hierarchical Temporal-Contextual Recommenders
https://openreview.net/pdf?id=ByzxsrrkJ4

HRNN 성능평가
0.954
0.928 0.925 0.922
0.91
0.856
Rolling
Average
T-SVD [2009] PMF [2008] RRN [2017] DeepRec
[2017]
HRNN
0.933
0.916
0.871
0.857
0.846
Rolling Average FM [2012] I-AutoRec
[2015]
RNN HRNN
Sources:
https://openreview.net/pdf?id=ByzxsrrkJ4
https://arxiv.org/pdf/1706.04148.pdf
PMF: Probabilistic Matrix Factorization
Ratings RMSE on MovieLens Ratings RMSE on Netflix

개인화 서비스의 구현

The AWS ML Stack
Broadest and most complete set of Machine Learning capabilities
VISION SPEECH TEXT SEARCH CHATBOTS PERSONALIZATION FORECASTING FRAUD DEVELOPMENT CONTACT CENTERS
Amazon SageMaker Ground
Truth
Augmented
AI
SageMaker
Neo
Built-in
algorithms
SageMaker
Notebooks
SageMaker
Experiments
Model
tuning
SageMaker
Debugger
SageMaker
Autopilot
Model
hosting
SageMaker
Model Monitor
Deep Learning
AMIs & Containers
GPUs &
CPUs
Elastic
Inference
Inferentia FPGA
Amazon
Rekognition
Amazon
Polly
Amazon
Transcribe
+Medical
Amazon
Comprehend
+Medical
Amazon
Translate
Amazon
Lex
Amazon
Personalize
Amazon
Forecast
Amazon
Fraud Detector
Amazon
CodeGuru
AI SERVICES
ML SERVICES
ML FRAMEWORKS & INFRASTRUCTURE
Amazon
Textract
Amazon
Kendra
SageMaker Studio IDE
Amazon
Connect
with Contact Lens

Amazon Personalize
§ API 를 통해 사용자에게 개인화 기반의 추천 결과 생성
ü 최신 Deep Learning 알고리즘 및 다양한 개인화 기술 적용
ü 개인화 추천의 전체 과정을 자동화
ü 추천 결과 실시간 분석
§ 다양한 분야에서 활용 가능
amazon.com 에서 사용하는 머신 러닝 기술을 바탕으로 한
실시간 개인화 및 추천 서비스 입니다.
개인화 추천
관련 상품
추천
검색 랭킹
분석
맞춤형 안내
Retail &
e-Commerce TravelVOD News
Personalized
Notifications

룰기반 전략은
관리와 확장이 어려움
실시간 추천,
Coldstart 이슈
(신상품 추천)
모든 개인화문제를 하나의
머신러닝 알고리즘으로
해결하지 못함
인기도 기반
추천에서 벗어나기
머신러닝 기반 방법은 잘 동작하지만 구현이 어려움
정교하고 효과적인 모델을
만들기 위해 머신러닝
전문가 필요
Our learnings on personalization

데모

Dashboard

빌트인 레시피
§ SIMS
ü Item-to-item 유사도 기반
ü 사용자 이력에서 동일하게 나타나는 아이템을
기반으로 유사 아이템 목록을 생성
ü User behavior 가 부족한 경우, Popular
item을 결과로 제공
§ Popularity-Count
ü 데이터셋에서 Popularity가 높은 아이템 계산
ü 데이터셋 내에서 아이템의 출현 횟수 계산 기준에 따라
Top-K popular items를 결과로 출력
ü 여러 사용자에게 동일한 결과를 제공 (다른 알고리즘의
성능 비교 평가 시 많이 활용됨)
§ Personalized-Ranking
ü 사용자 각각에게 추천할 아이템의 순위를
쿼리를 이용하여 재정리
ü SEARCH_PERSONALIZATION 레시피로 모델을
생성해야 함
§ HRNN (Ma & Narayanaswamy 2018)
ü Encodes session information in the embedded inputs
ü Include metadata into sequence models
§ “user features” & “interaction feedback”

재학습과 배포과정 자동화
https://github.com/aws-samples/amazon-personalize-samples/tree/master/ml_ops

Amazon Pinpoint

Amazon SageMaker

47© 2020 Amazon Web Services, Inc. or its affiliates. All rights reserved |
정리
• 마케팅 기술의 변화 – 사용자 행동, 실시간, Context, AI
• Machine Learning과 Deep Learning
• 개인화 알고리즘 – Collaborative Filtering, Matrix
Factorization, Factorization Machine, HRNN, etc.
• Amazon Personalize, ML on AWS

M A C H I N E L E A R N I N G I S H A P P E N I N G
I N C O M P A N I E S O F E V E R Y S I Z E A N D I N D U S T R Y
Tens of thousands customers have chosen AWS for their ML workloads | More than twice as many customers using ML than any other cloud providers

더 나은 세미나를 위해
여러분의 의견을
남겨주세요!
▶ 질문에 대한 답변 드립니다.
▶ 발표자료/녹화영상은 추후 별도로
전달 드릴 예정입니다.

세션 1: Non-IT 비즈니스를 위한 Digital Transformation 전략

Empfohlen

Empfohlen

Weitere ähnliche Inhalte

Was ist angesagt?

Was ist angesagt? (20)

Ähnlich wie 세션 1: Non-IT 비즈니스를 위한 Digital Transformation 전략

Ähnlich wie 세션 1: Non-IT 비즈니스를 위한 Digital Transformation 전략 (20)

Mehr von Amazon Web Services Korea

Mehr von Amazon Web Services Korea (20)

Kürzlich hochgeladen

Kürzlich hochgeladen (7)

세션 1: Non-IT 비즈니스를 위한 Digital Transformation 전략